基于3种机器学习法的黄土高原农业干旱监测比较研究_王晓燕_2022

#pic_center =x260)

摘要

  本文集成 MODIS、TRMM、GLDAS 和再分析等多源数据，选取了 13 个与干旱有关的变量，并与基于气象数据的 3 个月时间尺度的标准化降水蒸发指数（SPEI-3）进行相关性分析，根据相关性高低确定了输入模型的变量；在黄土高原干旱、半干旱和半湿润区域分别利用随机森林（RF）、支持向量机（SVM）和 BP 神经网络 3种机器学习法训练模型，比较所有模型的精度和误差，找到不同区域中精度最高、误差最小的机器学习方法，利用该机器学习方法在不同区域中的训练模型得到能够监测黄土高原农业干旱的多变量综合干旱指数（MCDI）；选取基于气象数据的 SPEI-3 指数、帕默尔干旱指数（PDSI）和植被健康指数（VHI）对 MCDI 干旱指数进行有效性检验；最后利用 MCDI 干旱指数分析了黄土高原 2003-2020 年生长季农业干旱的时空变化趋势和特征。

关键词

农业干旱；机器学习；SPEI；遥感

1 引言

  本文的技术路线如图 1-1 所示，首先利用 MODIS 数据、TRMM 数据、GLDAS数据、再分析数据集 ECVs、TerraClimate 网格降水数据计算和获取了共 13 个与干旱相关的变量，分别是 NDVI、VCI、FPAR、LST、TCI、SMCI、ZSM、RH、PCI、SPI-1、SPI-3、ET、PET，还计算得到基于气象数据的 SPEI-3 指数，13 个变量与SPEI-3 指数进行相关性分析，确定了植被生长季逐月进入模型的变量，然后在研究区干旱、半干旱和半湿润区域中分别利用随机森林、支持向量机和 BP 神经网络3 种机器学习方法训练农业干旱监测模型，比较所有模型的精度和误差，找到精度最高、误差最小的机器学习方法，利用该机器学习方法在不同区域中的训练模型得到整个研究区的 MCDI 干旱指数，使用基于气象数据的 SPEI-3 指数、PDSI 和VHI 对 MCDI 干旱指数进行了有效性检验。最后利用 MCDI 干旱指数分析了黄土高原 18 年农业干旱的时空变化分布特征。

2 研究区与数据

黄土高原位于 100°54’-114°33’E，33°43’-41°16’N之间，是我国四大高原之一。黄土高原气象站点以及高程如图 2-1 所示。

2.2 数据
本文的研究区为整个黄土高原，研究的时间范围为 2003-2020 年每年的 4-10月（植被生长季），数据的时间分辨率统一为一个月，空间分辨率统一为 1 km。
2.2.1 MODIS数据
中分辨率成像光谱仪（MODIS）是用来观测全球生物和物理过程的传感器。36 个波段的波谱范围在 0.4μm-14.4μm，重访周期在 1-2 天，空间分辨率有 1 km、500 m、250 m。MODIS数据全球免费、获取容易、光谱范围广、更新快。本文选择了黄土高原 2003-2020 年 4-10 月的 5 种MODIS产品（http://ladsweb.nascom.nasa. gov ），包括植被指数产品MOD13A2 和MYD13A2、地表温度产品MOD11A2、蒸散发产品MOD16A2 以及植被光合有效辐射吸收系数产品MOD15A2。
（1）植被指数
本文利用了MOD13A2 和MYD13A2 产品中的NDVI数据，两种产品的时间分辨率为 16 天，空间分辨率为 1 km，两种产品每年第一天开始时间相差 8 天，交叉使用时间分辨率变为 8 天。
（2）地表温度
地表温度（LST）本文选择了MOD11A2 产品中白天的温度数据，时间分辨率为 8 天，空间分辨率为 1 km。
（3）蒸散发
本文使用了MOD16A2 产品中的蒸散发（ET）与潜在蒸散发（PET）数据，时间分辨率为 8 天，空间分辨率为 500 m。ET与PET数据的有效值在-32767-32700。
（4）植被光合有效辐射吸收系数（FPAR）
本文还选择了MOD15A2 产品中的光合有效辐射系数（FPAR），FPAR通过对比植被吸收光合有效辐射的能力来监测植被生长的健康状况。该数据时间分辨率为 8 天，空间分辨率为 500 m。数据的有效值在 0-100 间。
2.2.2 GLDAS数据产品
本文采用2003-2020年4-10月CLM模型下0-10 cm的土壤水分和根区土壤水分两种数据，数据时间分辨率为月，空间分辨率为 0.25°。
2.2.3 TRMM数据
本文下载了 2003-2020 年TRMM3B43 降水数据，空间分辨率为 0.25°，时间分辨率为月。
2.2.4 研究区干湿划分数据
本文为了能够更加精确的监测研究区的农业干旱，选择了湿润状况划分数据，将研究区分为半湿润、半干旱和干旱区域，具体分布如图 2-2，在不同区域中分别应用机器学习训练模型进行农业干旱监测研究。

2.2.5 再分析数据
本文选择了ECVs（Essential Climate Variables ）数据集（https://cds.climate.copernicus.eu/），它是基于气候再分析ERA5 和 ERA-Interim重新分析生成的，数据集可免费提供全球范围1979 年至今的数据，包括地表温度、总降水量、0-7 cm的土壤水分、地表空气相对湿度以及海冰覆盖度等。本文选择了该数据集下 2003-2020 年的地表空气相对湿度数据，时间分辨率为月，空间分辨率为 0.25°，单位为%。
2.2.6 TerraClimate网格降水数据
TerraClimate是全球网格气象数据集（https://climatedataguide.ucar.edu/），是基于CRU TS4.0 数据生成的，具有更加精细分空间分辨率，数据集免费提供 1958 年至今的高分辨率降水、最高和最低温度、土壤水分、实际蒸散发等地表信息，该数据集的空间分辨率为 4 km，时间分辨率为月。本文下载了 2003-2020 年的网格气象降水数据，用于计算 1 月和 3 月时间尺度的标准化降水指数（SPI）。
2.2.7 气象数据
本文从国家气象数据网（http://data.cma.cn）下载了 1980-2020 年黄土高原区域 110 个气象站点的月降水量、月平均气温数据，研究区气象站点分布如图 2-1 所示。
月降水量与月均气温站点数据用来计算 3 个月时间尺度的标准化降水蒸发指数（SPEI-3）。研究表明与其他时间尺度的SPEI相比，SPEI-3 对农业干旱监测更有优势，因此本文选择 3 个月时间尺度的SPEI分析黄土高原区域的农业干旱[57]。

6 结论

本文以黄土高原为研究区，集成多源数据，利用随机森林、支持向量机和 BP神经网络 3 种机器学习方法分别训练了农业干旱监测模型，比较所有模型的精度和误差，找到不同区域中精度最高、误差最小的机器学习方法，利用该机器学习方法在不同区域中的训练模型得到整个研究区的 MCDI 干旱指数；选取基于气象数据的 SPEI-3 干旱指数、PDSI 和 VHI 干旱指数对 MCDI 干旱指数进行有效性检验；最后利用 MCDI 干旱指数从干旱变化趋势、干旱发生频率和覆盖面积率分析了黄土高原 2003-2020 年生长季农业干旱的时空变化趋势和特征。通过本文的研究得到以下主要结论：
（1）比较干旱、半干旱和半湿润区域中利用 3 种机器学习方法训练得到的模型的决定系数和误差发现，在 3 种区域中随机森林方法训练的模型决定系数最高且误差最小，与支持向量机和 BP 神经网络相比，随机森林方法训练的干旱监测模型性能更好，说明随机森林方法更适合应用于黄土高原区域的农业干旱监测。同时发现 3 种机器学习方法在半湿润区域中的精度均比干旱和半干旱区域中好。
（2）利用随机森林方法在不同区域中的训练模型得到整个研究区的 MCDI 干旱指数，选取基于气象数据的 SPEI-3 指数对 MCDI 干旱指数进行有效性检验结果表明，两者拥有较高的相关性，站点变化趋势一致性均较好，说明 MCDI 干旱指数能够应用于实际的旱情监测。对比 MCDI、PDSI 和 VHI 的干旱监测能力发现，MCDI 在农业干旱监测中精度更高，在局部区域的干旱监测中更有优势。说明考虑多种致旱因子，利用随机森林方法训练得到的 MCDI 干旱指数提高了干旱监测的准确度。
（3）黄土高原农业生长季干旱空间分布具有明显的区域性，2003-2020 年研究区在山西与河南交界处及周边旱情随时间变化旱情不断加重，宁夏与甘肃周边旱情有所缓解。2003-2020 年每年农业生长季 MCDI 均值在月时间尺度上整体呈增大趋势，说明研究区生长季干旱在月尺度上变化明显。4 月 MCDI 均值在 2014 年后呈下降趋势，5 月整体较低，6-8 月在 2012 年后显著上升，9-10 月除个别年份均较高。
（4）黄土高原农业生长季干旱发生频率在 2003-2020 年整体呈现先增长后减小再增长的趋势，干旱发生频率具有明显的区域性，干旱发生频率较高的区域在宁夏和内蒙古，整体上呈现从西北向东南递减的趋势。4 月份重度干旱和极端干旱的占比最高，5-7 月份以及 9-10 月份轻度干旱和中度干旱占比高，8 月份轻度干旱和重度干旱占比较高。