基于随机森林算法的青藏高原AMSR2被动微波雪深反演

• 作者: 刘畅宇 周敏强 王云龙 王健顺 黄晓东
• 来源期刊: 冰川冻土
• 学科: 地球科学
• 关键词: 随机森林算法 青藏高原 雪深反演 AMSR2
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 冰冻圈技术
• 页码范围: 1077-1086
• 页数: 10页
• 分类号: P426.63+5
• 语种: 中文
• DOI: 10.7522/j.issn.1000-0240.2020.0080

摘要

青藏高原因其复杂的地形地势和和积雪分布使得多种雪深算法未达到理想的精度.基于新一代被动微波数据AMSR2(Advanced Microwave Scanning Radiometer 2),应用随机森林算法(Random Forest,RF)将亮温(Brightness Temperature,BT)和亮温差(Brightness Temperature Difference,BTD)作为参数输入,并将高程和纬度参数引入雪深反演模型中,经过模拟退火算法进行有效反演因子筛选,构建了基于随机森林算法的青藏高原雪深反演模型.结果表明:与AMSR2全球雪深产品相比,随机森林算法的拟合优度(R2)由0.41提升至0.60,均方根误差(Root Mean Square Error,RMSE)由7.36 cm降至4.88 cm,偏差(BIAS)由3.24 cm减小至-0.16 cm,随机森林雪深反演模型在青藏高原的精度更高;青藏高原平均海拔超过4000 m,当海拔大于青藏高原平均海拔时,随机森林算法的反演效果最差,但RMSE仅为3.78 cm,BIAS仅为-0.09 cm;高原南部(25°～30°N)因其复杂的地势和相对较少的气象站点使得反演效果较差,RMSE为5.94 cm,BIAS为-0.39 cm;青藏高原的主要土地覆盖类型为草地,随机森林算法在草地的RMSE约为3 cm,BIAS接近0 cm.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄晓东		18	399	11.0	18.0
2	王云龙		3	14	2.0	3.0
3	王健顺		2	0	0.0	0.0
4	周敏强		2	0	0.0	0.0
5	刘畅宇		2	0	0.0	0.0