论文部分内容阅读
干旱作为全球性的自然灾害,一直以来都是世界各国研究者们关注的焦点,近年来,考虑多要素综合干旱监测方法和不同干旱指数的构建研究,越来越受到重视。本文在研究不同时间尺度干旱指数在干早监测中适用性的基础上,使用TRMM、MODIS-LST、 MODIS-EVI和SRTM (DEM)等多源遥感数据,分别反映降水、温度、植被状况和高程等干旱因子影响,构建了干旱监测模型。并探索了支持向量机(SVM)、人工神经网络(ANN)和分类回归树(CART)等3种数据挖掘算法,以及标准化降水指数(SPI)、标准化降水蒸散指数(SPEI)和综合气象干旱指数(CI)分别作为模型因变量在综合干旱监测模型中的应用效果,主要结论有：(1)在模型构建过程中,模型的参数对于模型效果存在重要影响。本研究在SVM方法构建模型的过程中,利用MATLAB中1ib SVM工具箱,编写了SVM自动化参数优化程序。从而得到的参数组合建立的模型,预测精度较试算法有明显提高。ANN和CART方法构建模型的过程中,使用的参数优化方法为试算法,参数优化过程中,CART方法建立的模型效果对于参数变化的响应不如SVM和ANN模型灵敏。(2)无论是以站点计算的干旱指数进行评价,还是以土壤相对湿度进行精度评价,SVM方法建立的模型,预测值与真值间的均方根误差都保持在一个较低的水平；且在2010年7月的检测结果中,SVM方法建立的模型得到的干旱面积较小,多呈现与山脊线重合的线状分布,表现出对高程较高的敏感性。CART方法建立模型的均方根误差则多高于ANN和SVM方法建立的模型,这表明ANN和SVM方法较CART有一定的优势。(3)从2010年7月的干旱监测结果可以看出,CI指数由于考虑较长时间气象状况,得到的重旱面积偏小；SPEI指数计算中考虑温度要素,而在7月,高温要素可能加剧SPEI对于旱情的考量,所以SPEI模型得到的重旱面积是所有模型中最大的。模型构建因变量对于模型的影响是存在的,所以在后期的研究中,根据研究区的实际情况,选取适合研究区的干旱指数进行模型构建是必要的。(4)根据模型泛化能力评价的结果,模型参数的选取对于模型泛化能力的影响较大。在ANN方法构建模型的过程中,使用快速建模方法构建的SPI和SPEI模型泛化能力最高。而SVM方法建立模型的过程中,惩罚系数C对于模型泛化能力有重要影响。