[发明专利]基于随机森林算法的植被指数预测方法、系统及设备

权利要求书

1.一种基于随机森林算法的植被指数预测方法，其特征在于，包括以下步骤：

获取植被指数数据，选取预设时间段内的所述植被指数数据作为训练数据集，根据预设的规则从所述训练数据集选取高质量像元值作为第一输入数据；

将预设时间段内的全球陆地数据同化系统流域地表模型数据集以每半月进行整合，生成半月尺度的第二输入数据；

获取预设时间段内的高程数据，以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建随机森林模型；

其中，所述随机森林模型通过在训练数据集中随机有放回抽取若干个子集，每个子集生成一棵分类与回归树，利用最优变量及对应的最优值对所述分类与回归树进行划分，通过对若干个分类与回归树的预测值进行平均获得植被指数预测值；

获取目标时间段的全球陆地数据同化系统流域地表模型数据，将所述第一输入数据、第二输入数据、高程数据和目标时间段的全球陆地数据同化系统流域地表模型数据作为随机森林模型的样本数据，利用随机森林模型对所述样本数据进行分类并根据所述分类结果回归预测目标时间段的植被指数，获取植被指数预测值。

2.根据权利要求1所述的基于随机森林算法的植被指数预测方法，其特征在于：所述以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建随机森林模型的步骤包括：

在训练数据集中随机有放回抽取子集，每个子集生成一棵分类与回归树；

利用最优变量s_t和对应最优值s^*将t节点划分为t_L和t_R两棵子树，令每棵子树之间的样本具有最大差异性：

Δi(s，t)＝i(t)-p_Li(t_L)-p_Ri(t_R)

其中，Δi(s，t)是t节点划分后的精度，i(t_L)、i(t_R)分别是两棵子树t_L、t_R的精度，p_L、p_R分别是两棵子树t_L、t_R的精度的系数，分别是两棵子树t_L、t_R的样本数量，i(t)是植被指数拟合模型精度量测函数：

N_t是节点t包含的样本数，y_i是节点t中样本i的植被指数输入值，y是y集合算术平均值：

计算样本在分类与回归树中传播时所达到对应叶子节点的值，获得单个分类与回归树的植被指数预测值；

将所有单个分类与回归树的预测结果进行平均，获得植被指数预测值：

其中，f是植被指数预测值，N_tree是分类与回归树的数量，f_i(x)是每棵分类与回归树的植被指数预测值。

3.根据权利要求2所述的基于随机森林算法的植被指数预测方法，其特征在于：所述以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建随机森林模型步骤中，按照以下方式计算每一个自变量参与所述随机森林模型的权重值：

其中，p(t)是样本到达节点t的比率，即N_t/N，N_t是节点t包含的样本数，N是样本数据的样本数，v(s_t)是用于分割s_t的变量，p(t)Δi(s_t，t)为节点t的加权精度减少比率；X_j是自变量。

4.根据权利要求1所述的基于随机森林算法的植被指数预测方法，其特征在于：所述基于随机森林算法的植被指数预测方法还包括以下步骤：将选取训练数据集后剩余的植被指数数据作为验证数据集，利用所述验证数据集判断所述随机森林模型预测结果的精度是否达到设定精度，若是，输出植被指数预测值；否则，修改所述随机森林模型的分类与回归树的数目，重新获取植被指数预测值。