基于大数据的碳源汇估算方法研究

论文摘要

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。

论文目录

摘要

ABSTRACT

第一章绪论

1.1 课题的研究背景

1.2 相关概念

1.2.1 碳源汇相关概念

1.2.2 总初级生产力相关概念

1.2.3 机器学习及大数据相关概念

1.3 国内外研究现状

1.3.1 调查实测法

1.3.2 涡度相关通量观测

1.3.3 模型模拟

1.4 本文的组织结构

第二章研究区与数据

2.1 研究区域概况

2.2 研究数据

2.3 GEE平台

2.3.1 GEE平台获取数据方法

2.3.2 使用GEE平台计算普氏原羚生活区npp

2.4 本章小结

第三章随机森林算法对GPP的预测研究

3.1 引言

3.2 研究方法

3.3 随机森林回归方法

3.4 回归预测特征重要性和模型参数

3.5 随机森林回归模型预测结果

3.6 本章小结

第四章其他机器学习方法估算GPP

4.1 引言

4.2 研究方法

4.3 实验结果分析

4.4 机器学习回归模型预测结果

4.5 本章小结

第五章 MODIS数据对比

5.1 MOD17 介绍

5.2 MODIS数据分析对比

第六章结论与展望

6.1 论文主要研究内容及结论

6.2 下一步工作

参考文献

攻读硕士期间的主要成果

致谢

文章来源

类型: 硕士论文

作者: 张坤

导师: 刘乃文

关键词: 机器学习,随机森林回归,碳循环,估算,遥感大数据,平台

来源: 山东师范大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,计算机软件及计算机应用

单位: 山东师范大学

分类号: TP311.13;Q948

总页数: 45

文件大小: 3204K

下载量: 254

基于大数据的碳源汇估算方法研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢