基于深度学习的湘赣鄂地区植被变化 及其影响因子关系模型

构建NDVI及其影响因子之间的关系模型是对区域植被变化进行预测的重要方法之一,然而传统的模型大多通过线性回归方法构建,且主要选取单一影响因子进行模型构建。深度学习是一种有效训练深层神经网络的机器学习算法,具有训练速度快、预测精度高的优点,近年来被应用于图像识别、回归分析等各领域。笔者引入深度学习方法,以气象、土壤、地形等多因子为模型自变量,以MODIS-NDVI为因变量构建关系模型,应用于湘赣鄂地区2005—2015年植被变化的预测中,对所建模型的适用性进行了评价。结果表明:深度学习模型与线性回归模型相比预测精度更高,预测效果更好,NDVI深度学习预测值与原始MODIS-NDVI值的相关系数达到0.804。可见,深度学习具有较强的模型构建及预测能力,能够地对区域植被变化进行有效的预测,进而为作物产量估算、冻害监测、植被覆盖度监测等研究提供帮助。     

东北地区耕地扩张对地表增温/降温的生物物理机理分析

土地利用/覆盖变化对气候具有重要影响,为探讨耕地扩张的气候效应,基于土地利用数据及MODIS遥感资料,采用窗口搜索法,利用能量平衡的原理,研究2000−2018年东北地区耕地扩张的潜热和净短波辐射通量变化,分析耕地扩张对地表温度的影响。结果表明：（1）研究期内东北地区耕地面积增加1.6×104km2,主要来自林地和草地,分别占耕地扩增面积的16.33%和76.24%。（2）与林地相比,耕地白天对地表具有增温作用,夜间具有降温作用,全天具有增温作用,并具有明显的季节特征。夏秋季节耕地的蒸散发弱于林地,潜热通量比林地少,导致耕地对地表具有增温作用,冬季耕地的净短波辐射远少于林地,导致耕地对地表降温。（3）与草地相比,耕地夜间总体的降温效应稍强于白天的增温效应,使耕地全天对地表具有降温效应,并具有不同的季节特征。夏秋季节耕地的蒸散发强于草地,耕地的潜热通量比草地多,成为耕地对地表降温的主要原因,而在春冬季节,耕地与草地吸收的净短波辐射差异较小,同时潜热差异也较小,因此对地表的增温/降温效应不明显。