發(fā)布時間：2020-11-15 09:06

　　 傳統(tǒng)碳源匯估算生態(tài)過程模型雖然具有嚴密的植物生理生態(tài)學(xué)機制,但過程復(fù)雜,關(guān)鍵參數(shù)依賴經(jīng)驗設(shè)置,從而給區(qū)域和全球碳循環(huán)模擬帶來很大的不確定性。為了提高植被總初級生產(chǎn)力(GPP)的估算精度,本文使用機器學(xué)習(xí)算法,建立了數(shù)據(jù)驅(qū)動的GPP估算模型。利用GEE平臺下的EVI、NDVI、降水、溫度等遙感數(shù)據(jù),以及站點的通量塔實測GPP數(shù)據(jù),采用隨機森林回歸模型等機器學(xué)習(xí)算法建立遙感數(shù)據(jù)與實測數(shù)據(jù)之間的聯(lián)系,使用模型對測試組數(shù)據(jù)進行預(yù)測。實驗結(jié)果表明,機器學(xué)習(xí)模型的擬合決定系數(shù)等參數(shù)好于基于生態(tài)過程模型的Modis數(shù)據(jù),可以獲得更為精確的GPP預(yù)測結(jié)果,為GPP估算提供了新的方法。本文的研究工作主要包括:(1)對國內(nèi)外的GPP估算方法進行了總結(jié),對相關(guān)概念進行解釋,以及對大數(shù)據(jù)和機器學(xué)習(xí)的發(fā)展趨勢進行介紹。(2)選取了全國八個具有較強代表性的站點作為研究區(qū)域。獲取站點的通量塔數(shù)據(jù),并使用GEE平臺收集研究區(qū)域的遙感數(shù)據(jù),進行預(yù)處理。對GEE平臺的使用進行熟悉,充分利用GEE平臺的功能,使后續(xù)實驗得到高質(zhì)量的數(shù)據(jù)支撐。(3)使用八個站點的數(shù)據(jù)建立隨機森林模型,并使用模型對站點GPP進行估算。分析輸入影響因子的重要性,通過調(diào)參等手段提高隨機森林模型預(yù)測的精準度。最后將隨機森林算法與另外三種機器學(xué)習(xí)算法進行對比,說明隨機森林回歸模型所具有的優(yōu)勢。(4)最后使用R~2、RMSE等相關(guān)精度指標對模型預(yù)測效果進行評估,并與全球公認的MODIS數(shù)據(jù)產(chǎn)品進行對比。通過實驗對比分析,驗證了隨機森林模型預(yù)測數(shù)據(jù)具有更高的可靠性。經(jīng)過大量的實驗分析驗證,本文所采取的基于隨機森林模型的估算方法的方法在GPP估算方面,相對于其他主流算法有更好的精度。
【學(xué)位單位】：山東師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP311.13;Q948
【部分圖文】：

圖 2-2. GEE 工作臺Fig.2-2. GEE workbench如圖 2-2 所示，整個工作臺可以分為四大部分：腳本文件存放區(qū)、代碼編輯區(qū)、輸出控制臺、結(jié)果地圖展示區(qū)。腳本文件存放區(qū)：這里存放了我們所寫的所有 JS 代碼，同時支持創(chuàng)建文件夾、新文件等。這個區(qū)主要分為三部分：私有文件，也就是我們自己所寫的所有文件；公開分享文件，他人所寫的公開在互聯(lián)網(wǎng)上分享的代碼；示例文件，Google 官方所寫的示例代碼。代碼編輯區(qū)：我們所寫的所有 GEE 代碼都是在這個區(qū)域所寫，然后點擊“Save”可以保存到文件存儲區(qū)域，點擊“Run”可以運行腳本。輸出控制臺：當(dāng)運行腳本所有的輸出內(nèi)容都會在這一區(qū)域顯示，輸出使用的關(guān)鍵字是“print”。地圖展示區(qū)：此區(qū)域是我們在 Google 地圖上運行結(jié)果的腳本的在線顯示。地圖切換工具可用于切換電子地圖或衛(wèi)星圖像地圖。

圖 2-3. GEE 平臺加載結(jié)果Fig.2-3. GEE platform loading results首先根據(jù)通量塔站點經(jīng)緯度位置，選取站點周圍 3 個 MODIS 象元區(qū)域作為遙感數(shù)據(jù)采樣區(qū)，依次將 2003-2007 年的不同種類遙感數(shù)據(jù)圖層加載進 GEE 的工作區(qū)，其次根據(jù)需要對數(shù)據(jù)單位進行換算。然后使用 GEE 平臺的 API 將采樣區(qū)遙感數(shù)據(jù)的平均值按照時間序列輸出到 GEE 平臺的輸出控制臺，如圖 2-3 所示。最后可將輸出控制臺中的數(shù)據(jù)下載至本地進行進一步整理和使用。如圖 2-4 為從 GEE 平臺獲取的長白山站點降水量數(shù)據(jù)。

圖 2-3. GEE 平臺加載結(jié)果Fig.2-3. GEE platform loading results首先根據(jù)通量塔站點經(jīng)緯度位置，選取站點周圍 3 個 MODIS 象元區(qū)域作為遙據(jù)采樣區(qū)，依次將 2003-2007 年的不同種類遙感數(shù)據(jù)圖層加載進 GEE 的工作區(qū)次根據(jù)需要對數(shù)據(jù)單位進行換算。然后使用 GEE 平臺的 API 將采樣區(qū)遙感數(shù)據(jù)均值按照時間序列輸出到 GEE 平臺的輸出控制臺，如圖 2-3 所示。最后可將輸制臺中的數(shù)據(jù)下載至本地進行進一步整理和使用。如圖 2-4 為從 GEE 平臺獲取白山站點降水量數(shù)據(jù)。
【相似文獻】

相關(guān)期刊論文 前10條

1 沈智勇;蘇翀;周揚;沈智威;;一種面向非均衡分類的隨機森林算法[J];計算機與現(xiàn)代化;2018年12期

2 于大海;李金;羅艷虹;劉近春;張巖波;;隨機森林模型和決策樹模型在肝硬化上消化道出血預(yù)后中的應(yīng)用[J];中國衛(wèi)生統(tǒng)計;2019年02期

3 胡蝶;;基于隨機森林的債券違約分析[J];當(dāng)代經(jīng)濟;2018年03期

4 趙藝淞;楊昆;王保云;黎曉路;;隨機森林在城市不透水面提取中的應(yīng)用研究[J];云南師范大學(xué)學(xué)報(自然科學(xué)版);2017年03期

5 吳辰文;梁靖涵;王偉;李長生;;一種順序響應(yīng)的隨機森林:變量預(yù)測和選擇[J];小型微型計算機系統(tǒng);2017年08期

6 顧娟;林敏;鞠桂玲;;基于隨機森林回歸的軍械器材需求預(yù)測[J];自動化應(yīng)用;2017年09期

7 劉迎春;陳梅玲;;流式大數(shù)據(jù)下隨機森林方法及應(yīng)用[J];西北工業(yè)大學(xué)學(xué)報;2015年06期

8 羅超;;面向高維數(shù)據(jù)的隨機森林算法優(yōu)化探討[J];商;2016年04期

9 楊曉峰;嚴建峰;劉曉升;楊璐;;深度隨機森林在離網(wǎng)預(yù)測中的應(yīng)用[J];計算機科學(xué);2016年06期

10 張強;;隨機森林在居民購房意愿研究中的應(yīng)用[J];現(xiàn)代經(jīng)濟信息;2016年13期

相關(guān)博士學(xué)位論文 前10條

1 王曉軍;基于大數(shù)據(jù)的風(fēng)洞馬赫數(shù)集成建模方法的研究[D];東北大學(xué);2016年

2 王鑫;基于隨機森林的認知網(wǎng)絡(luò)頻譜感知算法研究[D];東北大學(xué);2016年

3 姚登舉;面向醫(yī)學(xué)數(shù)據(jù)的隨機森林特征選擇及分類方法研究[D];哈爾濱工程大學(xué);2016年

4 黃玥;VANET信息安全問題及異常檢測技術(shù)研究[D];吉林大學(xué);2017年

5 倪強;基于隨機前沿和隨機森林法的沿海開發(fā)區(qū)發(fā)展效率研究[D];天津大學(xué);2011年

6 季斌;內(nèi)蒙古浩布高地區(qū)多金屬礦綜合信息找礦預(yù)測研究[D];合肥工業(yè)大學(xué);2017年

7 雷震;隨機森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學(xué);2012年

8 金超;基于隨機森林的醫(yī)學(xué)影像分割算法研究及應(yīng)用[D];蘇州大學(xué);2017年

9 李寶富;巨厚礫巖層下回采巷道底板沖擊地壓誘發(fā)機理研究[D];河南理工大學(xué);2014年

10 趙東;基于群智能優(yōu)化的機器學(xué)習(xí)方法研究及應(yīng)用[D];吉林大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 王鳴飛;結(jié)直腸癌術(shù)前N分期的隨機森林預(yù)測模型的建立與驗證[D];吉林大學(xué);2019年

2 王藝博;潛周期時間序列建模和預(yù)測新方法探究[D];上海交通大學(xué);2017年

3 繆琦;基于隨機森林和支持向量機的糖尿病風(fēng)險預(yù)測方法研究[D];江蘇大學(xué);2019年

4 馬江理;現(xiàn)代服務(wù)業(yè)發(fā)展及評價研究[D];云南大學(xué);2018年

5 倪政;基于隨機森林的興農(nóng)卡農(nóng)戶用信預(yù)測模型及應(yīng)用研究[D];中南林業(yè)科技大學(xué);2019年

6 陳云天;南昌市房價時空分布特征及驅(qū)動因素分析[D];江西師范大學(xué);2019年

7 李嬋娟;信用債發(fā)行利差影響因素分析[D];山西財經(jīng)大學(xué);2019年

8 田耕;基于混沌時序—隨機森林回歸的堆石壩料加水量預(yù)測與應(yīng)用研究[D];天津大學(xué);2018年

9 胡鋮玥;基于試驗數(shù)據(jù)庫和隨機森林算法的外貼FRP加固梁條帶抗剪貢獻研究[D];深圳大學(xué);2018年

10 姚雨晨;關(guān)于遺傳性疾病和性狀相關(guān)聯(lián)的單核苷酸多態(tài)性特征研究[D];廈門大學(xué);2018年

本文編號：2884587