随机森林算法在全球干旱评估中的应用

doi:10.12082/dqxxkx.2021.200474

地球信息科学学报 ›› 2021, Vol. 23 ›› Issue (6): 1040-1049.doi: 10.12082/dqxxkx.2021.200474

• 地理空间分析综合应用 • 上一篇下一篇

随机森林算法在全球干旱评估中的应用

方秀琴¹^,²^,^*(), 郭晓萌¹, 袁玲¹, 杨露露¹, 任立良¹, 朱求安¹^,²

1.河海大学水文水资源学院,南京 211100
2.河海大学海岸灾害及防护教育部重点实验室,南京 210024

收稿日期:2020-08-19 修回日期:2020-12-23 出版日期:2021-06-25 发布日期:2021-08-25
作者简介:方秀琴（1978— ）,女,安徽池州人,博士,副教授,主要从事地表参数遥感反演、水文模型集成及水旱灾害防治等研究。E-mail: kinkinfang@hhu.edu.cn
基金资助:
国家重点研发计划项目(2016YFA0601500);国家自然科学基金项目(42071040);中央高校基本科研业务费专项(2019B04714)

Application of Random Forest Algorithm in Global Drought Assessment

FANG Xiuqin¹^,²^,^*(), GUO Xiaomeng¹, YUAN Ling¹, YANG Lulu¹, REN Liliang¹, ZHU Qiuan¹^,²

1. College of Hydrology and Water Resources, Hohai University, Nanjing 211100, China
2. Key Laboratory of Ministry of Education for Coastal Disaster and Protection, Hohai University, Nanjing 210024, China

Received:2020-08-19 Revised:2020-12-23 Online:2021-06-25 Published:2021-08-25
Contact: FANG Xiuqin
Supported by:
National Key Research and Development Program of China(2016YFA0601500);National Natural Science Foundation of China(42071040);Fundamental Research Funds for the Central Universities(2019B04714)

摘要/Abstract

摘要：

干旱是发生频率最高,造成社会、经济损失和生态破坏最严重、最广泛的自然灾害之一,因此对干旱进行可靠、有效的评估十分重要。本文以月平均降水、月平均温度、月最高温度、月最低温度、土壤湿度、蒸散发、NDVI、叶绿素荧光等作为解释变量,以基于SPI的干旱等级作为目标变量,采用随机森林算法,以2007—2012年的数据作为训练数据,以2013—2014年的数据作为预测数据,对全球11个气候区分别建立干旱等级评估模型。研究结论如下：SPI的时间尺度影响模型精度,在基于SPI1、SPI3、SPI6和SPI12划分的干旱等级的评估模型中,以基于SPI1的干旱等级为目标变量的模型的预测精度（60%~75%）较高,且模型能够捕捉到EM-DAT旱灾记录次数的90.91%、月份的78.47%,表明该模型对实际干旱事件具有良好的评估性能;干旱等级划分标准对模型的预测性能影响较小,可根据需求选择标准I（干旱/非干旱）或标准Ⅱ（重旱/非重旱）进行干旱评估;解释变量的相对重要性与SPI的时间尺度和气候差异等因素有关。降水对基于SPI1的干旱等级的重要性最大,随着SPI时间尺度的增加,降水的重要性逐渐减小,温度、土壤湿度、NDVI和ET的重要性逐渐增大。降水以外的其他变量在不同气候区的重要性不同。在热带气候区、亚寒带气候区和苔原气候区,温度或蒸散发的影响较大;在干燥气候区,土壤湿度的影响较大;在温带气候区,仍以降水的相对重要性最大;在湿润大陆性气候区,植被对干旱的影响较大。

关键词: 干旱评估, 干旱等级, SPI, 随机森林, 气候分区, 降水, 气温, 土壤湿度

Abstract:

Drought is one of the most frequent and widespread climate extremes, causing devasting social, economic and ecological damages. It is of key importance to evaluate drought reliably and effectively. In this study, in order to assess global drought grade, the Random Forest (RF) algorithm was used to establish the drought grade assessment models for the 11 climate zones in the world. We chose monthly mean precipitation, mean temperature, maximum temperature, minimum temperature, soil moisture, evapotranspiration (ET), Normalized Difference Vegetation Index (NDVI), and Sun/Solar-induced Chlorophyll Fluorescence (SIF) as explanatory variables and drought grades based on Standardized Precipitation Index (SPI) as target variable. The SPI on different timescales of 1 month, 3 months, 6 months and 12 months were labeled as SPI1, SPI3, SPI6 and SPI12, respectively. The data from 2007 to 2012 were used as training data of the assessment models while those from 2013 to 2014 were used as prediction data. The results showed that: (1) The temporal scale of SPI influenced the model accuracy. Among the models with drought grade based on SPI1、SPI3、SPI6 and SPI12, the one with drought grade based on SPI1 had the highest accuracy (60%~75%) and prediction performance. The model with drought grade based on SPI1 was able to capture 90.91% of the drought records in the global emergency events database (EM-DAT). It could capture 78.47% of the drought duration month in the EM-DAT. The agreements with records and drought duration month in the EM-DAT indicated the good performance of the drought grade assessment model based on 1-month SPI and RF algorithm. (2) The drought grading criterion had little impact on the model performance. Users could select criterion I (drought/not drought) or criterion II (severe/not severe) depending on the real needs. (3) The relative importance of each explanatory variable depended on both the temporal scale of SPI and climatic differences. Precipitation was the most important factor for the drought grade based on SPI1. The importance of precipitation decreased and the ones of other explanatory variables such as temperature, soil moisture, NDVI, and ET increased as the timescale of SPI increased. The importance of variables except precipitation showed differences in different climate zones. Among the tropical, subfrigid, and tundra climate zones, temperature or ET is relatively important for drought. Soil moisture is relatively important in dry climate zone and precipitation is the most important in mild temperate climate zone, while vegetation is relatively important in the humid continental climate zone.

Key words: drought evaluation, drought grade, SPI, random forest, climate zone, precipitation, temperature, soil moisture

方秀琴, 郭晓萌, 袁玲, 杨露露, 任立良, 朱求安. 随机森林算法在全球干旱评估中的应用[J]. 地球信息科学学报, 2021, 23(6): 1040-1049.DOI:10.12082/dqxxkx.2021.200474

FANG Xiuqin, GUO Xiaomeng, YUAN Ling, YANG Lulu, REN Liliang, ZHU Qiuan. Application of Random Forest Algorithm in Global Drought Assessment[J]. Journal of Geo-information Science, 2021, 23(6): 1040-1049.DOI:10.12082/dqxxkx.2021.200474

图/表 8

表1

表2

表3

表4

图1

图2

表5

各气候区8个解释变量对基于SPI1、SPI3、SPI6、SPI12的干旱等级的相对重要性排序

重要性排序	热带雨林气候				热带季风气候				热带稀树草原气候				半干旱气候
重要性排序	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12
1	PRE	PRE	TMX	TMX	PRE	TMX	TMX	TMX	PRE	ET	ET	ET	PRE	PRE	SM	SM
2	TMX	TMP	SM	SM	TMP	TMP	TMP	TMP	ET	PRE	PRE	TMX	SM	SM	PRE	PRE
3	TMP	TMX	TMP	TMN	TMN	PRE	SM	SM	TMN	TMX	TMN	PRE	ET	ET	TMX	TMN
4	SM	SM	PRE	ET	TMX	SM	TMN	TMN	TMX	TMN	SM	TMN	TMX	TMN	ET	TMX
5	TMN	ET	TMN	TMP	SM	TMN	PRE	NDVI	TMP	TMP	TMX	SM	TMP	TMX	TMN	NDVI
6	ET	TMN	ET	PRE	ET	ET	NDVI	PRE	SM	SM	TMP	TMP	NDVI	TMP	NDVI	ET
7	SIF	SIF	NDVI	NDVI	SIF	NDVI	ET	ET	NDVI	NDVI	NDVI	NDVI	TMN	NDVI	TMP	TMP
8	NDVI	NDVI	SIF	SIF	NDVI	SIF	SIF	SIF	SIF	SIF	SIF	SIF	SIF	SIF	SIF	SIF
重要性排序	沙漠气候				地中海气候				湿润亚热带气候				海洋性气候
重要性排序	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12
1	PRE	PRE	PRE	TMN	PRE	PRE	PRE	PRE	PRE	PRE	PRE	PRE	PRE	PRE	PRE	PRE
2	SM	SM	SM	SM	TMX	SM	TMX	TMN	TMX	TMX	TMX	TMX	TMX	ET	ET	TMX
3	ET	ET	ET	NDVI	TMN	TMN	SM	SM	SM	ET	ET	TMN	ET	TMX	TMX	ET
4	TMN	TMN	TMX	PRE	TMP	TMP	TMN	ET	NDVI	TMN	TMN	ET	NDVI	TMN	TMN	TMN
5	TMX	TMX	TMN	TMX	ET	ET	TMP	TMX	TMP	SM	SM	TMP	SIF	SM	SM	SM
6	TMP	TMP	TMP	ET	NDVI	TMX	ET	TMP	TMN	SIF	TMP	SM	TMN	TMP	NDVI	NDVI
7	NDVI	NDVI	NDVI	TMP	SM	NDVI	NDVI	NDVI	ET	NDVI	SIF	NDVI	TMP	SIF	TMP	TMP
8	SIF	SIF	SIF	SIF	SIF	SIF	SIF	SIF	SIF	TMP	NDVI	SIF	SM	NDVI	SIF	SIF
重要性排序	湿润大陆性气候				亚寒带气候				苔原气候
重要性排序	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12	SPI1	SPI3	SPI6	SPI12
1	PRE	PRE	PRE	SM	PRE	PRE	PRE	PRE	PRE	PRE	PRE	PRE
2	NDVI	SM	TMN	PRE	ET	ET	ET	ET	TMX	TMN	TMN	TMN
3	SIF	TMX	SM	TMN	TMX	TMX	TMN	TMN	ET	TMX	TMX	TMX
4	TMX	TMN	ET	ET	NDVI	TMN	TMX	TMX	TMN	ET	ET	ET
5	ET	NDVI	TMX	TMX	TMN	SM	SM	SM	TMP	TMP	TMP	TMP
6	TMP	ET	NDVI	NDVI	SM	NDVI	TMP	NDVI	SM	SM	SM	NDVI
7	TMN	TMP	TMP	SIF	TMP	TMP	NDVI	TMP	NDVI	NDVI	NDVI	SM

表5

图3

参考文献 23

[1]	Wang F, Yang H, Wang Z, et al. Drought evaluation with cmorph satellite precipitation data in the yellow river basin by using gridded standardized precipitation evapotranspiration index[J]. Remote Sensing, 2019,11(5):485. doi: 10.3390/rs11050485
[2]	McKee T B, Doesken N J, Kleist J. The relationship of drought frequency and duration to time scales[C]. Proceedings of the 8^th Conference on Applied Climatology, Boston , 1993.
[3]	United nations: Convention to combat desertification in those countries experiencing serious drought and/or desertification, particularly in africa[J]. International Legal Materials, 1994,33(5):1328-1382. doi: 10.1017/S0020782900026711
[4]	Herrera-Estrada J E, Satoh Y, Sheffield J. Spatiotemporal dynamics of global drought[J]. Geophysical Research Letters, 2017,44(5):2254-2263. doi: 10.1002/grl.v44.5
[5]	Breiman L. Random forests[J]. Machine Learning, 2001,45(1):5-32. doi: 10.1023/A:1010933404324
[6]	王奕森, 夏树涛. 集成学习之随机森林算法综述[J]. 信息通信技术, 2018,12(1):49-55.
	[ Wang Y S, Xia S T. A survey of Random Forests algorithms[J]. Information and Communications Technologies, 2018,12(1):49-55.]
[7]	Friedhelm Schwenker, Fabio Roli, Josef Kittler. Multiple classifier systems[M]. Berlin: Springer, Cham, 2015.
[8]	沈润平, 郭佳, 张婧娴, 等. 基于随机森林的遥感干旱监测模型的构建[J]. 地球信息科学学报, 2017,19(1):125-133. doi: 10.3724/SP.J.1047.2017.00125
	[ Shen R P, Guo J, Zhang J X, et al. Construction of a drought monitoring model using the Random Forest based on remote sensing[J]. Journal of Geo-information Science, 2017,19(1):125-133. ]
[9]	吴晶, 陈元芳, 余胜男. 基于随机森林模型的干旱预测研究[J]. 中国农村水利水电, 2016(11):17-22.
	[ Wu J, Chen Y F, Yu S N. Research on drought prediction based on Random Forest model[J]. China Rural Water and Hydropower, 2016(11):17-22. ]
[10]	Park S, Im J, Jang E, et al. Drought assessment and monitoring through blending of multi-sensor indices using machine learning approaches for different climate regions[J]. Agricultural and Forest Meteorology, 2016,216:157-169. doi: 10.1016/j.agrformet.2015.10.011
[11]	吴陶樱, 方秀琴, 吴小君, 等. 基于气候区的全球干旱形势分析[J]. 水土保持研究, 2019,26(3):166-173.
	[ Wu T Y, Fang X Q, Wu X J, et al. Analysis of globe drought conditions based on climate zones[J]. Research of Soil and Water Conservation, 2019,26(3):166-173. ]
[12]	Mishra A K, Singh V P. A review of drought concepts[J]. Journal of Hydrology, 2010,391(1-2):204-216.
[13]	Zargar A, Sadiq R, Naser B, et al. A review of drought indices[J]. Environmental Reviews, 2011,19:333-349. doi: 10.1139/a11-013
[14]	马柱国, 符淙斌, 谢力, 等. 土壤湿度和气候变化关系研究中的某些问题[J]. 地球科学进展, 2001(4):563-568.
	[ Ma Z G, Fu C B, Xie L, et al. Some problems in the study on the relationship between soil moisture and climatic change[J]. Advances in Earth Science, 2001(4):563-568. ]
[15]	Nicolai-Shaw N, Zscheischler J, Hirschi M, et al. A drought event composite analysis using satellite remote-sensing based soil moisture[J]. Remote Sensing of Environment, 2017,203:216-225. doi: 10.1016/j.rse.2017.06.014
[16]	Ma H, Zeng J, Chen N, et al. Satellite surface soil moisture from SMAP, SMOS, AMSR2 and ESA CCI: A comprehensive assessment using global ground-based observations[J]. Remote Sensing of Environment, 2019,231:111215. doi: 10.1016/j.rse.2019.111215
[17]	张荣华, 杜君平, 孙睿. 区域蒸散发遥感估算方法及验证综述[J]. 地球科学进展, 2012,27(12):1295-1307.
	[ Zhang R H, Du J P, Sun R. Review of estimation and validation of regional evapotranspiration based on remote sensing[J]. 地球科学进展, 2012,27(12):1295-1307. ]
[18]	Wang Q, Zhang Q-p, Zhou W. Grassland coverage changes and analysis of the driving forces in maqu county[J]. Physics Procedia, 2012,33:1292-1297. doi: 10.1016/j.phpro.2012.05.213
[19]	孟晗, 黄远程, 史晓亮. 黄土高原地区2001-2015年植被覆盖变化及气候影响因子[J]. 西北林学院学报, 2019,34(1):211-217.
	[ Meng H, Huang Y C, Shi X L. Vegetation coverage change and climate impact factors in the Loess Plateau from 2001 to 2015[J]. Journal of Northwest Forestry University, 2019,34(1):211-217. ]
[20]	Gianotti D J S, Rigden A J, Salvucci G D, et al. Satellite and station observations demonstrate water availability's effect on continental‐scale evaporative and photosynthetic land surface dynamics[J]. Water Resources Research, 2019,55(1):540-554. doi: 10.1029/2018WR023726
[21]	GB/T 20481-2017 气象干旱等级. 2017.
	[ GB/T 20481-2017 Grades of meteorological drought. 2017.]
[22]	Dorigo W A, Gruber A, Jeu R A M D, et al. Evaluation of the esa cci soil moisture product using ground-based observations[J]. Remote Sensing of Environment, 2015,162:380-395. doi: 10.1016/j.rse.2014.07.023
[23]	赖成光, 陈晓宏, 赵仕威, 等. 基于随机森林的洪灾风险评价模型及其应用[J]. 水利学报, 2015,46(1):58-66.
	[ Lai C G, Chen X H, Zhao S W, et al. A flood risk assessment model based on Random Forest and its application[J]. Journal of Hydraulic Engineering, 2015,46(1):58-66.]

气候区	归类条件	文中缩写
热带雨林气候	T_min≥18 °C,P_min≥60 mm	Ay
热带季风气候	T_min≥18 °C,P_ann≥(100-P_min)×25	Aj
热带稀树草原气候	T_min≥18 °C,P_ann<(100-P_min)×25	Ax
半干旱气候	5 P_th<P_ann<10 P_th	Bb
沙漠气候	P_ann≤5 P_th	Bs
地中海气候	-3°C<T_min<18 °C,P_smin<P_wmin,P_wmax>3P_smin,P_smin<40 mm	Cd
湿润亚热带气候	-3°C<T_min<18 °C,T_max≥22 °C	Cs
海洋性气候	-3°C<T_min<18 °C,T_max<22 °C	Ch
湿润大陆性气候	T_min≤-3 °C,至少有4个月的T_mon≥10 °C	Ds
亚寒带气候	T_min≤-3 °C,T_mon≥10 °C少于4个月	Dy
冰原气候	T_max<0 °C	Eb
苔原气候	0 °C≤T_max<10 °C	Et

数据	来源	时间分辨率	空间分辨率	时间序列
SPI	http://amir.eng.uci.edu/	月	0.625°	1980.06—2016.12
SM	http://cci.esa.int/	月	0.25°	1978.11—2016.12
ET	http://www.ntsg.umt.edu/	月	0.05°	2000.01—2014.12
PRE	https://crudata.uea.ac.uk/	月	0.5°	1901.01—2017.12
TMN	https://crudata.uea.ac.uk/	月	0.5°	1901.01—2017.12
TMP	https://crudata.uea.ac.uk/	月	0.5°	1901.01—2017.12
TMX	https://crudata.uea.ac.uk/	月	0.5°	1901.01—2017.12
NDVI	https://modis.gsfc.nasa.gov/	月	1 km	2000.02至今
SIF	https://avdc.gsfc.nasa.gov/	月	0.5°	2007.01—2018.10

SPI时间尺度	反映现象	应用
1个月	短期湿度条件	短期土壤水分和作物胁迫（特别是在生长季节）
3个月	短期和中期湿度条件	对降水量的季节估计
6个月	中期降水趋势	表征不同季节降水的潜力
12个月	长期降水模式	与水流、水库水位和地下水水位有关

分类标准	等级	SPI
标准Ⅰ	非干旱	SPI >-1.0
标准Ⅰ	干旱	SPI≤-1.0
标准Ⅱ	非重旱	SPI >-2.0
标准Ⅱ	重旱	SPI≤-2.0

随机森林算法在全球干旱评估中的应用

Application of Random Forest Algorithm in Global Drought Assessment

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 23

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	林炫歆, 肖桂荣, 周侯伯. 顾及土地利用动态变化的滑坡易发性评估方法[J]. 地球信息科学学报, 2023, 25(5): 953-966.
[2]	秦肖伟, 程博, 杨志平, 李林, 董文, 张新, 杨树文, 靳宗义, 薛庆. 基于时序遥感影像的西南山区地块尺度作物类型识别[J]. 地球信息科学学报, 2023, 25(3): 654-668.
[3]	黄帅元, 董有福, 李海鹏. 黄土高原区SRTM1 DEM高程误差校正模型构建及对比分析[J]. 地球信息科学学报, 2023, 25(3): 669-681.
[4]	潘雨飘, 赵翔, 王静, 张亦清, 刘耀林. 基于SMOTE-RF算法的村庄发展类型识别方法研究[J]. 地球信息科学学报, 2023, 25(1): 163-176.
[5]	杨洋, 邵哲平, 赵强, 潘家财, 胡雨, 梅强. 基于厦门港的海上交通事故地理空间分布及风险预测研究[J]. 地球信息科学学报, 2022, 24(9): 1676-1687.
[6]	吴亚楠, 郭长恩, 于东平, 段爱民, 刘玉, 董士伟, 单东方, 吴耐明, 李西灿. 基于不确定性分析的遥感分类空间分层及评估方法[J]. 地球信息科学学报, 2022, 24(9): 1803-1816.
[7]	吕爱锋, 亓珊珊. 遥感及再分析降水产品在缺资料干旱内陆盆地的适用性评估[J]. 地球信息科学学报, 2022, 24(9): 1817-1834.
[8]	聂祥琴, 陈瀚阅, 牛铮, 张黎明, 刘炜, 邢世和, 范协裕, 李家国. 基于时序影像的农业活动因子提取与闽西耕地SOC数字制图[J]. 地球信息科学学报, 2022, 24(9): 1835-1852.
[9]	高歆, 袁胜元, 李京忠, 赵会兵, 许淑娜. 面向稀疏降水站点的套合各向异性贝叶斯地统计估计研究[J]. 地球信息科学学报, 2022, 24(8): 1445-1458.
[10]	高位, 涂伟, 李明晓, 方碧宸, 陈栋胜, 黄正东, 贺彪. 基于影响因子动态更新的都市圈国土-人口协同模拟[J]. 地球信息科学学报, 2022, 24(8): 1502-1511.
[11]	裴泽华, 葛淼, 李浩, 何进伟, 王聪霞. 基于随机森林模型的中国中老年人群HDL-C环境影响因素研究[J]. 地球信息科学学报, 2022, 24(7): 1286-1300.
[12]	郭逸飞, 吴田军, 骆剑承, 石含宁, 郜丽静. 基于不确定性迭代优化的山地植被遥感制图[J]. 地球信息科学学报, 2022, 24(7): 1406-1419.
[13]	高雪梅, 杨续超, 陈柏儒, 林琳. 基于随机森林模型的环渤海地区人口空间化模拟[J]. 地球信息科学学报, 2022, 24(6): 1150-1162.
[14]	卢奕帆, 梁颖然, 卢思言, 肖钺, 何小钰, 林锦耀. 结合“珞珈一号”夜间灯光与城市功能分区的广州市碳排放空间分布模拟及其影响因素分析[J]. 地球信息科学学报, 2022, 24(6): 1176-1188.
[15]	单宝艳, 张巧, 任启新, 樊文平, 吕永强. 基于局地气候分区的济南市热环境空间分异及其影响因素[J]. 地球信息科学学报, 2022, 24(4): 711-722.