本申请公开了一种基于随机森林模型的积雪深度反演方法及装置，该方法包括：获取积雪深度数据和自变量数据；其中，自变量数据包括辐射计亮度温度数据、地表覆被数据、海拔高度数据和经纬度数据；基于自变量数据中各个数据的相关性以及自变量数据中各个数据对积雪深度数据的重要程度，构建n种自变量数据组合；利用每种自变量数据组合对一个基于随机森林的积雪深度预测模型进行训练，得到n个训练好的积雪深度预测模型并进行精度验证，以将精度达到精度阈值的模型作为反演的目标积雪深度预测模型。本申请基于随机森林算法训练得到的积雪深度预测模型具有高效的运行效率以及较高的预测精度，提高反演结果精度，对积雪深度进行高效和精准预测。行高效和精准预测。行高效和精准预测。
【技术实现步骤摘要】
基于随机森林模型的积雪深度反演方法及装置
[0001]本申请涉及积雪深度监测
，尤其涉及一种基于随机森林模型的积雪深度反演方法及装置。
技术介绍
[0002]积雪是冰冻圈主要的要素之一，分布范围广，欧亚大陆和北美大陆冬季至少80%的地区被积雪所覆盖，覆盖面积约为4650万平方公里，季节性变化显著，主要分布在高纬度或高海拔地区。积雪是全球气候变化的重要指示器，积雪的高反照率可以显著地减少地表对太阳短波辐射的吸收，同时积雪具有隔热作用，它减少了地表和大气的热交换，减少了地表向大气的感热和潜热输入，所以它是地球能量平衡的重要因素，对全球气候系统有重要的反馈调节机制。此外，季节性积雪是冰冻圈所有组成要素中最为活跃的部分，在水文过程、生态模式和地球生物化学过程中都起着至关重要的作用。因此，积雪已经成为气象学、生态学、水文学和农业科学等研究领域中重点关注的监测对象。
[0003]基于统计回归的经验算法是目前应用最为广泛的积雪深度反演算法之一，也发展成了多个传感器的业务化算法，由于积雪参数(尤其是积雪粒径和积雪密度)会随着时间的推移不断地发生演化，积雪的微波辐射信息也将发生明显的变化，传统的统计回归反演算法中并没有考虑积雪特性参数变化的影响，而微波辐射随着积雪参数变化会发生明显的改变，不再是简单的线性关系，因此，统计回归反演算法存在很大的不确定性。优化迭代的算法精度要优于传统的回归算法，但是验证发现，植被地区以及当雪深超过60cm时存在明显的低估现象，可能的误差来源是模型中的大气参数、植被冠层参数、积雪密度参数以及土壤粗糙度参数都是根据经验公式得到或者取固定常数，这些参数存在较强的区域性，在大尺度范围的普适性较差。
[0004]然而相关技术中的统计回归算法和迭代算法都是基于微波辐射和积雪参数的关系，而这种关系并不是简单的线性关系，同时积雪参数在雪季中也会不断地发生演化，因此，传统的基于物理规律的算法存在很大的不确定性，导致积雪深度的预测效率和精度较低。
技术实现思路
[0005]本申请实施例提供一种基于随机森林模型的积雪深度反演方法，包括：获取积雪深度数据和自变量数据；其中，所述自变量数据包括辐射计亮度温度数据、地表覆被数据、海拔高度数据和经纬度数据；基于所述自变量数据中各个数据的相关性以及所述自变量数据中各个数据对所述积雪深度数据的重要程度，构建n种自变量数据组合；其中，n大于等于2；利用n种自变量数据组合中每种自变量数据组合对一个基于随机森林的积雪深度预测模型进行训练，得到n个训练好的积雪深度预测模型；对n个训练好的积雪深度预测模型进行精度验证，以将n个训练好的积雪深度预测
模型中精度达到精度阈值的模型作为反演的目标积雪深度预测模型。
[0006]在一些实施例中，所述经纬度数据包括经度和纬度；按照对所述积雪深度数据的重要程度从大到小的顺序，依次为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据、所述经度和所述纬度。
[0007]在一些实施例中，所述构建n种自变量数据组合包括：构建五种自变量数据组合；其中，所述五种自变量数据组合中第一种自变量数据为所述辐射计亮度温度数据，以及所述五种自变量数据组合中第二种自变量数据组合为所述辐射计亮度温度数据和所述地表覆被数据，以及所述五种自变量数据组合中第三种自变量数据组合为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据，以及所述五种自变量数据组合中第四种自变量数据组合为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据和所述经度，以及所述五种自变量数据组合中第五种自变量数据组合为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据、所述经度和所述纬度。
[0008]在一些实施例中，所述目标积雪深度预测模型为所述第五种自变量数据组合对应的第五个积雪深度预测模型。
[0009]在一些实施例中，所述精度验证的指标包括均方根误差、偏差和相关系数。
[0010]在一些实施例中，所述方法还包括：获取所述地表覆被数据中的IGBP地表类型分类数据；根据地理坐标的转换方式，将IGBP地表类型分类数据转换为预设分辨率的网格数据以匹配微波亮温像元；计算微波亮温像元内的森林下垫面覆盖度和水体下垫面覆盖度；以及，根据质量控制对所述积雪深度数据进行分级；以及，将所述海拔高度数据的空间分辨率调整到空间分辨率阈值以内；对所述海拔高度数据进行数据拼接，得到拼接后的海拔高度数据；对拼接后的海拔高度数据进行取平均计算，换算为预设等经纬度分辨率的格网数据。
[0011]本申请实施例还提供一种预测积雪深度的方法，包括：获取辐射计亮度温度数据、地表覆被数据、海拔高度数据和经纬度数据；将所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据和所述经纬度数据输入到预先训练好的积雪深度预测模型中，获得预测的积雪深度数据；其中，所述积雪深度预测模型为基于上述基于随机森林模型的积雪深度反演方法确定的目标积雪深度预测模型。
[0012]本申请实施例还提供一种基于随机森林模型的积雪深度反演装置，包括：数据获取单元，被配置为获取积雪深度数据和自变量数据；其中，所述自变量数据包括辐射计亮度温度数据、地表覆被数据、海拔高度数据和经纬度数据；数据组合构建单元，被配置为基于所述自变量数据中各个数据的相关性以及所述自变量数据中各个数据对所述积雪深度数据的重要程度，构建n种自变量数据组合；其中，n
大于等于2；模型训练单元，被配置为利用n种自变量数据组合中每种自变量数据组合对一个基于随机森林的积雪深度预测模型进行训练，得到n个训练好的积雪深度预测模型；精度验证单元，被配置为对n个训练好的积雪深度预测模型进行精度验证，以将n个训练好的积雪深度预测模型中精度达到精度阈值的模型作为反演的目标积雪深度预测模型。
[0013]本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的积雪深度反演方法，或预测积雪深度的方法。
[0014]本申请实施例还提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现上述的积雪深度反演方法，或预测积雪深度的方法。
[0015]本申请实施例采用下述技术方案：获取积雪深度数据和自变量数据；其中，所述自变量数据包括辐射计亮度温度数据、地表覆被数据、海拔高度数据和经纬度数据；基于所述自变量数据中各个数据的相关性以及所述自变量数据中各个数据对所述积雪深度数据的重要程度，构建n种自变量数据组合；其中，n大于等于2；利用n种自变量数据组合中每种自变量数据组合对一个基于随机森林的积雪深度预测模型进行训练，得到n个训练好的积雪深度预测模型；对n个训练好的积雪深度预测模型进行精度验证，以将n个训练好的积雪深度预测模型中精度达到精度阈值的模型作为反演的目标积雪深度预测模型。
[0016]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请可以更好的学习自变量数据和因变量数据之间的非线性关系，并进行本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于随机森林模型的积雪深度反演方法，其特征在于，包括：获取积雪深度数据和自变量数据；其中，所述自变量数据包括辐射计亮度温度数据、地表覆被数据、海拔高度数据和经纬度数据；基于所述自变量数据中各个数据的相关性以及所述自变量数据中各个数据对所述积雪深度数据的重要程度，构建n种自变量数据组合；其中，n大于等于2；利用n种自变量数据组合中每种自变量数据组合对一个基于随机森林的积雪深度预测模型进行训练，得到n个训练好的积雪深度预测模型；对n个训练好的积雪深度预测模型进行精度验证，以将n个训练好的积雪深度预测模型中精度达到精度阈值的模型作为反演的目标积雪深度预测模型。2.根据权利要求1所述的积雪深度反演方法，其特征在于，所述经纬度数据包括经度和纬度；按照对所述积雪深度数据的重要程度从大到小的顺序，依次为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据、所述经度和所述纬度。3.根据权利要求2所述的积雪深度反演方法，其特征在于，所述构建n种自变量数据组合包括：构建五种自变量数据组合；其中，所述五种自变量数据组合中第一种自变量数据为所述辐射计亮度温度数据，以及所述五种自变量数据组合中第二种自变量数据组合为所述辐射计亮度温度数据和所述地表覆被数据，以及所述五种自变量数据组合中第三种自变量数据组合为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据，以及所述五种自变量数据组合中第四种自变量数据组合为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据和所述经度，以及所述五种自变量数据组合中第五种自变量数据组合为所述辐射计亮度温度数据、所述地表覆被数据、所述海拔高度数据、所述经度和所述纬度。4.根据权利要求3所述的积雪深度反演方法，其特征在于，所述目标积雪深度预测模型为所述第五种自变量数据组合对应的第五个积雪深度预测模型。5.根据权利要求1所述的积雪深度反演方法，其特征在于，所述精度验证的指标包括均方根误差、偏差和相关系数。6.根据权利要求1所述的积雪深度反演方法，其特征在于，所述方法还包括：获取所述地表覆被数据中的IGBP地表类型分...
【专利技术属性】
技术研发人员：高硕，李震，张平，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。