基于机器学习的东非植被变化因子重要性分析

作者：张秀梅; 马波^*; 张怡捷

来源：水土保持通报, 2023, 43(06): 227-236.

DOI：10.13961/j.cnki.stbctb.2023.06.028

• 归一化植被指数(NDVI)
• 机器学习
• 精度评估
• 因子重要性
• 东非

[目的]基于机器学习算法对东非植被变化进行因子重要性分析，测度不同算法在各情况下的精度差异及适用性，为保护、恢复和促进可持续森林管理、水土流失综合防治提供科学依据。[方法]以东非9个国家2001—2020年的归一化植被指数(normalized difference vegetation index, NDVI)变化为研究对象，选取影响东非植被变化的2个气候因子及5个人类活动因子作为自变量，利用随机森林(random forest, RF)、BP神经网络(BP neural networks, BP)、支持向量机(support vector machines, SVM)、遗传算法(genetic algorithm, GA)、径向基神经网络(radial basis function, RBF)、卷积神经网络(convolutional neural networks, CNN)6种机器学习算法建立NDVI预测模型，以决定系数(R2)、平均绝对误差(MAE, mean absolute error)、平均相对误差(MRE, mean relative error)3个指标评价评估6种机器学习算法预测NDVI变化的潜力，并基于所得的最优模型即对选取的7个因子进行重要性分析。[结果]精度验证结果表明，研究区内在全因子的情况下，CNN算法的回归精度最差；经逐轮删除一个综合表现不佳的算法后，RF算法建立的模型在东非NDVI变化分析中回归精度较高；基于随机森林算法的不同因子变量对NDVI变化的重要性表明，年降水量、N2O排放量、CH4排放量、牲畜数量4个变量对NDVI变化回归的结果影响较大。[结论]随机森林算法的回归能力在东非NDVI模拟中具有相对优势，降水量是影响植被变化最重要的气候因子，同时，温室气体的排放对于东非植被的变化也具有一定的影响。东非各国应提高植被变化对气候环境、社会经济和政治制度相互依存关系的认识和理解，并制定适当的政策以促进可持续森林管理、防治荒漠化。

• 单位
  西北农林科技大学; 中国科学院水利部水土保持研究所