基于多源遙感數(shù)據(jù)和隨機森林的綜合旱情指標(biāo)構(gòu)建

董 婷 任 東 邵 攀 孟令奎

(1.三峽大學(xué)計算機與信息學(xué)院， 宜昌 443002； 2.武漢大學(xué)遙感信息工程學(xué)院， 武漢 430079)

0 引言

干旱是全球最常見的自然災(zāi)害之一，持續(xù)時間長，波及范圍廣[1-2]。受全球氣候變暖影響，近年來干旱災(zāi)害呈上升趨勢[3]。旱災(zāi)不僅影響農(nóng)業(yè)生產(chǎn)，造成直接經(jīng)濟損失，而且給社會發(fā)展和人民生活帶來巨大影響[4-5]。研究干旱時空演變特征、提高預(yù)警預(yù)報水平和能力具有重要的現(xiàn)實意義。遙感技術(shù)具有快速、經(jīng)濟、宏觀、數(shù)據(jù)連續(xù)等優(yōu)勢，是當(dāng)前實現(xiàn)大面積農(nóng)業(yè)旱情監(jiān)測的重要手段[6-7]。

植被長勢與土壤水分密切相關(guān)，通過植被指數(shù)比較不同時期植被長勢情況，是遙感監(jiān)測旱情狀態(tài)的重要途徑，常用植被指數(shù)包括歸一化植被指數(shù)(Normalized difference vegetation index, NDVI)[8]、增強型植被指數(shù)(Enhanced vegetation index, EVI)[9]、植被狀態(tài)指數(shù)(Vegetation condition index, VCI)[10]等。地表溫度(Land surface temperature, LST)也是旱情監(jiān)測需考慮的一個重要因素，KOGAN[11]基于地表溫度建立溫度狀態(tài)指數(shù)(Temperature condition index, TCI)，并將VCI和TCI進行線性加權(quán)，提出植被健康指數(shù)(Vegetation health index, VHI)。農(nóng)業(yè)干旱是因長時間降水異常短缺造成土壤缺水，導(dǎo)致作物產(chǎn)量減少甚至無收的一種氣象災(zāi)害[12]，氣候降水和土壤濕度是農(nóng)業(yè)干旱的重要關(guān)聯(lián)因子。DU等[13]在構(gòu)建綜合旱情指數(shù)時考慮降水因子，利用TRMM降水?dāng)?shù)據(jù)建立降水狀態(tài)指數(shù)(Precipitation condition index, PCI)，效果顯著。ZHANG等[14]對AMSR-E土壤濕度數(shù)據(jù)進行歸一化，得到土壤濕度狀態(tài)指數(shù)(Soil moisture condition index, SMCI)；通過對SMCI、TCI和PCI進行線性加權(quán)構(gòu)建微波集成旱情指數(shù)(Microwave integrated drought index, MIDI)，實驗表明，由MIDI反演得到的旱情空間分布與實測值有較好的一致性。

隨著長時序遙感數(shù)據(jù)的積累，除了簡單線性加權(quán)方法外，利用機器學(xué)習(xí)方法構(gòu)建旱情監(jiān)測模型已成為實施遙感旱情監(jiān)測的另一主要途徑[15-17]。然而，當(dāng)前基于機器學(xué)習(xí)的旱情監(jiān)測方法多采用單一分類器，由于農(nóng)業(yè)旱情關(guān)聯(lián)因子的多樣性和不確定性，單分類器旱情監(jiān)測方法的監(jiān)測效果不夠理想。集成學(xué)習(xí)通過將多個分類器聯(lián)合，能夠減少單分類器的泛化誤差[18-19]，為提高遙感旱情監(jiān)測精度提供一種可能途徑。隨機森林是BREIMAN[20]提出的一種多決策樹集成學(xué)習(xí)方法，具有較高的分類精度和擬合能力[21-22]，已在土地覆蓋分類[23-25]、生物量估計[26-27]等環(huán)境遙感領(lǐng)域得到廣泛應(yīng)用，但在旱情監(jiān)測方面的相關(guān)研究較少。

本文以實測標(biāo)準化降水蒸散指數(shù)作為旱情參考指標(biāo)，利用隨機森林方法構(gòu)建一種綜合旱情監(jiān)測模型。首先通過相關(guān)性分析對不同遙感旱情單因子指數(shù)的旱情監(jiān)測效果進行對比，選取特定時間的建模因子，然后利用隨機森林回歸算法對多源旱情相關(guān)信息進行融合，建立一種多因子集成的旱情狀態(tài)指數(shù)(Integrated drought condition index, IDCI-RF)，最后利用IDCI-RF對中國北部區(qū)域大范圍旱情空間分布進行評估，以期為實施旱災(zāi)狀態(tài)監(jiān)測、制定防災(zāi)減災(zāi)決策提供參考和依據(jù)。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

本文針對大空間范圍農(nóng)業(yè)旱情監(jiān)測展開研究，選擇北方地區(qū)作為研究區(qū)(圖1)，處于34°38′～45°46′N、108°7′～130°44′E，覆蓋范圍包括吉林省、遼寧省、北京市、天津市、河北省、山西省、山東省，以及內(nèi)蒙古自治區(qū)、黑龍江省、陜西省、河南省部分區(qū)域。

圖1 研究區(qū)概況Fig.1 Maps of study area

依據(jù)全球MODIS土地覆蓋分類產(chǎn)品MCD12C1的分類結(jié)果，研究區(qū)主要土地覆蓋類型為草原、作物區(qū)和林地，其中，草原地區(qū)主要分布在內(nèi)蒙古自治區(qū)、山西省北部和河北省北部部分地區(qū)，山東省以作物覆蓋為主，作物區(qū)還分布在河北省南部、吉林省和遼寧省部分區(qū)域(圖1b)。根據(jù)柯本氣候分類法，研究區(qū)的氣候環(huán)境主要是干帶草原氣候和冬干冷溫氣候，不同氣候類型區(qū)域處的降水與氣溫存在較大差異(圖1c)。受東亞季風(fēng)氣候影響，研究區(qū)降水不均，易受旱澇等自然災(zāi)害影響。

1.2 氣象數(shù)據(jù)

從氣象數(shù)據(jù)共享服務(wù)網(wǎng)(http:∥cdc.cma.gov.cn/)獲取研究區(qū)內(nèi)所有氣象站點1961—2012年間月降水量以及平均氣溫，通過對所有站點氣象數(shù)據(jù)整理和分析，確定132個包含所有數(shù)據(jù)記錄的氣象站(圖1a)。分別計算各省份所有站點的月降水量和平均氣溫算術(shù)平均值，以評估該省份的區(qū)域旱情狀況。

VICENTE-SERRANO等[28]提出標(biāo)準化降水蒸散指數(shù)(Standardized precipitation evapotranspiration index, SPEI)。SPEI結(jié)合了帕默爾干旱指數(shù)PDSI對蒸散的響應(yīng)以及標(biāo)準化降水指數(shù)SPI多時間尺度等優(yōu)點，其監(jiān)測效果已在全球區(qū)域的應(yīng)用中得到了很好的驗證[29-30]。本文利用站點長時序月降水量和平均氣溫計算132個站點處3種時間尺度(1個月、3個月和6個月)的SPEI值，采用THORNTHWAITE方法[31]估算潛在蒸發(fā)量PET。

1.3 遙感數(shù)據(jù)及預(yù)處理

遙感數(shù)據(jù)包括MODIS植被指數(shù)產(chǎn)品MOD13C2和地表溫度產(chǎn)品MOD11C3(2003—2012年)，分別提供歸一化植被指數(shù)NDVI、增強型植被指數(shù)EVI以及地表溫度LST。利用質(zhì)量控制文件對數(shù)據(jù)中噪聲點進行掩膜，并對NDVI和LST數(shù)據(jù)進行歸一化處理得到植被狀態(tài)指數(shù)VCI和溫度狀態(tài)指數(shù)TCI。利用空間數(shù)據(jù)聚合方法對5種指數(shù)(NDVI、EVI、VCI、LST、TCI)進行重采樣，使空間分辨率變?yōu)?.25°。

遙感降水量數(shù)據(jù)采用2003—2012年的熱帶降雨測量衛(wèi)星TRMM 3B43數(shù)據(jù)，首先將降水速率轉(zhuǎn)換為單月降水總量數(shù)據(jù)，同時計算出1個月、3個月和6個月的累積降水量，記為PRCP1、PRCP3和PRCP6，利用3種累積降水量建立3種降水狀態(tài)指數(shù)，記為PCI1、PCI3和PCI6。

遙感土壤濕度數(shù)據(jù)采用歐空局氣候變化計劃項目提供的全球土壤濕度數(shù)據(jù)(2003—2012年)，包括3類數(shù)據(jù)集：主動微波數(shù)據(jù)集、被動微波數(shù)據(jù)集以及主、被動微波集成數(shù)據(jù)集。計算3類土壤濕度數(shù)據(jù)月均值作為月土壤濕度信息(記為SM-A、SM-P以及SM-M)，在此基礎(chǔ)上進行研究區(qū)裁剪和歸一化處理得到土壤濕度狀態(tài)指數(shù)，記為SMCI-A、SMCI-P以及SMCI-M。

歸一化方法如表1所示，歸一化后的指數(shù)取值范圍是[0,1]，其中0和1分別代表最干旱和最濕潤狀態(tài)。

本文還獲取土地覆蓋類型、地表高程和氣候分類數(shù)據(jù)作為模型輸入?yún)?shù)。其中土地覆蓋類型采用2003—2012年的MODIS土地覆蓋類型產(chǎn)品MCD12C1 IGBP數(shù)據(jù)；地表高程數(shù)據(jù)采用西部環(huán)境與生態(tài)科學(xué)數(shù)據(jù)中心提供的1 km分辨率中國數(shù)字高程模型DEM數(shù)據(jù)集；氣候分類信息主要依據(jù)柯本氣候分類法，使用PEEL等[32]提供的Koppen氣候分類圖作為研究區(qū)氣候分類參考數(shù)據(jù)，其空間分辨率為0.1°。利用眾數(shù)算法將土地覆蓋類型和氣候分類數(shù)據(jù)空間分辨率重采樣為0.25°，利用3次卷積法將地表高程數(shù)據(jù)空間分辨率重采樣為0.25°。

表1 干旱指數(shù)計算方法Tab.1 Remote sensing drought index formulas

2 研究方法

2.1 技術(shù)流程

利用隨機森林回歸算法集成多源遙感數(shù)據(jù)進行農(nóng)業(yè)旱情監(jiān)測研究，技術(shù)流程如圖2所示。

首先利用Pearson相關(guān)性分析方法對比17種不同遙感旱情指數(shù)在不同時期的旱情監(jiān)測效果，確定最優(yōu)建模因子；然后利用隨機森林回歸方法對不同旱情因子進行學(xué)習(xí)并對實測指數(shù)SPEI進行擬合得到回歸模型；基于回歸模型對研究區(qū)2003—2012年4—10月期間所有遙感影像進行處理，得到多因子集成旱情指數(shù)IDCI-RF；最后對IDCI-RF指數(shù)進行驗證與評價。驗證與評價方法包括：對IDCI-RF指數(shù)與實測指數(shù)進行散點圖分析和相關(guān)性驗證，利用驗證樣本集評估IDCI-RF的泛化能力；與Bagging和Cubist回歸方法進行對比，檢驗IDCI-RF指數(shù)旱情監(jiān)測精度；討論IDCI-RF指數(shù)在不同空間尺度的旱情監(jiān)測適用性，同時對比IDCI-RF旱情監(jiān)測圖與站點實測指數(shù)分布情況，探討IDCI-RF指數(shù)在大空間范圍內(nèi)的旱情監(jiān)測能力。

圖2 總體技術(shù)流程Fig.2 Flow chart of technical process

2.2 隨機森林回歸方法

隨機森林方法是建立在分類回歸樹基礎(chǔ)上的多決策樹集成學(xué)習(xí)方法，在構(gòu)建過程中隨機選擇訓(xùn)練樣本子集和特征變量，使得該方法具有較高的抗噪能力，能夠有效避免分類回歸樹方法的過擬合問題[20]。

利用R語言實現(xiàn)隨機森林回歸，基于該方法構(gòu)建實測指數(shù)反演模型，將樣本按1∶1的比例隨機劃分，得到訓(xùn)練樣本集和驗證樣本集，為了驗證模型的可靠性，本文重復(fù)進行5次隨機分組，依次記為樣本組1～5。其中，訓(xùn)練樣本用于建模，驗證樣本用于評估模型精度以及泛化能力等。

2.3 模型評價方法

采用均方誤差(Mean square error, MSE)作為確定隨機森林模型參數(shù)取值的統(tǒng)計依據(jù)；采用決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean square error, RMSE)和平均絕對誤差(Mean absolute error, MAE)作為評價和驗證模型精度的指標(biāo)。決定系數(shù)R2反映數(shù)據(jù)擬合程度，取值越大，說明擬合值與實測值的相關(guān)性越好；均方誤差MSE、均方根誤差RMSE和平均絕對誤差MAE可判斷擬合值與實測值的差異，取值越小，說明擬合值越接近實測值。

3 結(jié)果與分析

3.1 旱情指數(shù)敏感性分析及建模因子確定

在不同旱情階段植被、降水、氣溫、土壤等不同旱情關(guān)聯(lián)因子的表現(xiàn)不同。分別提取2003—2012年間研究區(qū)內(nèi)各站點位置處的17種遙感指數(shù)，指數(shù)包括NDVI、VCI、EVI、LST、TCI、PRCP1、PRCP3、PRCP6、PCI1、PCI3、PCI6、SM-A、SM-P、SM-M、SMCI-A、SMCI-P和SMCI-M，按照不同月份將各遙感指數(shù)分別與3種時間尺度(1個月、3個月和6個月)的標(biāo)準化降水蒸散指數(shù)SPEI進行Pearson相關(guān)性分析，依據(jù)相關(guān)性結(jié)果確定建模因子。

圖3(圖中*表示P>0.01)為相關(guān)性分析結(jié)果。由圖3可知，與實測數(shù)據(jù)的相關(guān)性，除了植被指數(shù)(NDVI、EVI、VCI)在植被生長季初期與末期以及土壤濕度指數(shù)SM-P在5月外，其他的相關(guān)性均通過0.01顯著性檢驗。

圖3 遙感指數(shù)與不同時間尺度SPEI的相關(guān)性分析結(jié)果(4—10月)Fig.3 Correlations between remote sensing drought indices and in situ different time scales SPEI from April to October

3種植被指數(shù)中，VCI與不同時間尺度SPEI的相關(guān)性都強于NDVI和EVI；TCI與實測指數(shù)相關(guān)性也優(yōu)于LST。對于降水指數(shù)，與歸一化前降水指數(shù)相比，歸一化后的降水指數(shù)(PCI3和PCI6)與SPEI-3、SPEI-6的相關(guān)性更高。此外，由對應(yīng)月份累積起來的降水指數(shù)與其相對應(yīng)時間尺度SPEI的相關(guān)性強于其與其他時間尺度SPEI相關(guān)性，如由3個月累積降水量建立起來的歸一化降水指數(shù)PCI3與SPEI-3的相關(guān)性都高于其與SPEI-1和SPEI-6的相關(guān)性，PCI1與SPEI-1的相關(guān)性也高于其與另外兩種時間尺度SPEI的相關(guān)性。土壤濕度類指數(shù)也表現(xiàn)出類似的規(guī)律，歸一化后的指數(shù)與3種尺度SPEI的相關(guān)性均優(yōu)于歸一化前的指數(shù)。

由圖3可知，從4月到7月再到10月，植被類指數(shù)與不同時間尺度SPEI的相關(guān)性經(jīng)歷先增大后減小的過程，以SPEI-6為例，在4月，VCI與SPEI-6相關(guān)性未通過0.01顯著性檢驗，而在6月，相關(guān)性增強(r為0.31)，到7月植被生長旺盛時期，相關(guān)系數(shù)達到最大(r為0.4)，8月開始，VCI與SPEI-6的相關(guān)性又逐漸減弱。這說明以植被指數(shù)建立起來的旱情模型在植被生長較為旺盛的階段監(jiān)測結(jié)果更具參考價值，與JI等[33]的研究結(jié)果一致。溫度類指數(shù)在不同時間也表現(xiàn)出不同的相關(guān)性，其在植被生長季初期與實測指數(shù)的相關(guān)系數(shù)比在植被生長季中后期高，如TCI與3種不同時間尺度SPEI的相關(guān)性均在6月達到最高。不同類型的土壤濕度指數(shù)與實測指數(shù)相關(guān)性表現(xiàn)也不同，以SPEI-3為例，在6—10月期間，主動土壤濕度指數(shù)與SPEI-3的相關(guān)性明顯優(yōu)于被動土壤濕度指數(shù)和主被動合成土壤濕度指數(shù)，說明主動土壤濕度指數(shù)適合在植被覆蓋度較高的區(qū)域進行旱情監(jiān)測，YUAN等[34]的研究工作也得出相類似的結(jié)論。

不同時間尺度的實測標(biāo)準化降水蒸散指數(shù)SPEI可以分析不同的干旱類型，小時間尺度數(shù)據(jù)適合研究土壤含水率和河道流量，大時間尺度數(shù)據(jù)可分析地下水變化情況[35-36]。本文重點研究農(nóng)業(yè)旱情，IDCI-RF綜合指數(shù)的構(gòu)建以SPEI-3為依據(jù)?；诟黝愡b感指數(shù)與SPEI-3的相關(guān)性分析結(jié)果確定不同月份的模型輸入數(shù)據(jù)，如表2所示。此外，旱情的發(fā)生發(fā)展與下墊面等環(huán)境因素也相關(guān)，IDCI-RF除考慮能表征植被、地表溫度、降水和土壤濕度狀態(tài)的4類遙感指數(shù)外，還考慮地表高程、土地覆蓋類型和氣候分類信息3類輔助參數(shù)。

3.2 RF參數(shù)優(yōu)化及回歸模型構(gòu)建

表2 4—10月隨機森林模型輸入?yún)?shù)Tab.2 Inputting parameters of random forest model from April to October

圖4 不同模型參數(shù)與模型袋外誤差的關(guān)系Fig.4 Relationship between changing parameters and out-of-bag error

經(jīng)驗值不一定能獲得最優(yōu)模型，本文在RF回歸模型構(gòu)建中，為獲得最優(yōu)mtry，采取逐一增加變量的方法，即對于所有mtry取值分別建立回歸模型，找到對應(yīng)模型誤差最小的mtry值作為其最優(yōu)參數(shù)值。當(dāng)分枝創(chuàng)建中自變量數(shù)目mtry最優(yōu)參數(shù)值確定后，通過調(diào)節(jié)ntree，即決策樹的數(shù)量，基于可視化分析觀察模型誤差變化趨勢以確定ntree最優(yōu)參數(shù)值。圖4分別對應(yīng)6月5組不同訓(xùn)練模型得到的不同模型參數(shù)與模型袋外數(shù)據(jù)集均方誤差MSE的關(guān)系，可以發(fā)現(xiàn)，當(dāng)mtry取值依次為2、3、3、2、3時，對應(yīng)各自模型的MSE最小；當(dāng)ntree達到1 000時，模型MSE都趨于穩(wěn)定，因此，6月由5組訓(xùn)練集訓(xùn)練的回歸模型中ntree確定為1 000，mtry分別設(shè)置為2、3、3、2、3，同樣方法得到另外30組模型參數(shù)。

最終得到7個月的實測指數(shù)回歸模型，其中每月基于不同訓(xùn)練集依次對應(yīng)5個回歸模型，模型擬合結(jié)果稱為多因子集成旱情狀態(tài)指數(shù)IDCI-RF?；谝陨匣貧w模型，得到驗證樣本IDCI-RF值，與驗證樣本SPEI-3實測值進行對比，評估回歸模型泛化能力。圖5為各月份第3組驗證樣本集的實測指數(shù)SPEI-3與其擬合數(shù)據(jù)IDCI-RF的散點圖，可以看出所有月份的相關(guān)系數(shù)都不小于0.75，r依次為0.81、0.81、0.76、0.79、0.75、0.79和0.84，所有相關(guān)關(guān)系都通過0.005顯著性水平檢驗，說明由隨機森林算法得到的擬合模型能很好地估測實測指數(shù)，可用于實際旱情監(jiān)測應(yīng)用中。

圖5 4—10月驗證樣本實測數(shù)據(jù)SPEI-3與擬合數(shù)據(jù)IDCI-RF散點圖分析Fig.5 Scatter plots and correlation coefficient r values between IDCI-RF and SPEI-3 of validation samples from April to October

3.3 不同回歸方法結(jié)果對比

為檢驗隨機森林算法對旱情指數(shù)的擬合精度，選擇Cubist和Bagging兩種集成算法與RF進行對比，Cubist和Bagging模型輸入數(shù)據(jù)可以是連續(xù)值和離散值，在土地利用分類、環(huán)境監(jiān)測等領(lǐng)域得到廣泛應(yīng)用[37-38]。分別利用Cubist和Bagging模型對不同月份的5組訓(xùn)練集進行學(xué)習(xí)得到回歸模型，模型擬合結(jié)果依次記為IDCI-Cubist和IDCI-Bagging。表3為4—10月不同模型估測的實測指數(shù)統(tǒng)計結(jié)果。

由表3可以看出，由RF構(gòu)建的35組回歸模型中，IDCI-RF與實測SPEI-3的決定系數(shù)R2在0.49～0.71之間，其中，4月、9月和10月的R2都在0.6以上；由Cubist和Bagging回歸得到的IDCI與實測值的R2范圍依次為0.46～0.69和0.48～0.69，低于RF模型，說明RF估測的擬合值與實測值的相關(guān)性更好。3種算法各自建立的35組回歸模型中，RMSE和MAE最大值分別為0.69和0.54(RF)、0.72和0.55(Cubist)、0.71和0.56(Bagging)，說明RF估測的擬合值與實測值的差異更小。

從不同月份的不同樣本組統(tǒng)計得到的模型精度來看，除了10月(樣本組1和樣本組4)以及8月(樣本組1)以外，其他所有的回歸模型中，由RF得到的IDCI-RF與實測值決定系數(shù)R2在3種算法中都能達到最高，RF模型表現(xiàn)出更強的預(yù)測能力。本文也針對不同月份求得5個樣本組的統(tǒng)計指標(biāo)平均值(表3)，4—10月IDCI-RF與實測值的平均R2依次為0.64、0.63、0.57、0.59、0.54、0.62和0.68，均優(yōu)于Cubist和Bagging擬合指數(shù)，IDCI-RF對應(yīng)的平均誤差指標(biāo)也最小。分析表明與Cubist和Bagging方法相比，由RF算法得到的IDCI-RF與SPEI-3的一致性更強，用IDCI-RF指數(shù)估測SPEI-3指數(shù)合理。

3.4 IDCI-RF在不同空間尺度上的敏感性分析

根據(jù)各月份5組不同樣本集得到的統(tǒng)計評價指標(biāo)結(jié)果，將由第3、3、1、3、1、1、3個樣本組構(gòu)建的回歸模型依次確定為4—10月的最優(yōu)模型。分別提取研究區(qū)內(nèi)各省份所有站點的由最優(yōu)模型得到的IDCI-RF以及實測指數(shù)SPEI-3值，利用散點圖分析和統(tǒng)計指標(biāo)驗證方法對IDCI-RF指數(shù)在不同省級區(qū)域的監(jiān)測精度進行評估。

圖6為7個主要省份(河北省、山西省、內(nèi)蒙古自治區(qū)、遼寧省、吉林省、山東省和陜西省)2003—2012年植被生長季IDCI-RF指數(shù)與實測指數(shù)的散點圖以及統(tǒng)計值驗證結(jié)果，可以看出IDCI-RF指數(shù)在不同省份都能很好地擬合實測指數(shù)，所有相關(guān)關(guān)系都通過0.005顯著性檢驗，決定系數(shù)R2都在0.7以上，其中在內(nèi)蒙古自治區(qū)(n=1 557)和遼寧省(n=1 039)(圖6c、6d)，IDCI-RF與SPEI-3的相關(guān)性最強(R2=0.82)。除吉林省和陜西省外，其他省的實測值與IDCI-RF值的誤差指標(biāo)均在0.5(RMSE)和0.35(MAE)以下。

表3 不同模型實測指數(shù)回歸統(tǒng)計結(jié)果Tab.3 Statistics results for different regression models of in situ reference data

圖6 IDCI-RF指數(shù)與實測指數(shù)SPEI-3的散點圖Fig.6 Scatter plots between IDCI-RF and SPEI-3

為驗證站點尺度IDCI-RF指數(shù)效果，選取研究區(qū)部分站點，針對站點處IDCI-RF與實測指數(shù)的變化趨勢展開分析，選取的站點分散在研究區(qū)各區(qū)域，能較好地代表研究區(qū)不同土地覆蓋類型。圖7為21個站點在2005—2012年7月時的IDCI-RF與實測SPEI-3變化趨勢。

從圖7可以看出，IDCI-RF指數(shù)能較好地擬合實測指數(shù)，但也存在少部分站點處的IDCI-RF與SPEI-3變化不一致，如53480站點的實測SPEI-3在2009年7月至2010年7月呈上升趨勢，但其在2010年7月的IDCI-RF值比2009年同期稍低(圖7d)；54311站點處SPEI-3在2007年7月到2008年7月呈上升趨勢，而IDCI-RF指數(shù)在相應(yīng)時間的變化趨勢是略下降的(圖7p)；54826站點處的實測指數(shù)在2007年7月到2009年7月呈先下降后上升趨勢，但IDCI-RF指數(shù)表現(xiàn)的變化趨勢與實際相反(圖7u)。盡管存在少數(shù)不一致現(xiàn)象，但在絕大部分情況下，IDCI-RF指數(shù)的變化規(guī)律能與實測指數(shù)SPEI-3保持一致，還有部分站點處的IDCI-RF值與實測值接近(圖7a、7e、7o、7r、7t)，說明IDCI-RF指數(shù)能較精準地擬合實測指數(shù)，可用于判斷實際旱情狀態(tài)變化趨勢。

圖7 不同站點IDCI-RF與SPEI-3的變化趨勢(2005—2012年7月)Fig.7 Year-to-year changes in IDCI-RF and SPEI-3 in representative meteorological sites for July from 2005 to 2012

3.5 旱情空間分布格局

基于研究區(qū)2003—2012年多源遙感數(shù)據(jù)集和3類輔助參數(shù)，利用不同月份最優(yōu)回歸模型得到研究區(qū)所有位置處IDCI-RF值，分析區(qū)域內(nèi)旱情空間分布特征。以干旱年2009年為例，圖8為該年度4—10月的IDCI-RF監(jiān)測圖，為評估IDCI-RF旱情監(jiān)測精度，不同站點處的實測指數(shù)SPEI-3值也依據(jù)點的大小進行區(qū)分，站點位置處點越大，說明實測指數(shù)值越小，旱情越嚴重，反之亦然。

圖8 2009年4—10月IDCI-RF空間分布圖以及實測指數(shù)SPEI-3分布情況Fig.8 Seasonal changes in drought detected by IDCI-RF and SPEI-3 from April to October in 2009

由圖8可知，內(nèi)蒙古自治區(qū)在2009年8—10月旱情有加重趨勢，尤其是研究區(qū)內(nèi)內(nèi)蒙古自治區(qū)北部區(qū)域，這與實測SPEI-3空間分布一致，該區(qū)域站點位置處點變大，說明旱情越來越嚴重(圖8e～8g)。IDCI-RF旱情圖顯示2009年6月陜西省北部出現(xiàn)嚴重旱情，從站點大小看出，站點處SPEI-3值較小(圖8c)，也說明旱情嚴重。2009年4月遼寧省所有站點處SPEI-3指數(shù)都大于-0.5，IDCI-RF監(jiān)測圖反映的2009年4月遼寧省旱情與實測數(shù)據(jù)一致(圖8a)；從7月開始，IDCI-RF監(jiān)測圖反映出遼寧省出現(xiàn)旱情并表現(xiàn)出加重趨勢，SPEI-3也反映出同樣的旱情形勢(圖8d～8f)。

從以上分析可知，由IDCI-RF監(jiān)測圖反映的研究區(qū)旱情狀態(tài)與實測指數(shù)SPEI-3分布特征有較好的一致性，2009年4—10月的IDCI-RF旱情空間分布圖能較精確地指出研究區(qū)干旱受災(zāi)區(qū)域，也能在一定程度上描繪出不同區(qū)域旱情程度及變化趨勢，說明IDCI-RF指數(shù)可應(yīng)用于大范圍區(qū)域農(nóng)業(yè)旱情狀態(tài)監(jiān)測業(yè)務(wù)中。

4 討論

農(nóng)業(yè)干旱是一種異常復(fù)雜的自然災(zāi)害，以往的遙感旱情監(jiān)測指數(shù)多側(cè)重于考慮植被、溫度、土壤等單一因素，這類指數(shù)僅是旱情某方面、某個層次特征的表征，影響監(jiān)測效果。隨著歷史數(shù)據(jù)的積累，機器學(xué)習(xí)技術(shù)被應(yīng)用于旱情監(jiān)測中，目前研究多數(shù)采用單一分類器對旱情特征進行挖掘。

選擇隨機森林方法，對多源遙感旱情信息進行集成構(gòu)建綜合旱情指數(shù)，取得較優(yōu)的監(jiān)測效果。原因為：綜合考慮旱情關(guān)聯(lián)因子的多樣性，選取特征集包括能表征植被狀態(tài)、地表溫度、氣候降水、土壤濕度的多種旱情關(guān)聯(lián)因子，以及3種生態(tài)環(huán)境因素(地表高程、土地覆蓋類型、氣候類型)；選擇的建模方法隨機森林依據(jù)分類回歸樹構(gòu)建，是一種集成學(xué)習(xí)方法，與單分類器相比，能夠?qū)崿F(xiàn)信息優(yōu)勢互補，獲得更高的擬合精度。下一步嘗試將其他集成學(xué)習(xí)方法應(yīng)用到遙感旱情監(jiān)測中。

采用的遙感數(shù)據(jù)空間分辨率較低(0.25°×0.25°)，混合像元對旱情監(jiān)測效果有一定影響，后期工作中將采用更高空間分辨率的遙感影像作為基礎(chǔ)數(shù)據(jù)源來開展旱災(zāi)監(jiān)測研究。

5 結(jié)論

(1) 利用RF、Cubist和Bagging 3種方法分別建立回歸模型，利用RF構(gòu)建的IDCI-RF與實測SPEI-3的平均決定系數(shù)R2為0.54～0.68，優(yōu)于另外兩種方法，RF模型表現(xiàn)出更強的預(yù)測能力。

(2) 研究區(qū)主要省份的IDCI-RF指數(shù)與實測

SPEI-3的決定系數(shù)R2都在0.7以上，大部分站點的IDCI-RF變化規(guī)律與實測SPEI-3保持一致，IDCI-RF值與實測值接近；由IDCI-RF監(jiān)測圖反映的旱情狀態(tài)與SPEI-3空間分布特征吻合度較高，IDCI-RF監(jiān)測圖能較準確地指出干旱受災(zāi)區(qū)域，表明IDCI-RF指數(shù)在實際大范圍旱情監(jiān)測中具有應(yīng)用潛力。