杨晋云，张 莎，白 雲，黄安齐，张佳华

基于机器学习融合多源遥感数据模拟SPEI监测山东干旱*

杨晋云1，张 莎1，白 雲1，黄安齐1，张佳华2**

(1.青岛大学计算机科学技术学院，青岛 266071；2.中国科学院遥感与数字地球研究所，北京 100094)

以山东省为研究区，选择偏差校正随机森林BRF（Bias-corrected random forest），支持向量回归SVR（Support vector regression）和Cubist模型三种机器学习方法融合多影响因子模拟3个月时间尺度的标准化降水蒸散指数SPEI-3，以期为精确监测山东地区干旱提供一种方法。将2001−2017年23个站点的SPEI-3值作为因变量，多源遥感数据包括降水量、地表温度、蒸散发、潜在蒸散发、归一化植被指数以及土壤湿度六类7个影响因子作为自变量，自变量和因变量构成数据集的80%作为训练集，20%作为测试集。根据BRF模型得到研究区各个站点的模拟值以及各影响因子的相对重要性，绘制SPEI-3的空间分布图，并进行验证。结果表明，综合因子比单一因子模拟效果好，BRF模型测试集中的模拟值和观测值的决定系数R2达到了0.856，均方根误差RMSE为0.359，BRF模型能较好模拟站点SPEI-3值。大部分站点模拟值与观测值反映的干旱趋势一致，反映站点不同程度旱情的月份个数基本相同。此外，BRF模型模拟的SPEI-3的空间分布与站点SPEI-3观测值表现的干旱程度基本一致，且SPEI-3空间分布站点之外栅格数据也可以较准确地反映旱情，说明根据BRF模型可在站点和空间尺度上较精确地监测山东地区干旱情况。

机器学习；多源遥感；干旱；标准化降水蒸散指数；山东省

干旱是一种常见、发生频率较高的灾害，是由水分收支或供求不平衡所形成的水分亏缺现象[1]，干旱的精准监测对农业生产具有重要意义[2−3]。……