基于集成学习的全球农地区域旱情监测方法与研究  

作　　者：许立兵 俞乐[3] 杜贞容 周峥 梁逸爽 

机构地区：[1]国家超级计算无锡中心,江苏无锡214011 [2]无锡九方科技有限公司,江苏无锡214011 [3]清华大学地球系统科学系,北京100084

出　　处：《农业与技术》2023年第14期47-54,共8页Agriculture and Technology

基　　金：“十二五”国家重大科技基础设施项目“地球系统数值模拟装置”(项目编号:20223080017);清华大学自主科研计划资助(项目编号:2021Z11GHX002)。

摘　　要：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、LightGBM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。

关 键 词：MODIS数据 遥感指数 相关性分析 机器学习 

分 类 号：S127[农业科学—农业基础科学]