基于随机森林的严重干旱区域预测：利用卫星图像和地形数据

由于气候变化，基于过去气象数据的干旱预测的不确定性正在增加。然而，农业干旱与粮食资源相关，并由土壤水分决定，必须提前几个月进行预测以便及时资源分配。因此，我们设计了一个短期干旱的严重干旱区域预测（SDAP）模型，该模型不依赖于气象数据。我们提出的SDAP模型的预测表明，在无降雨的假设下对严重干旱区域的预测，而不是干旱发生的概率预测。此外，该预测提供了更实用的信息，以便在实际干旱期间进行快速水资源分配。使用遥感数据的模型结构由两部分组成。首先，由随机森林（RF）学习的训练区域的干旱函数f(x)学习了过去干旱中土壤水分指数（SMI）模式的变化，训练性能发现均方根误差（RMSE）= 0.052，平均绝对误差（MAE）= 0.039，R2 = 0.91。其次，推导的f(x)预测了研究区域在另一年同一季节的SMI，其面积是训练区域的20倍，RMSE = 0.382，MAE = 0.375，R2 = 0.58。我们还获得了源于RF的变量重要性，并讨论了其含义以及模型的优缺点、训练区域选择和预测覆盖范围。