基于机器学习的综合干旱监测建模及在西南地区应用

作者：何志远; 钟九生; 代仁丽

来源：水利水电技术(中英文), 2021, 1-12.

• 干旱监测
• 机器学习
• 卫星遥感
• 西南干旱

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。

• 单位
  贵州师范大学