CN119474744A 一种考虑植被光学厚度记忆的多源变量随机森林vod降尺度方法 （桂林理工大学）

一种考虑植被光学厚度记忆的多源变量随本发明提出了一种利用随机森林方法提高法综合考虑了与VOD相关的动态和静态变量，如研究表明，加入滞后VOD变量显著提升了模型的2剪处理，获取与植被光学厚度数据空间分辨率相同的目标区域的MODIS数据、土壤水分数学厚度降尺度模型的输入数据；其中，涉及相关的数据预处理：将所有的MODIS数据利用的影响，对重采样后的MODIS数据进行地理校正以获得和植被光学厚度数据相同的地理配;X"度(LAT)；f()为因变量与解释变量之间的建模函数关系；（7）考虑植被光学厚度记忆的VOD空间降尺度(RFDM_VOD)模型的应用及结果评价；其3;上式中，为第i个VOD预测值；为第i个VOD原始值；为第i个VOD预测值的算4[0002]植被光学厚度(VOD)描述了微波(被动或主动)辐射在植被层中的衰减，与植被含水量(VWC)和冠层结构有关。量化这种衰减效应对于从被动微波卫星观测中准确检索地表及其继任者AMSR2(先进微波扫描辐射计2号)中的高频(C/X/Ku波段)VOD和土壤水分和海洋平滑滤波器调制(SFIM)技术得到的锐化微波亮度温度反演得到分辨率增强的VOD、利用些方法利用在粗尺度VOD和细小尺度辅助变量之间建立统计相关性或基于物理的模型的思守恒校正引入RF模型对土壤湿度(SM)进行降尺度，得到高分辨率的SM数据；利用SMAP中法对同样通过微波测量从被动微波辐射传递方程中获得的VOD进行降5滞后VOD变量的随机森林降尺度模型(RFDM_VOD)，为植被光学厚度降尺度方法提供更多有[0008](2)设计植被光学厚度降尺度辅助因子之一的植被光学厚度记忆数据，确选取滞[0011](5)获得上述考虑植被光学厚度记忆(即滞后VOD)的VOD空间降尺度(RFDM_VOD)模ENVI和Matlab软件进行重采样，重采样方法选择双线性内插以减少地理参考误差的影响，对重采样后的MODIS数据进行地理校正以获得和植被光学厚度数据相同的地理配准，之后6[0019]进一步的，步骤(5)中，降尺度(RFDM_VOD)模型的特征重要性排序中特征包括meanlag_7量VOD空间降尺度方法(RFDM_VOD)，并利用此模型应用于AMSR_E/2的低空间分辨率VOD数[0028]图3为本发明RFDM_VOD降尺度模型下训练和测试数据集的估计与目标数据的散点7[0031]图6为本发明中不同植被覆盖类型下降尺度后高空间分辨率VOD与植被指数的时[0037]其中，植被光学厚度数据和土壤水分数据是基于多频辐射计AMSR_E和AMSR2的微同反演算法(MCCA)获得的植被光学厚度产品及盖等级。本发明实例中选择国际地圈_生物圈计划(InternationalGeosphere_Biosphere件进行重采样，重采样方法选择双线性内插以减少地理参考误差的影响，对重采样后的MODIS数据进行地理校正以获得和植被光学厚度数据相同的地理配准，之后对所有的数据8[0046](3.1)首先进行数据的预处理，meanlag_7择的参数设置能够学习粗尺度和细小尺度植被光学厚度之间[0050](4)获得上述考虑植被光学厚度记忆(即滞后VOD)的VOD空间降尺度(RFDM_VOD)模_79的增加，显示出更精细的空间格局，具有更精确的VOD空间异质性表达。这些结果表明，RFDM_VOD降尺度算法保留了VOD的大尺NaturalVegetationMosaic)植被群落，并获取基于五种植被覆盖分类下的NDVI、EVI和指数数据进行时间序列一致性分析，如图6所示，植被覆盖下的降尺度VOD都具有和NDVI、[0059]依据RFDM_VOD降尺度模型获取的高空间分辨率VOD数据与研究区域逐像素获取的