首页|基于机器学习的西南地区遥感干旱监测与评估

基于机器学习的西南地区遥感干旱监测与评估

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
由于干旱的复杂性和影响因素的多样性,对干旱的准确监测仍然面临许多问题,尤其是西南地区的干旱日益频繁和加重,且形成和致灾过程有一定特殊性,而传统干旱监测方法已无法满足区域干旱监测的要求,因此需要更为科学的监测方法和手段.由于机器学习可以将多种致灾因素综合考虑来建立干旱监测综合模型,无疑为干旱监测提供了一种新的技术手段,因此本文利用2010-2019年多源遥感数据以及1980-2019年气象站点数据,首先构建随机森林模型对西南地区的地表温度进行重建补充,然后构建XGBoost监测模型对西南地区的干旱进行了监测与评估验证.结果表明:(1)随机森林训练集、测试集重建的陆地表面温度LST与站点观测值的相关系数均超过0.9,达到显著相关;LST重建值与遥感监测值空间分布类似,数值接近于气象站点观测值;(2)XGBoost模型训练集、测试集的监测值与站点标准化降水蒸散指数(Standardized Precipitation Evaportranspiraton Index,SPEI)计算值相关系数均超过0.86,相关关系显著;监测值与计算得到的SPEI值的干旱等级总体一致率超过85％;(3)XGBoost模型监测值与气象干旱综合指数MCI值干旱等级总体一致率在67.88％以上,较为一致;各月一致率均超58％,其中9月一致率最高为75.07％,2月一致率最低为58.26％;(4)模型监测各个季节旱情与实际旱情基本一致,能够较好地反映出西南地区的干旱空间分布及旱情.
Remote Sensing Drought Monitoring and Assessment in Southwestern China based on Machine Learning

贾何佳、李谢辉、王磊、薛雨婷、林会全

展开 >

成都信息工程大学大气科学学院,高原大气与环境四川省重点实验室,四川成都 610225

奈曼旗大柳树国有治沙林场,内蒙古通辽 028300

多源遥感 随机森林 XGBoost 干旱监测 西南地区

青藏高原综合科学考察研究项目(第二次)四川省科技计划

2019QZKK01052021YJ0025

2022

10.7522/j.issn.1000-0534.2022.00006

高原气象
中国科学院寒区旱区环境与工程研究所

高原气象

CSTPCDCSCD北大核心
影响因子：2.193
ISSN：1000-0534
年,卷(期)：2022.41(6)
  • 4
  • 7