摘要
本发明公开了一种干旱事件影响下植被恢复时长的量化预测方法,包括如下步骤:提取研究区各格点周尺度植被状态指数和土壤含水量的时间序列;根据植被状态指数时间序列得到逐格点的植被异常状况;基于土壤水分位数方法识别研究区的土壤干旱事件,提取逐格点的干旱典型特征;结合干旱事件以及对应的植被异常状况,绘制植被累积距平曲线,通过识别植被恢复的起止时刻之间的间隔来量化植被恢复时长;引入极端梯度提升树模型,训练并预测未来时刻旱情发生后植被的恢复时长。本发明为量化植被恢复时长提供了新的途径,基于机器学习算法建立了干旱影响下植被恢复时长的预测方法,为评估生态系统对干旱的响应提供技术支撑。
技术关键词
植被
梯度提升树模型
异常状况
异常状态
概率分布函数
广义极值分布
指数
曲线
模型预测值
处理器
机器学习算法
序列识别
定义
计算机程序产品
典型
地下水
时间段
生态系统
样本
系统为您推荐了相关专利信息
全盐量
反演系统
反演模型
光谱反射率特征
盐渍化土壤
电力系统网络安全
电力信息物理系统
动作执行算法
电力系统结构
监测电力系统
三维体素模型
精准变量施肥方法
自动化农业机械
水肥
多模态
浓度预测方法
卫星影像数据
卫星遥感数据
反演算法
气象
扫地机
异常状态
长短期记忆单元
超参数
异常数据