为解决传统遥感干旱指数侧重于对单一响应因子的监测,缺乏对干旱综合评估的问题,本文结合气象观测资料和多源遥感数据,择优选择TVDI、RVI、PDI和GVMI日产品数据作为自变量,与卫星过境相邻时刻气象观测资料计算的MCI指数为因变量,采用随机森林回归算法(Random Forest Regression,RFR)构建综合遥感干旱监测模型。结果表明:与传统最小二乘法模型(Ordinary Least Squares,OLS)相比,RFR模型训练集和测试集精度均优于OLS模型。RFR训练集R值为0.97,RMSE为0.33,测试集R值为0.90,RMSE为0.53;OLS模型训练集R值为0.78,RMSE值为0.73,测试R值为0.76,RMSE值为0.79,表明RFR模型在表征区域旱情时比OLS模型更加优秀。在2022年西南地区旱情监测评估中,RFR遥感干旱监测结果与MCI指数时空分布较为一致,能较好地表征区域旱情的时空动态变化特征,体现了RFR模型在实际干旱监测过程中的实用性。但RFR干旱监测精度与区域站点个数和站点空间分布有关,在站点个数较多,站点分布均匀的区域,RFR干旱监测模型精度较高。
暂无评论