典型文献
基于机器学习的西南地区遥感干旱监测与评估
文献摘要：
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.
文献关键词：
多源遥感;随机森林;XGBoost;干旱监测;西南地区
中图分类号：
作者姓名：
贾何佳;李谢辉;王磊;薛雨婷;林会全
作者机构：
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
文献出处：
引用格式：
[1]贾何佳;李谢辉;王磊;薛雨婷;林会全-.基于机器学习的西南地区遥感干旱监测与评估)[J].高原气象,2022(06):1572-1582
A类：
Evaportranspiraton
B类：
基于机器学习,西南地区,干旱监测,监测与评估,日益频繁,传统干旱,监测方法,致灾因素,综合模型,疑为,多源遥感数据,气象站点,随机森林模型,地表温度,XGBoost,监测模型,训练集,测试集,表面温度,LST,观测值,遥感监测,模型训练,标准化降水蒸散指数,Standardized,Precipitation,Index,SPEI,计算值,干旱等级,一致率,气象干旱,综合指数,MCI,各个季节,旱情
AB值：
0.322526
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。
