采用XGBoost+SHAP揭示贵阳市地表温度的驱动力因子

该文在基于数理统计方法揭示贵阳市地表温度(land surface temperature,LST)年际和季节时空演变趋势的基础上,为更好地明晰影响因子及其交互影响对LST的驱动作用,协同极端梯度提升算法(extreme gradient boosting,XGBoost)和Shapley加法解释方法(shapley additive explanations,SHAP),对贵阳市LST时空演变模式背后的原因进行了诊断分析。结果表明:(1)2000-2020年间,贵阳市秋季低温区面积占比呈显著减少趋势,年均减少率约为0.068%。(2)LST增温表现出南高北低的分布特征,云岩区和南明区的亚高温区和高温区变化最为明显。(3)XGBoost可较好地刻画各季节LST与影响因子间的响应关系,获得了较高的建模精度。所构建模型在测试集上的RMSE、MAE和R^(2)分别为0.5169℃、0.3893℃和0.8950。(4)基于SHAP的分析结果表明:影响因子对LST影响的重要性存在季节差异,总体而言,国内生产总值(GDP)、高程、降水和植被覆盖对LST的影响最大;除GDP和人口密度外,各影响因子对LST变化的作用方式主要为非线性关系;高程、降水、植被和水体对研究区LST主要起到降温作用,而不透水面、裸地、农业用地、人口密度及GDP则主要起到增温作用。

CYGNSS 3种地表反射率在贵州山区的土壤湿度反演对比

针对气旋全球导航卫星系统(CYGNSS)3种常用地表反射率在土壤湿度(SM)反演方面性能尚不明晰的问题,该文以贵州省为研究区,以LightGBM为建模工具,通过实验对比分析了其各自的SM反演精度。结果表明:以CYGNSS 3种地表反射率为解释变量的SM模型均能获得较高的建模精度和SM反演精度;基于信噪比(SNR)反射率的SM模型更易受植被覆盖的影响,模型泛化能力最差,SM反演结果的精度最低;基于峰值功率反射率的SM模型具有更强的泛化能力,获得了更高的SM反演精度,SM反演结果的均方根误差、平均绝对误差和皮尔逊相关系数分别为0.0536、0.0423 cm^(3)·cm^(-3)和0.7670。研究结论可为CYGNSS土壤湿度反演观测值的选取提供参考。