本發明涉及一種基于隨機森林算法的植被指數預測方法、系統及設備，通過以植被指數作為因變量，以全球陸地數據同化系統流域地表模型數據集和高程數據作為自變量，構建隨機森林模型，利用隨機森林模型對所述樣本數據進行分類并根據所述分類結果回歸預測目標時間段的植被指數，獲取植被指數預測值。相對于現有技術，本發明解決了現有技術中植被指數缺失問題，用戶可利用本發明實現任意時間段的植被指數預測，完善了植被指數數據。

技術領域

本發明涉及地理信息技術領域，尤其是涉及一種基于隨機森林算法的植被指數預測方法、系統及設備。

背景技術

植被指數是從多光譜遙感數據中提取的、能夠有效度量地表植被狀況的數值，是基于連續時間序列的衛星遙感數據，與植被的覆蓋度、生物量等有較好的相關性。

然而，現有的植被指數數據涉及的時間周期較短，而長時間的植被指數在反應區域地表植被情況及周期性變化及研究區域生態環境承載力上具有重要作用。然而，由于植被指數數據量大，數據維度多，對植被指數進行預測時，選擇所述植被指數中的特征顯得尤為重要，其選擇結果影響預測結果，影響預測的準確性。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種無需進行特征選擇、準確率高的基于隨機森林算法的植被指數預測方法、系統及設備。

一種基于隨機森林算法的植被指數預測方法，包括以下步驟：

獲取植被指數數據，選取預設時間段內的所述植被指數數據作為訓練數據集，根據預設的規則從所述訓練數據集選取高質量像元值作為第一輸入數據；

將預設時間段內的全球陸地數據同化系統流域地表模型數據集以每半月進行整合，生成半月尺度的第二輸入數據；

獲取預設時間段內的高程數據，以植被指數作為因變量，以全球陸地數據同化系統流域地表模型數據集和高程數據作為自變量，構建隨機森林模型；

其中，所述隨機森林模型通過在訓練數據集中隨機有放回抽取若干個子集，每個子集生成一棵分類與回歸樹，利用最優變量及對應的最優值對所述分類與回歸樹進行劃分，通過對若干個分類與回歸樹的預測值進行平均獲得植被指數預測值；

獲取目標時間段的全球陸地數據同化系統流域地表模型數據，將所述第一輸入數據、第二輸入數據、高程數據和目標時間段的全球陸地數據同化系統流域地表模型數據作為隨機森林模型的樣本數據，利用隨機森林模型對所述樣本數據進行分類并根據所述分類結果回歸預測目標時間段的植被指數，獲取植被指數預測值。

相對于現有技術，本發明通過以植被指數作為因變量，以全球陸地數據同化系統流域地表模型數據集和高程數據作為自變量，構建隨機森林模型，利用隨機森林模型對所述樣本數據進行分類并根據所述分類結果回歸預測目標時間段的植被指數，獲取植被指數預測值，所述隨機森林通過隨機選取特征遍歷減少每棵樹之間的相關性，提高每棵樹之間的分類精度，實現了任意時間段的植被指數預測，解決了現有技術中植被指數缺失問題，用戶可利用本發明完善植被指數數據，同時本發明為多棵分類與回歸樹并行計算，計算效率高，最終結合多棵分類與回歸樹的預測結果進行植被指數的預測，準確性較高。

在本發明一個實施例中，所述以植被指數作為因變量，以全球陸地數據同化系統流域地表模型數據集和高程數據作為自變量，構建隨機森林模型的步驟包括：

在訓練數據集中隨機有放回抽取子集，每個子集生成一棵分類與回歸樹；

利用最優變量s_t和對應最優值s^*將t節點劃分為t_L和t_R兩棵子樹，令每棵子樹之間的樣本具有最大差異性：

Δi(s，t)＝i(t)-p_Li(t_L)-p_Ri(t_R)