Page 217 - 《高原气象》2022年第6期
P. 217

高     原      气     象                                 41 卷
              1580
             四川中西部和南部，但对比实际旱情发现，模型对                             用适当的降尺度方法增强不同遥感数据的精度，
             云南旱情监测偏弱，云南西部的特旱没有能很好地                             减少不确定性，从而进一步完善构建的遥感干旱
             监测；由于Ka的取值，MCI对西藏地区的冬季干旱                           监测模型，并更进一步提高模型监测精度。
             没有监测，且 MCI 与 SPEI 对四川重旱没有有效监                       4. 2  结论
             测，旱情区域分布有所误差。将模型监测结果、                                  干旱的形成往往由多种因素共同影响，不同地
             MCI指数、SPEI指数与实际灾情进行对比分析后可                          区的影响因素又会有所差别，不同因素之间的作用
             以发现，利用 XGBoost模型对各个季节干旱的监测                         机理也复杂多变，而机器学习方法能够在不考虑因
             情况与实际旱情等级及分布相似，且相较于 MCI与                           素之间具体作用机理的情况下建立多因素组合监
             SPEI插值具有更加精细的区域监测，对站点较少的                           测模型对干旱进行监测和分析，是一种较为优秀的
             青藏高原地区也能够进行有效监测，但相对特旱情                             研究方法，其中随机森林与 XGBoost是目前相对较
             况监测偏弱。                                             新的机器学习方法。本文利用 2010-2019 年植被

              4   讨论与结论                                         指数产品、地表温度产品、植被覆盖类型产品、降
                                                                水产品、DEM、SM 数据以及 1980-2019 年气象站
             4. 1  讨论                                           点实测数据，首先计算了 TCI、VCI、TRMM-SPI、
                  基于随机森林模型能够提高遥感地表温度的                           DEM 坡度与坡向、SPEI 和 MCI 指数，然后基于随
             精确度与完整性，且在西藏地区也有较好的表现，                             机森林算法，构建随机森林模型，对西南地区的地
             这与 Cheng et al（2010）的研究结果一致。XGBoost                表温度进行重建补充，最后基于 XGBoost 算法，构
             模型监测与实际旱情分布基本一致，能够较好地                              建了 XGBoost 监测模型对西南地区的干旱进行了
             反映出西南地区的干旱分布和旱情，且对属于青                              监测、分析和评估验证，得到以下主要结论：
             藏高原的西藏等站点较少区域也能有较好的监                                  （1） 利用随机森林模型重建 2010-2019 年西
             测，比 MCI 和 SPEI 插值结果拥有更高的空间分辨                       南地区地表温度，能够得到较精准的地表温度值。
             率。但模型监测结果与 MCI 的干旱等级一致率相                           将监测值与遥感观测地表温度、气象站点实测数据
             对较低，如沈润平等（2017）的研究中模型监测结                           对比发现，监测值与遥感观测数据空间分布类似，
             果能够与验证指数干旱等级一致率达到 74. 9% 以                         大小更接近于站点实测数据，基于随机森林重建能
             上 ，且对如贾艳青和张勃（2018）研究中表明的                           够得到有效的地表温度值，且对气象站点稀疏地
             2011 年夏秋季西南地区发生了严重的极端干旱事                           区，如青藏高原同样具有较好的效果。
             件等一些极端情况也未能很好地监测。究其原因                                 （2） 利用 XGBoost 模型对西南地区干旱进行
             认为可能与以下一些因素有关：（1）MCI 计算时                           监测，能够得到较优秀的监测效果，按照 SPEI值干
             Ka 的取值会造成 MCI 对西藏地区一些月份的干旱                         旱等级划分统计，监测值与 SPEI 值的干旱总体一
             监测较少，从而造成西藏干旱年模型监测与 MCI                            致率超过 85%，除特旱以外，各干旱等级一致率都
             的干旱等级一致率较低，且 MCI 指数在一些干旱                           超过60%，模型监测值与站点计算SPEI值较一致。
             过程中表现更为严重（王春学等，2019）；（2）模型                            （3） 利用 MCI 值对模型监测值进行对比分析
             学 习 对 象 SPEI 在 计 算 潜 在 蒸 散 量 时 采 用 的 是             后得出，模型监测值与 MCI值干旱等级总体一致率
             Thornthwaite 方法，由于此方法只考虑了温度和降                      在 67. 88% 以上；各月一致率均较高，其中 9月一致
             水因子，未考虑风速、水汽压、土壤热通量、地表                             率最高，为 75. 07%，2 月一致率最低，为 58. 26%，
             净辐射等因素，从而使计算的 SPEI 与实际旱情存                          模型监测值与站点计算MCI值较为一致。
             在误差，而经过模型学习后可能会放大误差，从而                                （4） 利用 XGBoost 模型监测值对西南地区干
             出现偏差；（3）SM 数据、TRMM 数据降尺度方法                         旱进行分析时发现，模型监测 2010 年 3 月、6 月、
             以及 MODIS 数据本身的精确度可能造成数据偏                           2011 年 9 月春夏秋季旱情与实际旱情基本一致，能
             差，增加不确定性，从而进一步影响模型监测。因                             够较好地反映出西南地区的干旱分布和旱情，但
             此后续可在数据资料更完备的情况下，通过采用                              2012 年 2 月冬季旱情与实际旱情部分一致，对云南
             FAO Penman Monteith 方法计算潜在蒸散量，从而                   旱情监测较弱，没有有效监测云南西部特旱。相对
             计算 SPEI，并在计算 MCI 时，根据不同省市区的                        于 MCI和 SPEI，模型监测干旱区域更为精确，覆盖
             情况对季节调节系数 Ka 和权重系数进行调整，采                           面更广，干旱等级更加符合实际情况。
   212   213   214   215   216   217   218   219   220   221   222