融合多源数据与机器学习算法的综合干旱监测模型构建——以河北省为例

来源：水资源与水工程学报杂志2024年第6期北京时间：

作者：王晓，刘海新，孙振宇，王佳璘，朱研

单位：（河北工程大学矿业与测绘工程学院

摘要：基于遥感数据、再分析数据以及土壤墒情站点数据，采用支持向量机（SVM）、随机森林（RF）、径向基函数神经网络（RBFNN）和极限学习机（ELM）4种经典的机器学习方法，构建了2001—2022年河北省不同生态分区植被生长季月际尺度的综合干旱监测组合模型，并结合Sen趋势揭示了河北省干旱空间变化情况。结果表明：RF、RBFNN和SVM的拟合效果在生长季不同月份以及不同生态分区下均表现出较强的稳定性，ELM拟合效果相对较差，因此，基于不同生态分区选取RF-RBF-SVM组合模型来构建河北省综合干旱监测模型；该模型的拟合性能在湿润环境下监测能力表现更优，时间范围上以植被生长季中期监测能力表现更优；模型的总体平均精度为85.15%，模拟值与站点实测值的年变化趋势一致性较高；研究时段内SM10的Sen趋势度的空间变化均值为0.174/a，土壤相对湿度呈增大趋势的面积占研究区总面积的77.21%，干旱情况有所缓解。

关键词：多源数据,土壤相对湿度,机器学习,干旱监测,河北省

基金资助：国家自然科学基金项目(42071246、42171212)；河北省自然科学基金项目（E2020402006、E2020402086、D2022402030）