典型文献
基于机器学习的综合干旱监测建模及在西南地区应用
文献摘要：
干旱是由降水不足引起的,受温度、蒸散发等各种环境因素的影响,导致缺水和作物歉收.传统的干旱监测方法主要侧重于气象、水文等单一因子,而对多因子综合干旱监测的研究相对有限.本文利用2001-2015年的温度状态指数(TCI)、植被状态指数(VCI)、植被供水状况指数(VSWI)、降水状态指数(PCI)、土壤湿度状态指数(SMCI)、高程(DEM)及田间持水量(AWC)等7个干旱因子为自变量,以综合气象干旱指数(CI)为因变量,利用随机森林(RF)、增强回归树(BRT)和人工神经网络(ANN)构建干旱监测模型,并以西南五省为研究区进行了评价和分析.结果表明,基于人工神经网络的干旱监测指标(ANN-CI)预测效果最好,在测试集中预测值和观测值间的可决系数(R2)为0.94,均方根误差(RMSE)为0.23.三种基于机器学习的综合干旱指标均在草地区表现最好,林区精度最差.在2001-2015年间,ANN-CI和植被生长状况具有显著的时空相关性(R2=0.70,p＜0.01).最后选用ANN-CI对西南地区2009/2010年干旱事件的发展过程进行监测,并且与帕默尔干旱指数(PDSI)的监测结果进行对比,结果表明ANN-CI能够较好地应用于区域的旱情监测.
文献关键词：
干旱监测;机器学习;卫星遥感;西南干旱
中图分类号：
作者姓名：
何志远;钟九生;代仁丽
作者机构：
贵州师范大学地理与环境科学学院,贵州贵阳 500025
文献出处：
引用格式：
[1]何志远;钟九生;代仁丽-.基于机器学习的综合干旱监测建模及在西南地区应用)[J].水利水电技术（中英文）,2022(02):43-51
A类：
温度状态指数,SMCI
B类：
基于机器学习,干旱监测,西南地区,蒸散发,缺水,歉收,监测方法,多因子,TCI,VCI,供水,VSWI,PCI,土壤湿度,湿度状态,DEM,田间持水量,AWC,综合气象干旱指数,因变量,RF,增强回归树,BRT,人工神经网络,ANN,监测模型,南五省,监测指标,测试集,观测值,可决系数,RMSE,干旱指标,草地,林区,植被生长,生长状况,时空相关性,干旱事件,默尔,PDSI,监测结果,旱情监测,卫星遥感,西南干旱
AB值：
0.418914
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
