...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International journal of remote sensing >A machine-learning approach to forecasting remotely sensed vegetation health
【24h】

A machine-learning approach to forecasting remotely sensed vegetation health

机译：一种机器学习方法来预测遥感植被健康

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Drought threatens food and water security around the world, and this threat is likely to become more severe under climate change. High-resolution predictive information can help farmers, water managers, and others to manage the effects of drought. We have created an open-source tool to produce short-term forecasts of vegetation health at high spatial resolution, using data that are global in coverage. The tool automates downloading and processing Moderate Resolution Imaging Spectroradiometer (MODIS) data sets and training gradient-boosted machine models on hundreds of millions of observations to predict future values of the enhanced vegetation index. We compared the predictive power of different sets of variables (MODIS surface reflectance data and Level-3 MODIS products) in two regions with distinct agro-ecological systems, climates, and cloud coverage: Sri Lanka and California. Performance in California is higher because of more cloud-free days and less missing data. In both regions, the correlation between the actual and model predicted vegetation health values in agricultural areas is above 0.75. Predictive power more than doubles in agricultural areas compared to a baseline model.
机译：干旱威胁着世界各地的粮食和水安全，在气候变化下，这种威胁可能会变得更加严重。高分辨率的预测信息可以帮助农民，水管理人员和其他人员管理干旱的影响。我们创建了一个开源工具，可以使用覆盖全球的数据来以高空间分辨率生成植被健康的短期预测。该工具可自动下载和处理中等分辨率成像光谱仪（MODIS）数据集，并在数亿个观测值上训练梯度增强型机器模型，以预测增强植被指数的未来值。我们在斯里兰卡和加利福尼亚州两个具有不同农业生态系统，气候和云层的地区比较了不同变量集（MODIS表面反射率数据和Level-3 MODIS产品）的预测能力。加利福尼亚州的性能较高，这是因为无云日更多，丢失的数据更少。在这两个区域中，农业地区的实际和模型预测的植被健康值之间的相关性均高于0.75。与基准模型相比，农业地区的预测能力提高了一倍以上。

著录项

  • 来源
    《International journal of remote sensing》 |2018年第6期|1800-1816|共17页
  • 作者

    Nay John; Burchfield Emily; Gilligan Jonathan;

  • 作者单位

    NYU, Informat Law Inst, New York, NY USA;

    Quinney Coll Nat Resources, Dept Environm & Soc, Logan, UT USA;

    Vanderbilt Univ, Dept Earth & Environm Sci, 221 Kirkland Hall, Nashville, TN 37235 USA;

  • 收录信息 美国《科学引文索引》(SCI);美国《工程索引》(EI);
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号