利用时空极端梯度提升模型重建格陵兰冰盖 MODIS 归一化差异雪指数产品
机器学习
2024-11-05 v1
摘要
归一化差异雪指数（NDSI）的时空连续数据对于理解雪的发生和发展机制以及雪分布变化的模式至关重要。然而，云的存在，特别是在格陵兰冰盖（GrIS）等极地地区，导致 MODIS NDSI 日数据中出现了大量缺失像素。为了解决这个问题，本研究提出了利用时空极端梯度提升（STXGBoost）模型生成完整的 NDSI 数据集。在所提出的模型中，精心选择了各种输入变量，包括地形特征、几何相关参数和表面属性变量。此外，该模型融合了时空变化信息，增强了重建 NDSI 数据集的能力。验证结果证明了 STXGBoost 模型的有效性，决定系数为 0.962，均方根误差为 0.030，平均绝对误差为 0.011，偏置可忽略不计（0.0001）。此外，涉及缺失数据和与 Landsat NDSI 数据交叉验证的模拟比较说明了该模型准确重建 NDSI 数据空间分布的能力。值得注意的是，所提出的模型超越了传统机器学习模型的性能，展示了优越的 NDSI 预测能力。本研究强调了利用辅助数据重建 GrIS 上 NDSI 的潜力，对其他地区的广泛应用具有启示意义。这些成果为 NDSI 遥感数据重建提供了有价值的见解，有助于进一步理解雪覆盖区域的时空动力学。
引用
@article{arxiv.2411.01450,
title = {Reconstructing MODIS Normalized Difference Snow Index Product on Greenland Ice Sheet Using Spatiotemporal Extreme Gradient Boosting Model},
author = {Fan Ye and Qing Cheng and Weifeng Hao and Dayu Yu},
journal= {arXiv preprint arXiv:2411.01450},
year = {2024}
}