基于集成学习的全球农地区域旱情监测方法与研究
农业是对全球变化响应最为敏感的部门之一,也是国民经济发展和社会稳定的基石.在全球农地区域,利用 2002-2020 年的MODIS 数据分别计算归一化植被指数(NDVI)、植被健康指数(VHI)、叶面积指数(LAI)、总初级生产力指数(GPP),通过皮尔森相关系数(r)分别检验不同遥感指数之间的相关性,以评估不同指数在全球农地监测中的适用性和一致性,结果表明:不同遥感指数在全球的农地区域具有较好的相关性,每8d的NDVI与VHI、LAI、GPP的相关性分别为 0.70、0.72、0.60,呈强相关.基于ERA5 再分析资料,利用机器学习方法对多遥感指数进行融合,提高旱情监测的准确性,基于逻辑回归、贝叶斯模型、XGBoost模型、Light-GBM及Stacking集成学习模型,在测试集上的分类准确率分别为 0.69、0.66、0.84、0.83 及 0.86,基于集成学习融合策略可以有效提高旱情分类的准确率,本文的研究为全球农地旱情监测提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值.
MODIS数据、遥感指数、相关性分析、机器学习
43
S127(农业物理学)
十二五国家重大科技基础设施项目;清华大学自主科研计划资助项目
2023-08-07（万方平台首次上网日期，不代表论文的发表时间）
共8页
47-54
