检索结果-南通市图书馆

昆明理工大学学报（自然科学版） 2022年第4期47卷 46-54页

作者：焦思佳吴田军董世英王长鹏长安大学理学院陕西西安710064

在地学领域中,空间推测是根据已知样本点运用连接函数推测未知区域数值的过程.基于回归克里金(Regression Kriging, RK)以及随机森林(Random Forest, RF)等机器学习算法的空间推测方法已在土壤水质反演、空气质量预测等领域中得到广泛应... 详细信息

在地学领域中,空间推测是根据已知样本点运用连接函数推测未知区域数值的过程.基于回归克里金(Regression Kriging, RK)以及随机森林(Random Forest, RF)等机器学习算法的空间推测方法已在土壤水质反演、空气质量预测等领域中得到广泛应用,通过引入缓冲距离、邻近点的观测值以及到预估点的水平距离等方式逐步发展出“Random Forest for spatial prediction (RFsp)”、“Random Forest Spatial Interpolation (RFSI)”等模型.为克服RFSI模型中距离的不足并获得更加精确的推测结果,本文在其基础上引入反距离加权策略,考虑将邻近点的观测值以及到预估点的距离进行组合,提出了一种基于水平位置距离的反距离加权随机森林(Random Forest with Inverse Distance Weighted Based on Location Distance, RFIdw)模型.基于SIC97(Spatial Interpolation Comparison 97)数据集开展的对比实验表明,本文提出的RFIdw相较于RFSI、RFsp可获得更加精准的空间推测结果,同时输出有效的不确定性表达信息.

关键词：降水量空间推测随机森林反距离加权不确定性 SIC97数据集

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

顾及邻近相似性的随机森林空间推测模型研究

顾及邻近相似性的随机森林空间推测模型研究

引用

作者：焦思佳长安大学

学位级别：硕士

在地学领域中,空间推测是根据已知样本点运用连接函数推测未知区域数值的过程。基于回归克里金(Regression Kriging,RK)以及随机森林(Random Forest,RF)等机器学习算法的空间推测模型已在土壤水质反演、空气质量推测等领域中得到广泛应... 详细信息

在地学领域中,空间推测是根据已知样本点运用连接函数推测未知区域数值的过程。基于回归克里金(Regression Kriging,RK)以及随机森林(Random Forest,RF)等机器学习算法的空间推测模型已在土壤水质反演、空气质量推测等领域中得到广泛应用,近期通过引入缓冲距离、邻近点的观测值与邻近点到预估点的水平距离等方式逐步发展出顾及空间自相关性的RF推测模型,且有效性已得到证实。但也有其不足之处,表现为引入的距离在空间推测中会导致有偏差的结果,以及在小样本数据集的处理过程中会出现欠拟合的问题。因此,本文针对这两点不足之处加以研究,主要工作总结如下:(1)为克服传统RF空间推测模型中对距离考量的不足,本文在既有模型的基础上引入反距离加权策略,考虑将邻近点的观测值与邻近点到预估点的距离进行组合,提出基于反距离加权随机森林(Random Forest with Inverse Distance Weighted,RFIDW)的空间推测模型,以期获得更加精确的推测结果。通过关于降水量的Spatial Interpolation Comparison 97(SIC97)数据集开展的对比实验表明,本文提出的RFIDW相较于传统的RF推测模型可获得更加精准的空间推测制图结果,同时输出有效的不确定性表达信息。(2)针对传统RF空间推测模型在小样本数据集中欠拟合的问题,本文引入数据增强策略,提出基于相似性上采样的随机森林空间推测模型(Random Forest Spatial Interpolation with Modified Upsampling,RFSI-MUS),其特色主要体现在以下几个方面,首先,对站点按照推测因子、目标变量的相似性和空间距离的邻近性进行聚类,其次,在筛选邻近点的过程同时考虑推测因子与目标变量的相似性,最后,在数据增强的过程中采用聚类之后每个类中推测因子与目标变量的极值。本文采用重庆2018年1月的日降水量数据验证模型的有效性,实验结果表明,顾及相似性的上采样与传统随机森林空间推测模型相结合,有效地提高了空间推测的精度。通过以上研究,本文论证了顾及邻近相似性的空间推测模型的优越性,解决了RFSI模型中对距离考量不足以及在小样本数据集在欠拟合的问题,提高了在推测结果方面的精度。

关键词：空间推测随机森林邻近性相似性反距离加权数据增强上采样

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度地理环境变量的随机森林空间推测建模

引用

统计学与应用 2023年第6期12卷 1775-1784页

作者：吴慧吴田军长安大学理学院陕西西安

在数据科技快速发展的时代下,空间推测(Spatial Prediction)是指利用空间理论技术对空间对象进行建模、描述和表示,并以此为基础对空间对象间的空间关系进行定性或定量分析和处理的过程。机器学习方法作为空间智能领域的常用推测方法之... 详细信息

在数据科技快速发展的时代下,空间推测(Spatial Prediction)是指利用空间理论技术对空间对象进行建模、描述和表示,并以此为基础对空间对象间的空间关系进行定性或定量分析和处理的过程。机器学习方法作为空间智能领域的常用推测方法之一,它能够融合多维辅助变量的信息,提高模型的推测精度,但是不能有效结合空间位置关系信息来进一步提高推测精度。本文基于随机森林空间推测框架,将协变量的多尺度特征图层与随机森林空间推测算法结合,提出了基于多尺度地理环境变量的随机森林空间推测建模方法。应用Meuse数据集对所提出的方法进行对比实验,并与随机森林方法、随机森林的空间推测方法相对比,检验所提方法的推测精度。实验表明,本文提出的基于多尺度地理环境变量的随机森林空间推测建模方法相较于RF、RFsp-MS (k = 0)、RFsp-MS (k = 1)、RFsp-MS (k = 2),可获得更加精准的空间推测结果,土壤制图结果也具有更加合理的空间分布和丰富的细节信息。因此,多尺度地理环境变量的随机森林空间推测方法能够有效结合自变量信息与空间位置关系信息,有效提高土壤变量推测的精度,同时能够输出有效的不确定性表达信息。

关键词：空间推测随机森林多尺度土壤锌浓度不确定性 Meuse数据集

来源：

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

不确定性指导下的自适应数字土壤制图补样方法

不确定性指导下的自适应数字土壤制图补样方法

引用

作者：张磊南京师范大学

学位级别：硕士

土壤属性的空间分布信息是土地资源利用、水文过程模拟以及环境资源管理与保护的重要组成部分。近年来,以地理信息系统技术为基础的数字土壤制图(Digital Soil Mapping,DSM)逐渐成为获取土壤信息的主流方法。其中,样点的获取是数字土壤... 详细信息

土壤属性的空间分布信息是土地资源利用、水文过程模拟以及环境资源管理与保护的重要组成部分。近年来,以地理信息系统技术为基础的数字土壤制图(Digital Soil Mapping,DSM)逐渐成为获取土壤信息的主流方法。其中,样点的获取是数字土壤制图的关键环节,由于在多数区域内存在以前采集的部分样点,因此对于在已有一定数量样点的条件下如何设计补充样点的研究是当前采样设计方法领域中迫切需要研究的重点问题。目前关于数字土壤制图补样方法的最新研究成果之—是以土壤—环境关系知识为理论基础,通过计算样点与待推测点之间的环境相似度,进而得到每个待推测点的推测不确定性。借助该推测不确定性和用户设置推测不确定性阈值,界定可推测区域和不可推测区域,依据此逐次选取最大程度上提高可推测面积并降低推测不确定性的样点作为新增的补充样点。然而,现有补样方法存在着算法设计复杂、人工主观设定参数过多等不足,造成不仅技术复杂而且补样效率不高的问题。针对该问题,本文在算法设计和参数自适应调节方面进行研究改进,提出一种不确定性指导下的自适应补样方法。具体的研究思路从以下几点展开:(1)构建基于推测不确定性的统一化补样目标函数,将原有的补样方法中扩大可推测面积和降低推测不确定性这两个独立部分合并在统一的目标函数下直接完成;(2)探究参数自适应变化方法,其中重点研究了子目标权重参数的自适应变化方法和不确定性阈值参数的自适应变化方法。为充分验证本文方法的有效性,本文选取了美国威斯康辛州Raffelson区域和中国安徽省宣城市两个研究区进行实验。实验结果表明,本文方法能够有效降低统一后的总目标函数,且在迭代过程中能够不断自适应地调整子目标权重,从而协助找到最优补充样点,实现了快速降低推测不确定性且提高可推测面积的目标,提高补样效率。本文还将所提的自适应补样方法与现有的非自适应补样方法以及分层随机补样方法进行对比分析,选取了三种较为常用土壤空间分布推测模型,分别为分类回归树模型、随机森林模型和基于样点个体代表性的推理模型,结果表明,本文所提方法在多数情况下均能够得到最优的推理精度,且能够比其它方法得到更稳定的推理结果。本文还对方法中含有的关键自适应调节参数进行了分析,结果表明这两个关键参数均存在一个“适中”的参数组合,任意一个参数设定过大或过小均会衰弱降低推测不确定性的效果,并发现最优参数组合从而给设计者提供了合理的预设参考。综上,本文提出了一种不确定性指导下的自适应数字土壤制图补样方法,通过构造统一的目标函数,将原有的非自适应补样方法改进为具有自适应的补样优化方法。并且构建了补样过程中参数的自适应函数,相比于原有方法,在保证精度略有提升的前提下,去除了原方法多次主观人工调节参数的不足,降低了设计者的使用难度,提高了方法的可用性和补样效率。

关键词：采样方法不确定性自适应空间推测数字土壤制图

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：