期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于机器学习的内蒙古地区SMAP L4土壤水分产品降尺度模型
1
作者 边朝阳 黄方 +3 位作者 何伟丙 张巧凤 芦童童 关皓 《测绘通报》 2025年第9期19-25,共7页
随着全球气候变暖的加剧,干旱灾害在内蒙古地区日益频发,对农牧业生产、生态环境和地区可持续发展构成严重威胁。土壤水分作为反映干旱灾害最直接的指标,对内蒙古地区的农牧业生产、生态环境具有重要影响,但目前获取高时空分辨率的土壤... 随着全球气候变暖的加剧,干旱灾害在内蒙古地区日益频发,对农牧业生产、生态环境和地区可持续发展构成严重威胁。土壤水分作为反映干旱灾害最直接的指标,对内蒙古地区的农牧业生产、生态环境具有重要影响,但目前获取高时空分辨率的土壤水分数据存在困难,传统监测方法难以满足需求。本文首先利用Google Earth Engine强大的云存储与计算能力,获取内蒙古地区长时序的Sentinel-1 SAR、SMAP L4、Landsat 8、MODIS LST、DEM等遥感数据,并进行预处理、统一时间尺度与空间分辨率等操作;然后通过相关性分析,筛选出与SMAP L4土壤水分相关性最大的降尺度因子,分别利用随机森林、支持向量机与分类回归树3种机器学习算法,结合筛选后的降尺度因子,开展土壤水分降尺度试验,得到研究区域1 km高空间分辨率与高精度的土壤水分数据;最后将降尺度结果与SMAP L4重采样数据及土壤水分公开数据集进行对比验证。结果表明,基于随机森林的降尺度模型结果平均R值高达0.84,平均MAE为0.049 m^(3)/m^(3),且RMSE和ubRMSD均明显小于其他两种模型,在研究区具有最佳的降尺度效果。本文基于创新数据处理方法、精细降尺度因子筛选机制及多种机器学习算法对比应用,为内蒙古地区获取长时序、高分辨率、高精度土壤水分数据提供了有效方案,对当地农牧业、干旱监测和可持续发展具有重要意义。 展开更多
关键词 GEE 机器学习 SMAP 土壤水分降尺度 主被动微波遥感
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部