结合遥感和统计数据的家畜分布网格化方法研究

家畜的空间分布对于粮食安全、农业社会经济、环境影响评估和人畜共患病的研究等方面至关重要。选取甘肃省作为典型研究区,以羊为研究对象,基于随机森林回归算法构建了融合遥感数据和统计数据的家畜分布网格化估算模型,获得甘肃省1 km×1 km尺度上羊的空间分布信息。结果表明：基于随机森林回归的家畜分布网格化估算模型,结合了遥感数据和统计数据的优势,可以较准确地估算1 km×1 km尺度上家畜的空间分布情况,估算结果与统计数据之间的相关系数（R）达到0.88,均方根误差（RMSE）为0.24,相对均方根误差（RRMSE）为15.1%。甘肃省的羊主要分布在河西走廊戈壁区、甘南高原草原草甸区、黄土高原丘陵区的西南部以及黄土高原沟壑区的北部。对羊的空间分布影响较大的环境因子依次是：耕地百分比、海拔、地表温度和坡度。     

结合MLR和ARIMA模型的时空建模及预测

针对传统时间序列建模预测过程中忽略空间因素影响和时空交互的问题,提出了一种基于时空多元回归（MLR）的ARIMA预测方法,并应用于某省月均气温的时空预测研究中。通过时序分解去除时空变量明显的季节变化;运用全子集回归法确定显著影响气温的因素,继而得到去季节项数据的MLR模型,从而去除气温的时空趋势变化得到随机变化项;对各站点的随机项时间序列分别进行ARIMA建模;将随机项的预测值与前两项预测值重组,获得最终各站点的时空预测值。实验结果表明,预测值与观测值整体相关系数为0.993 4,误差绝对值均值约为0.9 ℃。     

地表反照率机器学习估算方法北大核心CSCD

针对反照率直接估算中多元线性回归方法难以拟合反照率估算中的非线性特征的问题,引入基于梯度提升决策树机器学习方法对GLASS(global land surface satellite products)反照率产品算法中的多元线性回归(multiple linear regression,MLR)直接估算算法进行改进,并将梯度提升决策树算法(gradient boost decision tree,GBDT)结果同原有方法进行对比,同时利用地面站点观测反照率评价本文算法效果。结果表明,多元线性回归方法平均RMSE为0.017到0.02,梯度提升决策树方法平均RMSE为0.009到0.013,梯度提升决策树方法的估算精度较原多元线性回归方法精度有较大提升,表明新型机器学习方法在优化遥感经验或半经验模型中具有重要潜力。同时地面验证结果表明,本文算法相比于GLASS V3反照率产品在RMSE和绝对偏差上相对提升4%和60%。     

基于环境信息和回归模型的青藏高原MODIS积雪面积比例产品制备

积雪面积比例（Fractional Snow Cover, FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area, SCA）与像元空间范围的比值,可为区域气候模拟、水文模型等提供积雪分布的定量信息。MODIS FSC产品是根据经验模型计算得到,并没有考虑地形、植被和地表温度等环境因素的影响,在青藏高原的验证精度低。针对此问题,考虑青藏高原地区环境因素（地形、植被、地表温度）对FSC制备的影响,基于多元自适应回归模型（Multivariate Adaptive Regression Splines, MARS）和线性回归模型分别建立FSC制备的非参数回归模型和经验回归模型。用Landsat 8地表反射率的数据和SNOMAP算法制备FSC的参考数据集。选取一部分参考数据集作为模型的训练数据集,另一部分作为模型的检验数据集。研究结果表明：MARS方法估计FSC的精度明显高于线性回归模型和原有的MODIS FSC制备方法。MARS的总体R、RMSE、MAE分别为0.791、0.103、0.058。在线性回归模型中精度最高的总体R、RMSE、MAE分别为0.647、0.128、0.072。MODIS 原有FSC制图方法的总体R、RMSE、MAE分别为0.595、0.221、0.170。考虑了环境信息的MARS方法更加适用于青藏高原地区FSC制备。本研究为制备青藏高原地区更高精度的FSC数据提供了新思路。     

基于TESEBS模型估算高原地区地表蒸散发

为检验TESEBS(Topographical Enhanced Surface Energy Balance System)模型在高原地区的适用性,利用2014年高原9个站点的实测资料对TESEBS模型进行适用性检验,鉴于模型估算的感热通量偏差较大,提出利用地表温度—植被指数(LST-NDVI)特征空间法来确定蒸散发率,并将模型估算的卫星过境时刻瞬时蒸散发与实测值进行比较。结果表明:TESEBS模型估算高原不同下垫面的蒸散发与实测值之间的偏差较大;利用LST-NDVI特征空间法确定蒸散发率能很好地改善模型对蒸散发的估算精度,相关系数从0.65提高至0.83,均方根误差从144减小至80 W·m~(-2),相对误差从67%减小至39%。特征空间法引入后,TESEBS模型估算的地表蒸散发明显小于原模型的估算结果,且模型给出的研究区地表蒸散发分布特征与植被指数NDVI的分布特征相一致。     

喀斯特城市地表温度遥感反演算法比较

针对喀斯特城市快速扩展所引发的热环境问题,提出喀斯特山峰混合像元比辐射率估算方法,使Landsat 8遥感数据的地表温度反演算法适用于喀斯特城市,利用5种单通道算法和劈窗算法反演地表温度,分析反演精度和敏感性因子。结果表明:在我国南方喀斯特地区大气水分含量较高的情况下,单通道算法比劈窗算法精度更高,Jimenez单通道算法(JSC)和覃志豪单窗算法(QMW)更适用于喀斯特城市地表温度反演,反演值和实测值的误差在1.0℃内。反演地表温度的统计值以JSC算法与QMW算法相近,平均值的差值为0.26℃,标准差的差值为0.01℃,建筑和裸岩温度平均值的差值分别为0.43℃和0.54℃,高于水体和茂密植被;Jimenez劈窗算法与Rozenstein劈窗算法相近,平均值的差值为1.14℃,标准差的差值为0.19℃;Weng单通道算法在劈窗算法与JSC和QMW算法之间。各算法对比辐射率ε较敏感,ε每增加0.01,地表温度反演值误差增加0.4～0.7℃;除QMW算法反演值随近地面气温每增加1.0℃而引入近0.5℃误差外,各算法对近地面气温、大气总水分含量、大气透射率的敏感性相对较低。研究结果可为喀斯特城市热环境监测提供科学依据。     

基于深度神经网络联合AMSR2和MODIS数据估算全球蒸散发研究

地表蒸散发（ET）是水循环和能量循环的关键组成部分,具有极其重要的应用价值。研究旨在发展一种可靠且高效的深度神经网络（DNN）模型,基于MODIS可见光数据、微波AMSR2亮度温度和数字高程DEM,实现全天候全球高分辨率每日ET的估算。利用FLUXNET和AmeriFlux通量网6种代表性土地覆盖类型的148个站点观测数据来训练和验证DNN模型,结果表明：DNN模型可以有效建立卫星数据（MODIS、AMSR2数据）与ET之间的关系;6种地类的ET估算结果验证的平均绝对误差（MAE）为0.16—0.63 mm/d,均方根误差（RMSE）为0.27—0.89 mm/d,除裸地的决定系数（R2）为0.37以外,其他地类的R2均>0.7。通过对比模型估算的ET与MOD16A2和GLEAM的ET产品,结果表明3种产品的ET空间分布特征相似,ET值非常接近,估算得到的全球2020年日均ET为0—4 mm/d。     

吐鲁番盆地葡萄园土壤重金属铅含量高光谱估算

土壤重金属铅污染作为现代工矿业发展的产物,已逐渐入侵到农业生产和农产品中。高光谱技术由于具有宏观、快速、高效的特点已成为土壤重金属监测的重要手段。以新疆吐鲁番盆地葡萄园土壤Pb元素为研究对象,分析土壤原始光谱在内的15种光谱变换下的土壤光谱反射率数据与土壤Pb含量的关系,构建土壤Pb含量偏最小二乘回归（PLSR）模型和地理加权重回归（GWR）模型,对比分析并探讨运用土壤高光谱估算葡萄园土壤Pb含量的可行性。结果表明：土壤原始光谱反射率通过光谱变换能有效增强葡萄园土壤Pb元素的光谱特征及模型估算精度,其中,平方根二阶微分（SRSD）变换的PLSR模型和GWR模型估算能力最优。采用GWR模型比PLSR模型更好的解释葡萄园土壤重金属Pb含量高光谱估算。从模型稳定性和精确性来看,在平方根二阶微分变换中GWR模型R²从PLSR模型的0.262提高至0.866, 平方根误差减少了1.009。采用GWR模型可有效提高估算葡萄园土壤Pb含量的精度,为中国葡萄园基地土壤重金属污染以及土壤环境安全研究提供有益借鉴。     

改进CS优化支持向量回归的汽车热舒适性预测

热舒适性指标PMV参数间互相迭代、计算复杂、不易实时预测,而采用支持向量回归（SVR）进行数据拟合时,预测效果易受SVR参数的影响。针对以上问题,提出一种改进布谷鸟算法（CS）优化SVR参数的PMV预测模型。改进CS算法采用自适应步长对Lévy全局随机游动的步长进行调节,并用非洲野狗算法（DOA）的生存行为替换CS算法偏好局部随机游动行为,以提高CS算法寻优能力。实验结果表明,CS优化SVR模型预测值的RMSE为0.00742,比DOA优化SVR模型的RMSE低0.00481;使用自适应步长或DOA算法改进CS优化SVR模型比CS优化SVR模型的RMSE分别降低了32.34%和40.83%;融合两种策略改进CS优化SVR模型预测值的RMSE整体降低了60.52%。融合两种策略改进CS算法优化SVR预测模型具有更高的PMV预测精度。     

ARIMA和LSTM方法长时间温度观测数据缺失值插补的比较

针对野外小气象观测站点半小时温度观测长时间数据缺失问题,结合较低频次的人工温度观测数据,采用时间序列分析和深度学习等方法,对缺失的半小时温度观测数据进行高精度插补。首先,选用深度学习数据插补中的序列-序列（Seq2Seq）方法,建立了适合高精度温度数据插补需求的编码-解码深度学习模型BiLSTM-I;然后,选用了传统的代表性方法,从时间序列回归分析——差分整合移动平均自回归模型（ARIMA）状态方程形式中,获取卡尔曼平滑状态估计方程的各项参数,由卡尔曼平滑估计实现对温度观测数据缺失值的插补。实验分析结果表明,所设计的BiLSTM-I深度学习气温插补方法要优于时间序列的双向递归插补方法（BRITS-I）。对缺失值时间窗口为30 d的测试集,测试结果中均方根误差（RMSE）为0.47℃,相较于BRITS-I得到的RMSE,精度提升了0.90;对缺失值时间窗口为60 d的测试集,RMSE为0.49℃,相较于BRITS-I得到的RMSE,精度提升了0.90;基于ARIMA状态模型的插补方法也有较高的精度,RMSE为0.75℃。最后,还分析了BiLSTM-I深度学习插补方法对不同温度缺失时间长度...     

应用MODIS地表温度产品估计新疆典型区气温

根据遥感获取的地表温度估计气温在时空上的连续分布有重要意义。利用MODIS传感器反演的地表温度产品分别建立新疆克拉玛依气象站生长季节、非生长季节的地表温度和气温的线性回归模型以估计气温,并利用相同气象站不同时段、相同时段不同气象站的数据对该模型进行验证,最后得到新疆典型区内非生长季节的日最低、最高气温分布。结果表明:相对于MYD11A1产品,MOD11A1产品的地表温度数据能更好地估计气温;气温估计模型在生长季节效果欠佳,但在非生长季节结果较好,MOD11A1产品估计日最低气温的均方根误差和平均绝对误差分别为2.4℃~3.2℃、1.9℃~2.8℃,估计日最高气温的均方根误差和平均绝对误差分别为2.9℃~3.1℃、2.2℃~2.6℃,R2为0.91~0.96。     

ARIMA和LSTM方法长时间温度观测数据缺失值插补的比较

针对野外小气象观测站点半小时温度观测长时间数据缺失问题,结合较低频次的人工温度观测数据,采用时间序列分析和深度学习等方法,对缺失的半小时温度观测数据进行高精度插补。首先,选用深度学习数据插补中的序列-序列（Seq2Seq）方法,建立了适合高精度温度数据插补需求的编码-解码深度学习模型BiLSTM-I;然后,选用了传统的代表性方法,从时间序列回归分析——差分整合移动平均自回归模型（ARIMA）状态方程形式中,获取卡尔曼平滑状态估计方程的各项参数,由卡尔曼平滑估计实现对温度观测数据缺失值的插补。实验分析结果表明,所设计的BiLSTM-I深度学习气温插补方法要优于时间序列的双向递归插补方法（BRITS-I）。对缺失值时间窗口为30 d的测试集,测试结果中均方根误差（RMSE）为0.47℃,相较于BRITS-I得到的RMSE,精度提升了0.90;对缺失值时间窗口为60 d的测试集,RMSE为0.49℃,相较于BRITS-I得到的RMSE,精度提升了0.90;基于ARIMA状态模型的插补方法也有较高的精度,RMSE为0.75℃。最后,还分析了BiLSTM-I深度学习插补方法对不同温度缺失时间长度...     

基于时间序列分解的交通流量预测模型

短时交通流预测不仅与历史数据相关，而且也受相邻区域交通情况影响。针对传统时间序列分解（TSD）模型忽略交通流的趋势性和空间相关性的问题，提出了基于时间序列分解与时空特征（TSD-ST）结合的时间序列处理模型。首先，利用经验模态分解（EMD）和离散傅里叶变换（DFT）得到趋势分量和周期分量，利用互信息（MI）算法挖掘波动分量的时空（ST）相关性，并以此为根据重构状态向量；随后，通过长短期记忆（LSTM）网络利用状态向量对波动分量进行预测；最后，将序列的3部分的预测结果重构，得到最终预测值。利用美国华盛顿州I090号州际公路的真实数据验证模型的有效性。实验结果表明，与支持向量回归（SVR）、梯度提升回归树（GBRT）、LSTM相比，所提模型的均方根误差（RMSE）分别降低了16.5%、34.0%和36.6%。由此可见，所提模型在提升预测精度方面十分有效。     

基于深蓝算法的Sentinel-2数据气溶胶光学厚度反演

中高分辨率气溶胶信息对于高精度地表反射率反演以及城市空气环境质量监测具有重大意义,但在城市及稀疏植被等高亮地表区域,气溶胶光学厚度(AOD)的高精度反演一直是定量遥感领域的难点之一。以北京城市区和包头沙漠区为例,利用MODIS地表反射率产品构建先验知识约束条件,基于深蓝算法实现了13景Sentinel-2高亮地表的AOD反演。为验证算法精度,将反演结果与全球气溶胶自动观测网(AERONET)站点实测值、Sentinel-2官方插件Sen2Cor处理结果、Landsat-8反演值作对比。结果表明:①采用深蓝算法反演的AOD值与AERONET实测值具有显著的相关性(R^2>0.9,RMSE=0.056);②无论是沙漠高亮区还是植被较少的城市高亮区,Sen2Cor插件反演的AOD值整景均为固定值,无空间分布,不符合实际情况;③Sentinel-2深蓝算法反演结果与准同步过境的Landsat-8反演的AOD产品在空间分布上具有高度一致性,较好地反映了人类活动特征。相比于目前官方产品,深蓝算法适合Sentinel-2数据高亮区域的气溶胶反演,在绝对精度和空间分布趋势方面均具有明显优势。     

基于迭代加权线性模型的网络回归箅法

传统的机器学习算法难以有效处理具有自相关性的网络数据,而已有的网络学习算法多为分类算法,回归算法较少。为解决网络数据中的回归预测问题,考虑数据实例间的自相关性,提出一种迭代加权线性回归算法（IWR）。该算法采用迭代分类算法的集体学习框架,每步迭代中将待预测实例逐个输入局部回归模型以更新目标属性值,直至达到既定目标。在空间网络和社会网络的数据集合上进行实验,结果表明,与传统回归算法及NCLUS算法相比,IWR算法可以有效减小预测误差。     

基于粒子群优化和支持向量机的花粉浓度预测模型

为了提高花粉浓度预报的准确率，解决现有花粉浓度预报准确率不高的问题，提出了一种基于粒子群优化（PSO）算法和支持向量机（SVM）的花粉浓度预报模型。首先，综合考虑气温、气温日较差、相对湿度、降水量、风力、日照时数等多种气象要素，选择与花粉浓度相关性较强的气象要素构成特征向量；其次，利用特征向量与花粉浓度数据建立SVM预测模型，并使用PSO算法找出最优参数；然后利用最优参数优化花粉浓度预测模型；最后，使用优化后的模型对花粉未来24 h浓度进行预测，并与未优化的SVM、多元线性回归法（MLR）、反向神经网络（BPNN）作对比。此外使用优化后的模型对某市南郊观象台和密云两个站点进行逐日花粉浓度预测。实验结果表明，相比其他预报方法，所提方法能有效提高花粉浓度未来24 h预测精度，并具有较高的泛化能力。     

基于自回归移动平均反转的在线投资组合选择

针对现有均值反转类策略未充分考虑噪声数据、单周期假设和数据的非平稳性等问题，提出了一种基于多周期的高效的在线自回归移动平均反转（OLAR）算法。首先，利用自回归移动平均算法得到了股价预测模型，并经过合理的假设将其转化为自回归模型；然后，结合损失函数和正则项构造出了目标函数，并利用损失函数的二阶信息得到了参数的闭式解；接着，利用在线被动攻击（PA）算法得到了投资组合的闭式更新。理论分析和实验仿真结果表明，与鲁棒中位数反转（RMR）相比，OLAR在NYSE（O）、NYSE（N）、道琼斯工业指数（DJIA）和MSCI数据集上的累积收益分别提高了455.6%，221.5%，11.2%和50.3%；同时，统计检验结果表明，OLAR的表现并不是由随机因素造成的。此外，与RMR和在线滑动平均反转（OLMAR）等算法相比，OLAR获得了最大的年化收益率、夏普比率和Calmar比率；最后，OLAR的运行时间与RMR和OLMAR基本相同，因此也适合大规模的实时应用。     

融合多源遥感数据的城市热岛评估方法

针对地表城市热岛(surface urban heat island,SU HI)研究中高温与人类活动集中区域的空间相关性问题,提出了一种融合珞珈一号和Landsat-8等多源遥感数据的城市热岛评估方法,并使用地理加权回归(geographic weighted regression,GWR)模型与普通最小二乘法(or...     

基于模拟退火算法的BP神经网络模型估算高分辨率叶面积指数

卫星遥感技术的快速发展使得获取全球大范围叶面积指数成为可能,但基于现有的算法和数据估算高分辨率LAI的精度还需要提高。针对农作物、草地和林地等3种典型地表类型,选取地面观测数据较多的4个研究区,包括3个各地类用于建模验证的研究区与一个用于适用性验证的独立研究区,针对4个研究区,分别获取地面测量数据以及对应的30 m空间分辨率地表反射率数据。在3个主要研究区建立并比较了NDVI植被指数经验模型、BP神经网络模型和基于模拟退火算法的BP神经网络模型,利用地面实测数据对模型进行验证。结果表明：在研究所选的3个主要研究区,基于模拟退火算法的BP神经网络模型的估算精度比BP神经网络模型和NDVI经验模型的估算精度高,农田、草地和林地站点估算结果的决定系数分别为0.899、0.858和0.863,BP神经网络模型的估算结果决定系数分别为：0.763、0.710和0.742,NDVI经验模型的精度最差,其估算结果的决定系数分别为0.622、0.536和0.637。为了验证SA-BP神经网络的适用性,选取独立研究区进行验证,结果显示验证精度较高,R²为0.842,RMSE为0.689 5,说明该模型外推能力较好。研究证明了基于模拟退火算法的BP神经网络模型提高了模型泛化能力,有效防止了BP神经网络模型滑入局部最小值,是提高高空间分辨率LAI估算精度的有效手段。     

基于稀疏学习的低秩属性选择算法

针对回归模型在进行属性选择未考虑类标签之间关系从而导致回归效果不理想,提出了一种新的具有鲁棒性的低秩属性选择算法。具体为,在线性回归的模型框架下,通过低秩约束来考虑类标签间的相关性和通过稀疏学习理论中的[l2,p-]范数来考虑属性间的关联结构,以此去除不相关的冗余属性的影响;算法通过嵌入子空间学习方法（线性判别分析（LDA））来调整属性选择结果。经实验验证,提出的属性选择算法在六个公开数据集上的效果均优于四种对比算法。