3种土壤冻融判别算法在青藏高原的分类精度评价

本文比较了基于AMSR-E被动微波数据的3种土壤冻融判别算法在青藏高原相关地区的分类精度。3种算法分别是：双指标算法、决策树算法、判别函数算法。本文选取了来自青藏高原那曲、玛曲、阿里3个地区土壤温湿度观测网的地表温度数据,并结合AMSR-E被动亮温数据,对上述算法在以上地区的分类精度分别进行了比较评价。结果表明：不论是白天还是夜间,相较于干旱区微波信号来自深层土壤的难以准确探测,在青藏高原半湿润半干旱区算法可取得相对较好的判别准确率;双指标算法相较于其他2种算法,在观测区具有较高的分类精度,且夜间分类精度高于白天;实测数据存在资料代表性不普遍即网格所包含站点信息量不够的问题,这也是后续工作中提高分类精度值得关注的着手点。     

基于随机森林算法的近地表气温遥感反演研究

近地表气温是城市热环境的重要表征,是改变和影响城区气候的重要因素。为获得空间上连续的近地表气温,本文以北京市为研究区,利用Landsat5/TM数据计算分别得到地表温度、归一化植被指数、改进的归一化差异水体指数、地表反照率、不透水面盖度,并结合气象站点气温和高程作为输入参数建立随机森林模型反演近地表气温。结果表明,随机森林反演的近地表气温平均绝对误差（MAE）为0.80 ℃,均方根误差（RMSE）为1.06 ℃,与传统多元线性气温回归方法相比,平均绝对误差（MAE）和均方根误差（RMSE）分别提高0.06 ℃和0.09 ℃。研究表明,利用随机森林模型反演近地表气温是可行的,并且具有一定的优越性。此外,对随机森林模型的输入参数进行重要性分析,地表温度对气温反演模型的影响最大,其次为高程。     

基于随机森林的陕西省西安市近地表气温估算

随着城市规模不断扩大以及人口激增,城市气候与热环境问题日益凸显,开展城市近地表气温遥感监测研究能够为改善城市气候、减缓热岛效应、打造适宜人居环境提供参考。针对传统气温监测方法在多因素复杂关系模拟中的局限性,以陕西省西安市为研究对象,运用可以集成多要素、学习复杂、非线性映射关系的随机森林(Random Forest, RF)模型,基于Landsat 8卫星遥感数据以及SRTM高程数据相关参数的综合分析,构建多种近地表气温估算的随机森林模型,通过性能对比评估优选最佳模型,估算了2016年5月16日西安市近地表气温,分析了近地表气温的空间分布特征。结果表明：在所有近地表气温影响因子中,高程对随机森林模型近地表气温估算的贡献度最大,其次是地表温度。所有随机森林模型训练集的判定系数(R²)均高于0.916,均方根误差(RMSE)均低于0.467℃,验证集判定系数均高于0.726,均方根误差均低于0.840℃;训练集判定系数均高于验证集,均方根误差均低于验证集;最优随机森林模型训练集判定系数为0.934,均方根误差为0.425℃,验证集判定系数为0.795,均方根误差为0.7...     

基于随机森林算法的地表温度鲁棒降尺度方法

陆地表面温度是描述区域或者全球范围内陆地表面与大气的相互作用和能量平衡最重要的环境参数之一。针对目前尚未有遥感卫星能够同时提供具有高时间和高空间分辨率的地表温度产品的问题,国内外学者发展了多种对低空间分辨率的地表温度进行降尺度的算法。然而,由于对地表温度解释变量和降尺度模型的选择往往具有区域局限性,导致了降尺度模型的泛化能力受到了一定的限制。本文首先评估了地表反射率、遥感光谱指数、地形因子、地表覆盖、经纬度以及基本状态变量6类环境参量与地表温度之间的相关关系,并在此基础上筛选出最佳解释变量;同时,结合在非线性回归问题上表现比较优秀的随机森林算法,建立了一种鲁棒性的基于随机森林算法地表温度降尺度模型（RRF）。本文选取了中国范围内具有代表性的11个地区作为主要研究区,将空间分辨率为1 km的MODIS地表温度产品降尺度至90 m。以北京市2个典型地表类型的子区域为代表研究区,通过与传统的基于归一化植被指数与地表温度相关关系的TsHARP模型,以及基于红波段和近红外波段以及地表高程作为尺度因子建立的简单Basic-RF模型的对比分析可得,RRF模型在2个子研究区降尺度结果均优于TsHARP模型和Basic-RF模型,其均方根误差分别为2.39 K和2.27 K。通过进一步对2个子研究区训练的RRF进行交叉验证,证明在一个研究区训练的RRF应用至另一研究区的降尺度时,RRF模型表现出了较好的鲁棒性,降尺度结果的均方根误差分别为2.56 K和2.44 K,精度误差相差仅为0.17 K。通过将RRF应用于中国范围内的多个研究区,结果表明利用少量训练数据构建的RRF模型适用于大范围的区域,地表温度降尺度结果都能取得较好的精度。