10.7522/j.issn.1000-0240.2022.0026
基于光谱-环境随机森林回归模型的MODIS积雪面积比例反演研究
积雪面积比例(Fractional Snow Cover,FSC)数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度,相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积.基于机器学习的随机森林回归模型可以表示高维的非线性关系,可显著提高MODISFSC的反演精度.采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归(Spectral Environment Random Forest Regressor,SE-RFR)模型,用于MODIS数据反演中国区域的FSC.利用中国典型积雪区内由Landsat 8地表反射率数据获取的FSC数据作为参考值,对SE-RFR模型的反演精度进行评估.研究表明,利用"SE-RFR"获取的FSC数据RMSE、MAE分别为0.160、0.104,精度较高.此外,根据SE-RFR模型与未加入环境信息的随机森林回归(S-RFR)模型比较结果可知,加入环境信息的随机森林回归模型提高了FSC反演的精度,特别是在受环境信息影响较大的青藏高原地区,RMSE从0.200降低到0.181.最后,将SE-RFR模型与目前使用广泛的MODIS FSC反演模型FSC_NDSI、MODSCAG和SSEmod进行了比较,结果表明SE-RFR模型的RMSE与FSC_NDSI、MODSCAG和SSEmod模型的RMSE相比,平均RMSE分别提高了 12.0%、8.3%和5.5%.总体来说,SE-RFR模型可以准确地提取MODIS FSC,对于区域乃至全球FSC产品制备具有广泛的应用前景.
MODIS、光谱信息、环境信息、积雪面积比例、FSC、随机森林
44
P426.63+5;TP75(气象基本要素、大气现象)
国家重点研发计划;国家自然科学基金;国家自然科学基金;兰州交通大学优秀平台资助
2022-04-24(万方平台首次上网日期,不代表论文的发表时间)
共12页
147-158