[发明专利]一种应用于气候变化情景下区域未来植被指数的预估方法

权利要求书

1.一种应用于气候变化情景下区域未来植被指数的预估方法，其特征在于：

包括以下步骤：

步骤S1：特征变量初步选取：获取影响年度植被指数的特征变量，包括反应气候状况的年平均气温、年降水量、年蒸发量，反应地表下垫面的人口密度、GDP空间分布、土地利用、土壤数据、高程和坡度，数据形式均为栅格数据；其中，所述年平均气温、年降水量、年蒸发量统称为气象变量；

步骤S2：将特征变量与植被指数统一转换为栅格数据；然后，由ArcGIS的Raster toAscii工具将栅格数据转换为Ascii码；再由Python调用Numpy库读取Ascii码数据，由Pandas库将读取的数据构建成随机森林模型的样本集S,如式(1)：

式中:为反应气候状况的特征变量，为反应地表下垫面的特征变量，Y_i为预测变量；n为样本容量；j为反应气候状况的特征变量个数；k为反应地表下垫面的特征变量个数；

步骤S3：随机森林模型关键参数设置：随机森林算法需要设置决策树数目n_tree与节点分割时随机选取的特征变量数m_try两个关键参数；在计算机性能充足的情况下，n_tree设置大值，n_tree∈[100，+∞)，m_try设置为m表示特征变量总个数，即步骤S2中所述的j+k；

步骤S4：训练样本：通过Python调用Sklearn机器学习库中随机森林模型，输入样本集S进行模型训练，得到训练好的随机森林模型；

步骤S5：特征变量确定：由随机森林模型计算各特征变量的重要性评分，利用式(2)进行评分计算，选取评分结果排名前50％的的变量作为预估植被指数的特征变量，特征变量中的气象变量通过SDSM降尺度模型进行预估；

式中:E_errOOB1为袋外数据误差；E_errOOB2为随机对袋外数据所有特征变量的样本加入噪声干扰再次计算的袋外误差；n_tree为决策树数目。

步骤S6：进行随机森林模型预报性能评估；

步骤S7：构造随机森林模型的预报因子集S^*；

步骤S8：未来植被指数预估：将步骤S10生成的预报因子集S^*输入到步骤S4训练好的随机森林模型中进行气候变化影响下的未来植被指数预估。

2.根据权利要求1所述的一种应用于气候变化情景下区域未来植被指数的预估方法，其特征在于：步骤S5中所述特征变量中的气象变量通过SDSM降尺度模型进行预估的具体包括以下步骤：

步骤Sa：进行SDSM预报因子筛选：根据预报因子与预报量有强相关性即相关系数大于0.8，预报因子间必须是弱相关或无关即相关系数小于0.3的原则，从气候模式数据中筛选出部分气候因子作为预报因子；

步骤Sb：SDSM模型率定与验证：选取同期的气象站点实测数据与气候模式数据，建立每个站点气象变量与气候模式数据中筛选出的预报因子之间的经验统计关系，即确定多元回归方程的参数，进行模型参数的率定，其中降水采用式(3)，气温、蒸发气象变量采用式(4)；以确定性系数R²与均方根误差RMSE作为评价指标，利用同期历史气象观测资料对SDSM模式输出结果进行误差检验；

式中:W_i为第i天发生降水的概率；α、β、γ为模式参数；R_i为降水量；V_i为气温、蒸发气象变量；e_i为误差；P_ij为预报因子；

步骤Sc：未来气象变量预报：根据率定完成的SDSM降尺度模型如式(3)与式(4)，输入GCM气候模式数据，生成未来气象变量的逐日数据。