《表1 人口随机森林模型变量重要性排序》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卫星遥感的长江三角洲地表热环境人口暴露空间特征》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：NIL(Night Time Light）为夜间灯光，NDVI为归一化植被指数，DEM为数字高程模型。

随机森林是一种灵活的、便于使用的机器学习算法，即使没有超参数调整，大多数情况下也会带来好的结果，它可以用来进行分类和回归任务[21 24]。根据已有研究的基于NPP/VIIRS的空间化人口方法[20，29]，本研究参考叶婷婷等人的随机森林模型[19]，采用了NTL（Night Time Light），NDVI，DEM和坡度4个自变量，构建人口随机森林空间分布模型。将2016年长江三角洲1km×1km的4个栅格图层（NTL，NDVI，DEM和坡度）按区县进行分区统计，然后计算区县普查人口密度的对数，将各区县人口密度对数作为因变量，各区县平均NLT、NDVI、DEM，和坡度作为自变量，输入人口随机森林模型进行预测，随后计算每个网格区域的分布权重，最后对预测结果进行分布权重调整，获得2016年长江三角洲1km×1km格点的人口空间分布估算结果。考虑运算性能和模型精度，设定随机森林模型中生长的树的数目（ntree）为500，在每一个分裂节点处样本预测器个数（mtry）为2。通过建模，最终给出了变量重要性排序（表1）。