摘要:利用遥感数据进行大面积旱情监测是现有干旱监测的重要方法之一,然而传统的遥感干旱监测方法主要侧重于对土壤湿度或植被状况等单一干旱响应因子进行监测,对综合多因子的干旱监测研究较为有限。随机森林是一种机器学习方法,具有学习过程快速、运算速度快、稳定性好、预测精度高的优点,近年来被应用于生态环境等多个领域。本文利用2001—2010年4—9月的MODIS数据提取的植被状态指数(VCI)、温度状态指数(TCI)和土地覆盖类型(LC),TRMM降水资料计算的TRMM-Z指数及SRTM—DEM、土壤有效含水量(Awc)等多个遥感及土壤资料提取的干旱因子为自变量,以气象站点的综合气象干旱指数(CI)为因变量,利用随机森林模型构建遥感干旱监测模型,并以河南省为研究区进行了评价和分析。该模型在2009—2010年的监测值和实测CI值的具有显著的相关性,并且二者干旱等级的一致率为81%。在2001—2010年4—9月间,模型监测值与气象站点的标准降水蒸散发指数(SPEI)总体干旱等级一致率为74.9%,较为一致,其中9月的模型结果与SPEI的干旱等级一致率最高,达到82.4%,空评估率和漏评估率最低;与10cm土壤相对湿度的相关系数在0.475—0.639之间,达到极显著水平。河南省2011年4-6月干旱事件同样验证了本文构建的模型旱情监测结果,说明本模型能较好地就应用于监测区域旱情监测。http://www.cqvip.com//QK/86408A/201701/671024109.html
送人玫瑰,手留余香~如您已下载到该资源,可在回帖当中上传与大家共享,欢迎来CDA社区交流学习。(仅供学术交流用。)