基于机器学习的综合干旱监测建模及在西南地区应用

干旱是由降水不足引起的,受温度、蒸散发等各种环境因素的影响,导致缺水和作物歉收。传统的干旱监测方法主要侧重于气象、水文等单一因子,而对多因子综合干旱监测的研究相对有限。本文利用2001—2015年的温度状态指数（TCI）、植被状态指数（VCI）、植被供水状况指数（VSWI）、降水状态指数（PCI）、土壤湿度状态指数（SMCI）、高程（DEM）及田间持水量（AWC）等7个干旱因子为自变量,以综合气象干旱指数（CI）为因变量,利用随机森林（RF）、增强回归树（BRT）和人工神经网络（ANN）构建干旱监测模型,并以西南五省为研究区进行了评价和分析。结果表明,基于人工神经网络的干旱监测指标（ANN-CI）预测效果最好,在测试集中预测值和观测值间的可决系数（R²）为0.94,均方根误差（RMSE）为0.23。三种基于机器学习的综合干旱指标均在草地区表现最好,林区精度最差。在2001—2015年间,ANN-CI和植被生长状况具有显著的时空相关性（R²=0.70,p<0.01）。最后选用ANN-CI对西南地区2009/2010年干旱事件的发展过程进行...