用于植被变化归因的区域机器学习残差趋势法.pdfVIP

第３７卷ꎬ第１期自然资源遥感Ｖｏｌ.３７ꎬＮｏ.１

２０２５年０２月ＲＥＭＯＴＥＳＥＮＳＩＮＧＦＯＲＮＡＴＵＲＡＬＲＥＳＯＵＲＣＥＳＦｅｂ.ꎬ２０２５

ｄｏｉ:１０.６０４６/ｚｒｚｙｙｇ.２０２３２５８

－

引用格式:胡博洋ꎬ孙建国ꎬ张倩ꎬ等.用于植被变化归因的区域机器学习残差趋势法[Ｊ].自然资源遥感ꎬ２０２５ꎬ３７(１):４６５３.

ꎬꎬｍｏｄｅｌｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｆｏｒａｔｔｒｉｂｕｔｉｏ

(ＨｕＢＹＳｕｎＪＧꎬＺｈａｎｇＱｅｔａｌ.Ｒｅｓｉｄｕａｌｔｒｅｎｄｍｅｔｈｏｄｂａｓｅｄｏｎｒｅｇｉｏｎａｌｎｏｆｖｅｇｅｔａｔｉｏｎ

－

ｃｈａｎｇｅｓ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｆｏｒＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓꎬ２０２５ꎬ３７(１):４６５３.)

用于植被变化归因的区域机器学习残差趋势法

ꎬ

１ꎬ２３１ꎬ２ꎬ３１ꎬ２ꎬ３１ꎬ２ꎬ３

胡博洋ꎬ孙建国ꎬ张倩ꎬ杨云睿

(１.兰州交通大学测绘与地理信息学院ꎬ兰州７３００７０ꎻ２.地理国情监测技术应用国家地方联合工程

研究中心ꎬ兰州７３００７０ꎻ３.甘肃省地理国情监测工程实验室ꎬ兰州７３００７０)

摘要:现有的残差趋势法采用逐像元建模策略ꎬ利用普通最小二乘法构建模型ꎬ存在着一定的局限性:一方面ꎬ逐

像元建模策略使每个模型都包含了局部空间内的人类活动信号干扰ꎻ另一方面ꎬ普通最小二乘法不利于模拟普遍

存在的非线性特征ꎮ因此ꎬ该文提出一种全新的基于区域建模策略和机器学习算法的残差趋势法ꎬ并对比了用于

－

表达空间异质性的２种环境变量:①地形、水文和土地利用等直接环境变量(ｄｉｒｅｃｔｅｎｖｉｒｏｎｍｅｎｔａｌｖａｒｉａｂｌｅｓꎬＤＥＶｓ)ꎻ

②植被和气候时空序列组合的代理环境变量(ｐｒｏｘｙ－ｅｎｖｉｒｏｎｍｅｎｔａｌｖａｒｉａｂｌｅｓꎬＰＥＶｓ)ꎮ首先ꎬ采用区域建模策略ꎬ分别

－

引入ＤＥＶｓ和ＰＥＶｓꎬ使用机器学习算法构建植被气候关系模型ꎻ其次ꎬ根据残差趋势法的定义得到残差值ꎻ最后ꎬ

评估气候和人为因素对植被变化的贡献ꎮ结果表明:①相比以往的逐像元普通最小二乘残差趋势法ꎬ所提方法的

－

优势不仅表现为机器学习能够模拟植被气候关系的非线性特征ꎬ还表现为区域建模具备更强的抗人类信号干扰

能力ꎻ②新方法中ꎬ使用ＰＥＶｓ明显优于使用ＤＥＶｓꎬ前者充分利用了原有建模数据ꎬ没有增加数据获取难度ꎬ也避

免了引入额外的数据误差ꎮ该文提出的区域机器学习残差趋势法可以实现更有效的植被变化归因ꎮ

关键词:植被变化归因ꎻ区域建模ꎻ机器学习算法ꎻ残差趋势法ꎻ空间异质性

－－－

中图法分类号:ＴＰ７９文献标志码:Ａ文章编号:２０９７０３４Ｘ(２０２５)０１００４６０８

的空间异质性体现为逐个模型的参数差异ꎬ回避了

０引