国产精品久久a_国产精品久久久久7777婷婷_国产大学生视频_欧美成人精品一区二区三区_国产手机在线观看_久久99精品久久久久久青青91_亚洲区 欧美区_亚洲欧美自拍一区_欧美一级片中文字幕_无码精品一区二区三区在线

隨著氣候變化的加劇，城市地區越來越受到水資源短缺和城市熱島效應的影響。蒸散量(ET)是全球城市綠化倡議的重要組成部分。然而，城市地區的ET估算方法仍然有限。隨著城市中建立越來越多的通量觀測塔，為城市ET的直接測量提供了可能性。來自柏林工業大學的Stenka Vulova在研究城市ET中提出了一種估算城市ET的新方法。該方法利用遙感和GIS數據、Footprint模型以及機器學習和深度學習等技術，估算城市的蒸散量。

本文的研究區域位于德國柏林，從衛星圖像、通量塔(兩個通量塔位置分別定義為ROTH和TUCC)和氣象站提取動態和靜態數據集，用于預測城市景觀中的ET。文章分析了4種預測情景下估算城市ET的準確性，并評估了兩種不同算法[卷積神經網絡(1D CNN)和隨機森林(RF)]在預測中的表現。最佳表現情景(氣象和GIS數據)顯示，對于植被較多的地點，RF算法預測蒸散的RMSE為0.0239 mm/h，R²為0.840，1D CNN算法預測蒸散的RMSE是0.0250 mm/h，R²為0.824。

4種預測情境下

不同算法的預測結果

點擊圖片查看大圖~

該研究還分析了不同預測情景中各變量的重要性，對于ROTH和TUCC兩個站點，風速、大氣壓和太陽天頂角均是隨機森林算法(RF)最重要的預測因子。對于ROTH站點，NDVI，ISF(非滲透表面的比例)和BH(建筑物高度)則分別是隨機森林算法(RF)第三、第四和第六重要的預測因子。

點擊圖片查看大圖~

本研究通過利用遙感和GIS數據、Footprint模型以及機器學習和深度學習等技術，提出了一種估算城市ET的新方法，即便是在氣象數據較為有限的情況下，仍提高了城市地區ET估算的準確性。同時該方法有助于以半小時的分辨率對ET進行時間和空間上的升尺度。