泉水出露受到多种因素影响,在传统地质勘查手段之外,各种模型方法及影响因子预测手段,也被越来越多地应用于泉水的研究中。本文尝试利用机器学习的方法进行泉水出露位置的预测研究。根据北京市野外调查,确定了1378个测试样本点,选取了高程、坡度、坡向、地形湿度指数、径流强度指数、距河流距离、距断裂距离、岩性、归一化植被指数及土地利用类型作为影响因子,对比了2种机器学习方法(随机森林模型、分类回归树模型)和地统计方法(证据权重模型)的预测效果。研究发现:随机森林模型的预测效果最好(Area Under Curve,AUC=0.86),分类回归树和证据权重模型效果相当(AUC分别为0.81、0.80);随机森林模型同时揭示,岩性、距断裂距离和距河流距离这3个影响因子对泉潜在出露的影响最大。本研究表明,在强烈人类活动影响下机器学习方法仍然具有较好的泉水出露预测能力,有望为泉水保护、恢复提供新的技术方法。
使用日本对地观测卫星(advanced land observing satellite,ALOS)2008—2011年的影像数据,解译云南现状植被分布.使用分类回归树模型(classification and regression trees,CART)预测云南主要森林植被的潜在分布区,估算云南森林植被的...
详细信息
使用日本对地观测卫星(advanced land observing satellite,ALOS)2008—2011年的影像数据,解译云南现状植被分布.使用分类回归树模型(classification and regression trees,CART)预测云南主要森林植被的潜在分布区,估算云南森林植被的碳储量和固碳潜力.结果显示:云南省林地总面积是2.0×107hm2,森林覆盖率为52.49%,主要森林植被碳储量为871.14 Tg;不同森林植被碳储量及固碳潜力不同,碳储量较高的是季风常绿阔叶林、暖温性针叶林和暖热性针叶林,分别为205.42、172.72 Tg和137.78 Tg,而固碳潜力较大的是暖热性针叶林、暖温性针叶林和温凉性针叶林,分别为788.53、119.00 Tg和156.78 Tg,分别是现实碳储量的5.7倍、2.1倍和0.91倍;云南主要森林植被总固碳潜力为1 321.52 Tg,约为现实碳储量的1.52倍.总体上,云南省针叶林的固碳潜力远大于阔叶林,适当的人为干扰可提高暖热性针叶林的固碳潜力,暖热性针叶林具有较强的清洁发展机制(clean development mechanism,CDM)潜力,云南省主要森林植被在整体上是一个碳汇.
暂无评论