基于随机森林的局地起沙量预测评估模型

doi:10.7522/j.issn.1000-694X.2024.00184

摘要/Abstract

摘要：

沙尘天气发生源头一直是社会关注焦点，而蒙古国及中国境内沙尘源地起沙量及贡献尚不十分明确。利用2019—2024年的典型沙尘过程遥感监测产品，考虑沙尘发生阶段起沙量对应的气象要素、地表状况信息，采用随机森林机器学习方法确定起沙通量与气象要素、沙源遥感监测状况间的响应关系进而建立模型，并利用模式或实况数据等快速评估源区的起沙发展趋势和沙尘强度。在此基础上通过对多时相遥感沙尘判识结果精细化估计沙源地，分析了4次典型沙尘过程的起沙预测效果，并进行了模型的不确定性分析。结果表明：（1）利用监测数据对模型起沙量进行散点拟合验证，R²为0.84，平均绝对误差（MAD）为25.2 kg·km^-2·min^-1。（2）模型可预测局地起沙影响并对不同沙尘源的起沙量贡献提供定量化预测。

关键词: 起沙量, 沙尘监测, 随机森林, 遥感, 沙源地, FY-4

Abstract:

The source of dust has always been the focus of social attention， but the amount and contribution of dust between Mongolia and the China are not so clear. In this paper， typical dust monitoring product by remote sensing from 2019 to 2024 were used to establish the response relationship between dust flux， meteorological elements and sand sources， which considered the meteorological elements and surface condition corresponding to the mass of dust generated in the generation stage of dust weather. The trend of dust generation and intensity by the source are quickly evaluated by using model or real data. On this basis， the results by multi-temporal remote sensing are used to estimate the dust source， and the application effects of four typical dust processes were analyzed， as well as， the uncertainty of the model. The results showed that：（1） The scatter-point fitting of the monitoring data was verified with R²=0.84 and the mean absolute error （MAD）=25.2 kg·km^-2·min^-1. （2） The model could predict the impact of local dust release and provide quantitative assessment of the contribution from different dust sources， which could provide scientific basis for desertification control.

Key words: dust mass, dust monitoring, random forest, remote sensing, dust source, FY-4

中图分类号:

李彬, 孙小龙, 赵悦晨, 江琪, 卢士庆, 唐家琦. 基于随机森林的局地起沙量预测评估模型[J]. 中国沙漠, 2025, 45(1): 292-303.

Bin Li, Xiaolong Sun, Yuechen Zhao, Qi Jiang, Shiqing Lu, Jiaqi Tang. Prediction model of dust mass generation in dust source by random forest[J]. Journal of Desert Research, 2025, 45(1): 292-303.

图/表 19

表1 所用卫星影像时间

Table 1 List of dates of satellite used for training

2018年	2019年	2020年	2021年	2022年	2023年	2024年
4月9日	3月27日	4月24日	3月6日	3月3日	4月8日	5月29日
	4月20日	11月6日	3月26日	3月13日	4月20日
	4月23日		4月26日	4月8日	11月26日
	4月30日		8月21日	4月23日	12月5日

图1 起沙通量计算流程

Fig.1 Flow of dust emission flux calculation

表2 易起沙状况分级

Table 2 Classification of ecological function status of windproof and sand-fixing ecological functional areas

级别	不易起沙尘（1）	轻度易起沙尘（2）	中等易起沙尘（3）	高度易起沙尘（4）	极易起沙尘（5）
指数	≥0.26	0.26~0.05	0.05~-0.1	-0.1~-0.2	≤-0.2
描述	植被覆盖好，生态系统功能稳定，防风固沙功能较好	有牧草、灌木等植被覆盖，生态系统功能较稳定，防风固沙功能良好	有沙地植被覆盖，生态系统功能脆弱，防风固沙功能一般	有稀疏植被，土地裸露程度较高，防风固沙功能弱	裸地，坡度陡，易发生风蚀，防风固沙功能很弱

图2 易起沙尘等级注：基于内蒙古自治区地理信息公共服务平台标准地图[审图号:蒙S(2019)33号]制作，底图边界无修改

Fig.2 Degree of difficulty of dust emission rating

图3 预测评估模型构建流程

Fig.3 Construction process of predictive evaluation model

表3 沙尘强度指数与沙尘强度类型对应关系

Table 3 Comparison between DDI and dust intensity types

DDI指数	沙尘强度类型
1~10	弱浮尘
11~30	浮尘
31~50	扬沙
51~70	沙尘暴
71~85	强沙尘暴
>85	特强沙尘暴

图4 2023年12月5日一次沙尘过程的沙尘源地识别

Fig.4 Dust source identification of a dust process on December 5， 2023

图5 2019年4月20日一次沙尘过程的沙尘源地识别

Fig.5 Dust source identification of a dust process on April 20， 2019

图6 不同评估参数统计预测模型

Fig.6 Statistical prediction model of different evaluation parameters

图7 起沙通量模型模拟预测结果精度验证

Fig.7 Accuracy verification of model simulation results

图8 2022年4月23日沙尘影响监测

Fig.8 Dust impact monitoring on April 23， 2022

图9 2023年11月26日沙尘影响监测

Fig.9 Dust impact monitoring on Nov 23， 2023

表4 模拟预测与遥感监测结果对比

Table 4 Comparison of results between prediction and monitoring

要素	2022年4月23日13:40		2023年11月26日12:30		2023年4月20日10:30
要素	模拟预测	遥感监测	模拟预测	遥感监测	模拟预测	遥感监测
预测时间/min	220	220	160	160	160	160
近地表风速/(m·s^-1)	—	11.5	—	9.6	—	14.2
遥感监测沙尘传输速率/(m·s^-1)	14.44	—	10.49	—	19.7	—
遥感监测传输距离/km	190.5	187.9	100.8	111.9	216.8	249.1
影响面积/km²	2 145	2 372	1 505	1 442	24 860	24 750
平均沙尘强度指数	35.2	36.8	40.2	40.5	51.0	42.0
平均能见度/km	4.6	5.1	3.5	4.1	0.99	2.0
平均携沙量/( t·km^-2)	0.855	0.745	1.56	1.25	3.0	2.2

图10 2023年4月11日沙源地识别

Fig.10 Identification of sand source on April 11， 2023

图11 不同沙源地起沙影响区域贡献分布

Fig.11 Regional contribution distribution of sediment generation in different sand sources

表5 2022年4月23日风速变率计算

Table 5 Analysis of wind velocity variability on April 23，2022

时刻	100.8°E， 42.47°N	100.9°E， 42.47°N	101.1°E, 42.46°N	101.3°E, 42.46°N	101.5°E, 42.45°N	101.8°E, 42.44°N	102.1°E, 42.43°N	102.5°E, 42.42°N
10:00	11.4	11.5	11.2	11.2	11.2	11.3	11.7	10.1
11:00	11.3	11.1	10.9	10.9	11.0	11.3	11.3	10.1
12:00	11.3	10.9	10.6	10.6	10.7	11.0	10.5	10.1
13:00	11.9	11.7	11.5	11.4	11.3	10.9	10.5	9.5
14:00	11.5	11.2	10.9	10.9	10.9	11.0	10.4	9.3
平均	11.48	11.28	11.02	11.0	11.02	11.1	10.88	9.82

图12 风速空间变率与预测传输距离误差的关系

Fig.12 Relationship between spatial variability of wind speed and prediction error

图13 预测总起沙量对风速变化的敏感性

Fig.13 Sensitivity of predicted total sediment discharge to variation in wind speed

图14 预测总起沙量在不同风速下对起沙面积的敏感性

Fig.14 The sensitivity of the predicted total sediment removal to the sediment removal area under different wind speed variation

参考文献 35

1	张鹏，王春姣，陈林，等.沙尘气溶胶卫星遥感现状与需要关注的若干问题［J］.气象，2018，44（6）：725-736.
2	潘红林，马诺，王敏，等.塔克拉玛干沙漠与撒哈拉沙漠沙尘气溶胶光学特性对比研究［J］.沙漠与绿洲气象，2024，18（1）：38-49.
3	杨晓军，张强，叶培龙，等.中国北方2021年3月中旬持续性沙尘天气的特征及其成因［J］.中国沙漠，2021，41（3）：245-255.
4	姜大海，王式功，尚可政.沙尘暴危险度的定量评估研究［J］.中国沙漠，2011，31（6）：1554-1562.
5	池梦雪，张宝林，王涛，等.2000-2018年黄土高原沙尘天气遥感监测及尘源分析［J］.科学技术与工程，2019，19（18）：380-388.
6	Li N， Guo L， Fan B H.A New perspective on understanding the reduced spring dust storm frequency in Inner Mongolia，China［J］.International Journal Of Disaster Risk Science，2015（6）：216-225.
7	Mao R， Ho C H， Feng S，et al.The influence of vegetation variation on northeast Asian dust activity［J］.Asia-pacific Journal Of Atmospheric Sciences，2013，49（1）：87-94.
8	衣娜娜，姜学恭，董祝雷，等.植被覆盖率对内蒙古沙尘天气影响的模拟研究［J］.大气科学，2024，48（2）：521-538.
9	牛生杰，吕晶晶，岳平.半干旱荒漠化草原春季边界层特征的一次综合探测［J］.中国沙漠，2013，33（6）：1858-1865.
10	高雅文，韩永翔，李嘉欣，等.沙漠地区边界层高度的提高与尘卷风起沙量的变化［J］.中国环境科学，2021，41（8）：3523-3528.
11	李智宽，谭成好，杨婕，等.21世纪以来新疆地区沙尘暴时空变化及其关键气象影响因子［J］.环境科学学报，2024，44（10）：1-9.
12	Wang F， Zhao X， Gerlein-Safdi C，et al.Global sources，emissions，transport and deposition of dust and sand and their effects on the climate and environment：a review［J］.Frontiers of Environmental Science and Engineering，2017，11（1）：13.
13	Du H， Dou S， Deng X，et al.Assessment of wind and water erosion risk in the watershed of the Ningxia-Inner Mongolia Reach of the Yellow River，China［J］.Ecological Indicators，2016，67：117-131.
14	刘莹，韩永翔，杨文清，等.沙尘天气、尘卷风对沙漠地区起沙量的贡献［J］.中国沙漠，2018，38（6）：1175-1179.
15	李晶晶，何清，阴璐璐，等.基于激光雷达的新疆民丰地区一次沙尘污染过程研究［J］.环境科学学报，2024，44（9）：93-102.
16	Norton C， Mosher F R， Hinton B.A model for calculating desert aerosol turbidity over the oceans from geostationary satellite data［J］.Journal of Applied Meteorology，1980，19（6）：633-644.
17	Xu D， John J， Niu S J，et al.Sand and dust storm detection over desert regions in China with MODIS measurements［J］.International Journal of Remote Sensing，2011，32（24）：9365-9373.
18	李彬，卢士庆，孙小龙，等.基于可见光波段灰度熵和热红外亮温差的沙尘遥感判识［J］.遥感学报，2018，22（4）：647-657.
19	罗敬宁，徐喆，亓永刚.基于风云三号卫星的全球沙尘遥感方法［J］.中国沙漠，2015，35（3）：690-698.
20	Di A J， Xue Y， Yang X H，et al.Dust aerosol optical depth retrieval and dust storm detection for Xinjiang region using Indian national satellite observations［J］.Remote Sensing，2016，8（702）：8316.
21	Zhang P， Liu N M， Hu X Q.Identification and physical retrieval of dust storm using three MODIS thermal IR channels［J］.Global and Planetary Change，2006，52（1/4）：197-206.
22	郑新江，陈渭民，方翔，等.利用NOAA卫星资料估算陆地沙尘量的方法［J］.国土资源遥感，2008（2）：35-38.
23	延昊，王长耀，牛峥，等.应用遥感技术估算东亚沙尘携沙量［J］.水土保持学报，2002，16（1）：120-123.
24	Huang J P， Ge J M， Weng F Z.Detection of Asia dust storms using multisensor satellite measurements［J］.Remote Sensing of Environment，2007，110（2）：186-191.
25	Sang S P， Kim J， Lee J，et al.Combined dust detection algorithm by using MODIS infrared channels over East Asia［J］.Remote Sensing of Environment，2014，141（2）：24-39.
26	Yang Y K， Sun L， Zhu J S.A simplified dust detection algorithm of NPP［J］.Journal of Atmospheric and Solar-Terrestrial Physics，2017，164（11）：314-323.
27	She L， Xue Y， Yang X H，et al.Dust detection and intensity estimation using Himawari-8/AHI observation［J］.Remote Sensing，2018，10（4）：490.
28	刘方伟，苏庆华，孙林，等.基于Himawari-8卫星的沙尘监测［J］.山东科技大学学报（自然科学版），2018，37（3）：11-19.
29	姜红，何清，曾晓青，等.基于随机森林和卷积神经网络的FY-4A号卫星沙尘监测研究［J］.高原气象，2021，40（3）：680-689.
30	邵宇杰，胡越凯，周斌，等.基于GF-4卫星的杭州湾悬浮泥沙浓度遥感监测研究［J］.海洋学报，2020，42（9）：134-142.
31	李彬，孙小龙，蒋姗姗，等.基于动态背景场沙尘覆盖度指数的Himawari-8沙尘判识及强度估算方法［J］.科学技术与工程，2023，23（19）：8308-8317.
32	史莹莹，张镭，田鹏飞，等.黄土高原半干旱区沙尘气溶胶光学和微物理特征［J］.高原气象，2018，37（1）：286-295.
33	延昊，侯英雨，刘桂清.利用热红外温差识别沙尘［J］.遥感学报，2004，8（5）：471-474.
34	张鹏超，梁宇，刘波，等.基于随机森林模型的青藏高原森林地上生物量遥感估算［J］.生态学杂志，2023，42（2）：415-424.
35	牛全福，傅键恺，陆铭，等.基于随机森林的GF-6 WFV和Landsat8 OLI遥感影像分类比较［J］.地理空间信息，2022，20（8）：49-54.

[1]	王彦希, 屈建军, 沈城, 钟帅, 李君. 雷州半岛灯楼角砂质海岸的侵蚀及防治[J]. 中国沙漠, 2025, 45(1): 10-19.
[2]	陈兵兵, 盖迎春, 宋忠航, 吴向楠, 艾宇, 杨映, 王生棠, 刘宇烁. 祁连山地区生态质量时空变化及驱动力[J]. 中国沙漠, 2024, 44(6): 258-267.
[3]	周虹吉, 梅凡民, 蒲梦洁, 林川, 苏进, 陈金广. 基于集成学习的风沙跃移轨迹自动识别模型[J]. 中国沙漠, 2024, 44(6): 70-78.
[4]	宁婷, 张定海, 赵有益, 江晶. 腾格里沙漠土壤水分含量与地形、植被的关系[J]. 中国沙漠, 2024, 44(5): 133-142.
[5]	张浪, 党国锋, 鱼腾飞, 韩拓, 殷一丹, 陈勇. 基于无人机激光雷达的额济纳绿洲植被覆盖度监测及变化分析[J]. 中国沙漠, 2024, 44(5): 170-181.
[6]	张腾, 苗运法, 邹亚国, 张孜越, 冯国平. 极端干旱区苏干湖湿地植被分类与变化分析[J]. 中国沙漠, 2024, 44(4): 81-90.
[7]	燕宇, 左合君, 闫敏, 席成, 董佳奇, 牛丽梅. 1986—2020年库布齐沙漠湖泊数量和面积[J]. 中国沙漠, 2024, 44(2): 151-161.
[8]	苏万峰, 汉光昭, 叶得力, 曹广超. 共和盆地生态环境遥感评价及驱动力分析[J]. 中国沙漠, 2023, 43(5): 74-84.
[9]	崔亚婷, 李嬛, 郑龙啸, 吴孟泉. 基于 *RSEI* 的黄河上游流域生态环境质量变化分析[J]. 中国沙漠, 2023, 43(3): 107-118.
[10]	张亦然, 刘廷玺, 童新, 段利民, 贾天宇, 季亚新. 基于多源遥感和机器学习方法的科尔沁沙地植被覆盖度反演[J]. 中国沙漠, 2022, 42(3): 187-195.
[11]	庄立超, 王乃昂, 张洵赫, 赵力强, 苏贤保. 巴丹吉林沙漠典型湖冰冻结-消融的空间模式差异[J]. 中国沙漠, 2021, 41(3): 214-223.
[12]	贾浩巍, 颜长珍, 邢学刚, 谢家丽, 冯坤. 基于改进的遥感生态指数（MRSEI）的青海省都兰县生态环境质量评价[J]. 中国沙漠, 2021, 41(2): 181-190.
[13]	颜长珍, 李森, 逯军峰, 刘立超. 1975—2015年腾格里沙漠湖泊面积与数量[J]. 中国沙漠, 2020, 40(4): 183-189.
[14]	毛忠超, 李森, 张志山, 胡宜刚, 李昌盛. 荒漠-过渡带-绿洲界定——以石羊河流域为例[J]. 中国沙漠, 2020, 40(2): 177-184.
[15]	常茜, 鹿化煜, 吕娜娜, 崔梦淳, 李海宇. 1992-2015年中国沙漠面积变化的遥感监测与气候影响分析[J]. 中国沙漠, 2020, 40(1): 57-63.