基于大数据的碳源汇估算方法研究

发布时间：2020-11-15 09:06

　　 传统碳源汇估算生态过程模型虽然具有严密的植物生理生态学机制,但过程复杂,关键参数依赖经验设置,从而给区域和全球碳循环模拟带来很大的不确定性。为了提高植被总初级生产力(GPP)的估算精度,本文使用机器学习算法,建立了数据驱动的GPP估算模型。利用GEE平台下的EVI、NDVI、降水、温度等遥感数据,以及站点的通量塔实测GPP数据,采用随机森林回归模型等机器学习算法建立遥感数据与实测数据之间的联系,使用模型对测试组数据进行预测。实验结果表明,机器学习模型的拟合决定系数等参数好于基于生态过程模型的Modis数据,可以获得更为精确的GPP预测结果,为GPP估算提供了新的方法。本文的研究工作主要包括:(1)对国内外的GPP估算方法进行了总结,对相关概念进行解释,以及对大数据和机器学习的发展趋势进行介绍。(2)选取了全国八个具有较强代表性的站点作为研究区域。获取站点的通量塔数据,并使用GEE平台收集研究区域的遥感数据,进行预处理。对GEE平台的使用进行熟悉,充分利用GEE平台的功能,使后续实验得到高质量的数据支撑。(3)使用八个站点的数据建立随机森林模型,并使用模型对站点GPP进行估算。分析输入影响因子的重要性,通过调参等手段提高随机森林模型预测的精准度。最后将随机森林算法与另外三种机器学习算法进行对比,说明随机森林回归模型所具有的优势。(4)最后使用R~2、RMSE等相关精度指标对模型预测效果进行评估,并与全球公认的MODIS数据产品进行对比。通过实验对比分析,验证了随机森林模型预测数据具有更高的可靠性。经过大量的实验分析验证,本文所采取的基于随机森林模型的估算方法的方法在GPP估算方面,相对于其他主流算法有更好的精度。
【学位单位】：山东师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP311.13;Q948
【部分图文】：

图 2-2. GEE 工作台Fig.2-2. GEE workbench如图 2-2 所示，整个工作台可以分为四大部分：脚本文件存放区、代码编辑区、输出控制台、结果地图展示区。脚本文件存放区：这里存放了我们所写的所有 JS 代码，同时支持创建文件夹、新文件等。这个区主要分为三部分：私有文件，也就是我们自己所写的所有文件；公开分享文件，他人所写的公开在互联网上分享的代码；示例文件，Google 官方所写的示例代码。代码编辑区：我们所写的所有 GEE 代码都是在这个区域所写，然后点击“Save”可以保存到文件存储区域，点击“Run”可以运行脚本。输出控制台：当运行脚本所有的输出内容都会在这一区域显示，输出使用的关键字是“print”。地图展示区：此区域是我们在 Google 地图上运行结果的脚本的在线显示。地图切换工具可用于切换电子地图或卫星图像地图。

图 2-3. GEE 平台加载结果Fig.2-3. GEE platform loading results首先根据通量塔站点经纬度位置，选取站点周围 3 个 MODIS 象元区域作为遥感数据采样区，依次将 2003-2007 年的不同种类遥感数据图层加载进 GEE 的工作区，其次根据需要对数据单位进行换算。然后使用 GEE 平台的 API 将采样区遥感数据的平均值按照时间序列输出到 GEE 平台的输出控制台，如图 2-3 所示。最后可将输出控制台中的数据下载至本地进行进一步整理和使用。如图 2-4 为从 GEE 平台获取的长白山站点降水量数据。

图 2-3. GEE 平台加载结果Fig.2-3. GEE platform loading results首先根据通量塔站点经纬度位置，选取站点周围 3 个 MODIS 象元区域作为遥据采样区，依次将 2003-2007 年的不同种类遥感数据图层加载进 GEE 的工作区次根据需要对数据单位进行换算。然后使用 GEE 平台的 API 将采样区遥感数据均值按照时间序列输出到 GEE 平台的输出控制台，如图 2-3 所示。最后可将输制台中的数据下载至本地进行进一步整理和使用。如图 2-4 为从 GEE 平台获取白山站点降水量数据。
【相似文献】

相关期刊论文 前10条

1 沈智勇;苏翀;周扬;沈智威;;一种面向非均衡分类的随机森林算法[J];计算机与现代化;2018年12期

2 于大海;李金;罗艳虹;刘近春;张岩波;;随机森林模型和决策树模型在肝硬化上消化道出血预后中的应用[J];中国卫生统计;2019年02期

3 胡蝶;;基于随机森林的债券违约分析[J];当代经济;2018年03期

4 赵艺淞;杨昆;王保云;黎晓路;;随机森林在城市不透水面提取中的应用研究[J];云南师范大学学报(自然科学版);2017年03期

5 吴辰文;梁靖涵;王伟;李长生;;一种顺序响应的随机森林:变量预测和选择[J];小型微型计算机系统;2017年08期

6 顾娟;林敏;鞠桂玲;;基于随机森林回归的军械器材需求预测[J];自动化应用;2017年09期

7 刘迎春;陈梅玲;;流式大数据下随机森林方法及应用[J];西北工业大学学报;2015年06期

8 罗超;;面向高维数据的随机森林算法优化探讨[J];商;2016年04期

9 杨晓峰;严建峰;刘晓升;杨璐;;深度随机森林在离网预测中的应用[J];计算机科学;2016年06期

10 张强;;随机森林在居民购房意愿研究中的应用[J];现代经济信息;2016年13期

相关博士学位论文 前10条

1 王晓军;基于大数据的风洞马赫数集成建模方法的研究[D];东北大学;2016年

2 王鑫;基于随机森林的认知网络频谱感知算法研究[D];东北大学;2016年

3 姚登举;面向医学数据的随机森林特征选择及分类方法研究[D];哈尔滨工程大学;2016年

4 黄玥;VANET信息安全问题及异常检测技术研究[D];吉林大学;2017年

5 倪强;基于随机前沿和随机森林法的沿海开发区发展效率研究[D];天津大学;2011年

6 季斌;内蒙古浩布高地区多金属矿综合信息找矿预测研究[D];合肥工业大学;2017年

7 雷震;随机森林及其在遥感影像处理中应用研究[D];上海交通大学;2012年

8 金超;基于随机森林的医学影像分割算法研究及应用[D];苏州大学;2017年

9 李宝富;巨厚砾岩层下回采巷道底板冲击地压诱发机理研究[D];河南理工大学;2014年

10 赵东;基于群智能优化的机器学习方法研究及应用[D];吉林大学;2017年

相关硕士学位论文 前10条

1 王鸣飞;结直肠癌术前N分期的随机森林预测模型的建立与验证[D];吉林大学;2019年

2 王艺博;潜周期时间序列建模和预测新方法探究[D];上海交通大学;2017年

3 缪琦;基于随机森林和支持向量机的糖尿病风险预测方法研究[D];江苏大学;2019年

4 马江理;现代服务业发展及评价研究[D];云南大学;2018年

5 倪政;基于随机森林的兴农卡农户用信预测模型及应用研究[D];中南林业科技大学;2019年

6 陈云天;南昌市房价时空分布特征及驱动因素分析[D];江西师范大学;2019年

7 李婵娟;信用债发行利差影响因素分析[D];山西财经大学;2019年

8 田耕;基于混沌时序—随机森林回归的堆石坝料加水量预测与应用研究[D];天津大学;2018年

9 胡铖玥;基于试验数据库和随机森林算法的外贴FRP加固梁条带抗剪贡献研究[D];深圳大学;2018年

10 姚雨晨;关于遗传性疾病和性状相关联的单核苷酸多态性特征研究[D];厦门大学;2018年

本文编号：2884587