[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

说明书

本发明涉及一种基于随机森林算法的植被指数预测方法、系统及设备，通过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，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。相对于现有技术，本发明解决了现有技术中植被指数缺失问题，用户可利用本发明实现任意时间段的植被指数预测，完善了植被指数数据。

技术领域

本发明涉及地理信息技术领域，尤其是涉及一种基于随机森林算法的植被指数预测方法、系统及设备。

背景技术

植被指数是从多光谱遥感数据中提取的、能够有效度量地表植被状况的数值，是基于连续时间序列的卫星遥感数据，与植被的覆盖度、生物量等有较好的相关性。

然而，现有的植被指数数据涉及的时间周期较短，而长时间的植被指数在反应区域地表植被情况及周期性变化及研究区域生态环境承载力上具有重要作用。然而，由于植被指数数据量大，数据维度多，对植被指数进行预测时，选择所述植被指数中的特征显得尤为重要，其选择结果影响预测结果，影响预测的准确性。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种无需进行特征选择、准确率高的基于随机森林算法的植被指数预测方法、系统及设备。

一种基于随机森林算法的植被指数预测方法，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。

相对于现有技术，本发明通过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，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，所述随机森林通过随机选取特征遍历减少每棵树之间的相关性，提高每棵树之间的分类精度，实现了任意时间段的植被指数预测，解决了现有技术中植被指数缺失问题，用户可利用本发明完善植被指数数据，同时本发明为多棵分类与回归树并行计算，计算效率高，最终结合多棵分类与回归树的预测结果进行植被指数的预测，准确性较高。

在本发明一个实施例中，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)