發(fā)布時(shí)間：2020-11-15 09:06

　　 傳統(tǒng)碳源匯估算生態(tài)過(guò)程模型雖然具有嚴(yán)密的植物生理生態(tài)學(xué)機(jī)制,但過(guò)程復(fù)雜,關(guān)鍵參數(shù)依賴經(jīng)驗(yàn)設(shè)置,從而給區(qū)域和全球碳循環(huán)模擬帶來(lái)很大的不確定性。為了提高植被總初級(jí)生產(chǎn)力(GPP)的估算精度,本文使用機(jī)器學(xué)習(xí)算法,建立了數(shù)據(jù)驅(qū)動(dòng)的GPP估算模型。利用GEE平臺(tái)下的EVI、NDVI、降水、溫度等遙感數(shù)據(jù),以及站點(diǎn)的通量塔實(shí)測(cè)GPP數(shù)據(jù),采用隨機(jī)森林回歸模型等機(jī)器學(xué)習(xí)算法建立遙感數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)之間的聯(lián)系,使用模型對(duì)測(cè)試組數(shù)據(jù)進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,機(jī)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(guò)程模型的Modis數(shù)據(jù),可以獲得更為精確的GPP預(yù)測(cè)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(duì)國(guó)內(nèi)外的GPP估算方法進(jìn)行了總結(jié),對(duì)相關(guān)概念進(jìn)行解釋,以及對(duì)大數(shù)據(jù)和機(jī)器學(xué)習(xí)的發(fā)展趨勢(shì)進(jìn)行介紹。(2)選取了全國(guó)八個(gè)具有較強(qiáng)代表性的站點(diǎn)作為研究區(qū)域。獲取站點(diǎn)的通量塔數(shù)據(jù),并使用GEE平臺(tái)收集研究區(qū)域的遙感數(shù)據(jù),進(jìn)行預(yù)處理。對(duì)GEE平臺(tái)的使用進(jìn)行熟悉,充分利用GEE平臺(tái)的功能,使后續(xù)實(shí)驗(yàn)得到高質(zhì)量的數(shù)據(jù)支撐。(3)使用八個(gè)站點(diǎn)的數(shù)據(jù)建立隨機(jī)森林模型,并使用模型對(duì)站點(diǎn)GPP進(jìn)行估算。分析輸入影響因子的重要性,通過(guò)調(diào)參等手段提高隨機(jī)森林模型預(yù)測(cè)的精準(zhǔn)度。最后將隨機(jī)森林算法與另外三種機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比,說(shuō)明隨機(jī)森林回歸模型所具有的優(yōu)勢(shì)。(4)最后使用R~2、RMSE等相關(guān)精度指標(biāo)對(duì)模型預(yù)測(cè)效果進(jìn)行評(píng)估,并與全球公認(rèn)的MODIS數(shù)據(jù)產(chǎn)品進(jìn)行對(duì)比。通過(guò)實(shí)驗(yàn)對(duì)比分析,驗(yàn)證了隨機(jī)森林模型預(yù)測(cè)數(shù)據(jù)具有更高的可靠性。經(jīng)過(guò)大量的實(shí)驗(yàn)分析驗(yàn)證,本文所采取的基于隨機(jī)森林模型的估算方法的方法在GPP估算方面,相對(duì)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(jí)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(tái)Fig.2-2. GEE workbench如圖 2-2 所示，整個(gè)工作臺(tái)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(tái)、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(xiě)的所有 JS 代碼，同時(shí)支持創(chuàng)建文件夾、新文件等。這個(gè)區(qū)主要分為三部分：私有文件，也就是我們自己所寫(xiě)的所有文件；公開(kāi)分享文件，他人所寫(xiě)的公開(kāi)在互聯(lián)網(wǎng)上分享的代碼；示例文件，Google 官方所寫(xiě)的示例代碼。代碼編輯區(qū)：我們所寫(xiě)的所有 GEE 代碼都是在這個(gè)區(qū)域所寫(xiě)，然后點(diǎn)擊“Save”可以保存到文件存儲(chǔ)區(qū)域，點(diǎn)擊“Run”可以運(yùn)行腳本。輸出控制臺(tái)：當(dāng)運(yùn)行腳本所有的輸出內(nèi)容都會(huì)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?cè)?Google 地圖上運(yùn)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(tái)加載結(jié)果Fig.2-3. GEE platform loading results首先根據(jù)通量塔站點(diǎn)經(jīng)緯度位置，選取站點(diǎn)周?chē)?3 個(gè) 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(jìn) GEE 的工作區(qū)，其次根據(jù)需要對(duì)數(shù)據(jù)單位進(jìn)行換算。然后使用 GEE 平臺(tái)的 API 將采樣區(qū)遙感數(shù)據(jù)的平均值按照時(shí)間序列輸出到 GEE 平臺(tái)的輸出控制臺(tái)，如圖 2-3 所示。最后可將輸出控制臺(tái)中的數(shù)據(jù)下載至本地進(jìn)行進(jìn)一步整理和使用。如圖 2-4 為從 GEE 平臺(tái)獲取的長(zhǎng)白山站點(diǎn)降水量數(shù)據(jù)。

圖 2-3. GEE 平臺(tái)加載結(jié)果Fig.2-3. GEE platform loading results首先根據(jù)通量塔站點(diǎn)經(jīng)緯度位置，選取站點(diǎn)周?chē)?3 個(gè) 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(jìn) GEE 的工作區(qū)次根據(jù)需要對(duì)數(shù)據(jù)單位進(jìn)行換算。然后使用 GEE 平臺(tái)的 API 將采樣區(qū)遙感數(shù)據(jù)均值按照時(shí)間序列輸出到 GEE 平臺(tái)的輸出控制臺(tái)，如圖 2-3 所示。最后可將輸制臺(tái)中的數(shù)據(jù)下載至本地進(jìn)行進(jìn)一步整理和使用。如圖 2-4 為從 GEE 平臺(tái)獲取白山站點(diǎn)降水量數(shù)據(jù)。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 沈智勇;蘇翀;周揚(yáng);沈智威;;一種面向非均衡分類的隨機(jī)森林算法[J];計(jì)算機(jī)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(jī)森林模型和決策樹(shù)模型在肝硬化上消化道出血預(yù)后中的應(yīng)用[J];中國(guó)衛(wèi)生統(tǒng)計(jì);2019年02期

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

4 趙藝淞;楊昆;王保云;黎曉路;;隨機(jī)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(bào)(自然科學(xué)版);2017年03期

5 吳辰文;梁靖涵;王偉;李長(zhǎng)生;;一種順序響應(yīng)的隨機(jī)森林:變量預(yù)測(cè)和選擇[J];小型微型計(jì)算機(jī)系統(tǒng);2017年08期

6 顧娟;林敏;鞠桂玲;;基于隨機(jī)森林回歸的軍械器材需求預(yù)測(cè)[J];自動(dòng)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(jī)森林方法及應(yīng)用[J];西北工業(yè)大學(xué)學(xué)報(bào);2015年06期

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

9 楊曉峰;嚴(yán)建峰;劉曉升;楊璐;;深度隨機(jī)森林在離網(wǎng)預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2016年06期

10 張強(qiáng);;隨機(jī)森林在居民購(gòu)房意愿研究中的應(yīng)用[J];現(xiàn)代經(jīng)濟(jì)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(jī)森林的認(rèn)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(jī)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(wèn)題及異常檢測(cè)技術(shù)研究[D];吉林大學(xué);2017年

5 倪強(qiáng);基于隨機(jī)前沿和隨機(jī)森林法的沿海開(kāi)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(cè)研究[D];合肥工業(yè)大學(xué);2017年

7 雷震;隨機(jī)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(jī)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(jī)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(jī)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(jī)森林預(yù)測(cè)模型的建立與驗(yàn)證[D];吉林大學(xué);2019年

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

3 繆琦;基于隨機(jī)森林和支持向量機(jī)的糖尿病風(fēng)險(xiǎn)預(yù)測(cè)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(píng)價(jià)研究[D];云南大學(xué);2018年

5 倪政;基于隨機(jī)森林的興農(nóng)卡農(nóng)戶用信預(yù)測(cè)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?jī)r(jià)時(shí)空分布特征及驅(qū)動(dòng)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(cái)經(jīng)大學(xué);2019年

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

9 胡鋮玥;基于試驗(yàn)數(shù)據(jù)庫(kù)和隨機(jī)森林算法的外貼FRP加固梁條帶抗剪貢獻(xiàn)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(mén)大學(xué);2018年

本文編號(hào)：2884587