青藏高原MODIS积雪面积比例产品的精度验证与去云研究

MODIS积雪产品的精度验证和去云处理是积雪监测研究的基础。首先利用青藏高原典型地区的ETM+数据作为“真值”影像,对MODIS积雪面积比例(FSC)产品在无云条件下的精度进行验证,发展了一个基于三次样条函数插值的去云算法,并采用基于“云假设”的检验和地面站积雪覆盖日数(SCD)检验两种方法对去云算法的精度进行了分析评价。结果表明:MODIS FSC产品在青藏高原地区具有较高的精度,与FSC“真值”相比,其平均绝对误差、均方根误差以及相关系数分别为0.098、0.156和0.916;去云算法能够有效地获取云遮蔽像元的FSC信息,平均绝对误差为0.092,用新生成的无云MODIS FSC产品计算得到的SCD与地面观测值具有较高的一致性(87.03%),平均绝对误差为3.82 d。     

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法北大核心CSCD

风云三号D星(FY-3D)是我国新一代极轨气象卫星。中分辨率光谱成像仪(MERSI-Ⅱ)是其携带的核心传感器之一,FY-3D对于全球数值天气预报、大气定量探测以及气候变化监测等具有重要意义。积雪面积比例产品是众多陆面产品之一,是水文模型和区域气候模型的主要输入参数。基于MERSI-Ⅱ数据发展了业务化提取积雪面积比例的算法,算法核心是混合像元分解。空间光谱端元提取(SSEE)的方法自动提取端元,全约束最小二乘法(FCLS)求解线性混合模型。解混结果叠合云掩膜得到FY-3D/MERSI-Ⅱ积雪面积比例数据(FY-FSC)。以Landsat 8的积雪面积比例数据(L-FSC)作为参考值对FY-FSC进行验证,同时将FY-FSC和MODIS积雪面积比例数据(M-FSC)进行比较。结果表明:FY-FSC的总体相关系数(R)为0.54,均方根误差(RMSE)为0.17,绝对平均误差(AME)为0.10;M-FSC总体R为0.41,RMSE为0.26,AME为0.29;利用积雪面积提取的精度评价因子K比较FY-FSC和M-FSC获取的总积雪面积的精度。结果表明:FYFSC和M-FSC数据的平均K值分别为88.51%和86.78%,FY-FSC精度高于M-FSC。FY-FSC将作为试验参数纳入FY-3D/MERSI-Ⅱ积雪覆盖业务产品中,可填补国产卫星业务化反演积雪面积比例参数的空白。     

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法

风云三号D星(FY-3D)是我国新一代极轨气象卫星。中分辨率光谱成像仪(MERSI-Ⅱ)是其携带的核心传感器之一,FY-3D对于全球数值天气预报、大气定量探测以及气候变化监测等具有重要意义。积雪面积比例产品是众多陆面产品之一,是水文模型和区域气候模型的主要输入参数。基于MERSI-Ⅱ数据发展了业务化提取积雪面积比例的算法,算法核心是混合像元分解。空间光谱端元提取(SSEE)的方法自动提取端元,全约束最小二乘法(FCLS)求解线性混合模型。解混结果叠合云掩膜得到FY-3D/MERSI-Ⅱ积雪面积比例数据(FY-FSC)。以Landsat 8的积雪面积比例数据(L-FSC)作为参考值对FY-FSC进行验证,同时将FY-FSC和MODIS积雪面积比例数据(M-FSC)进行比较。结果表明:FY-FSC的总体相关系数(R)为0.54,均方根误差(RMSE)为0.17,绝对平均误差(AME)为0.10;M-FSC总体R为0.41,RMSE为0.26,AME为0.29;利用积雪面积提取的精度评价因子K比较FY-FSC和M-FSC获取的总积雪面积的精度。结果表明:FYFSC和M-FSC数据的平均K值分别为88.51%和86.78%,FY-FSC精度高于M-FSC。FY-FSC将作为试验参数纳入FY-3D/MERSI-Ⅱ积雪覆盖业务产品中,可填补国产卫星业务化反演积雪面积比例参数的空白。     

多源遥感驱动的SRM模型在缺资料地区的研究及应用

以MODIS雪盖、风云静止卫星降水、GLDAS气温等多源数据,作为传统SRM模型的输入参数,构建多源遥感驱动的SRM融雪径流模型,并在缺资料地区——青藏高原的年楚河流域进行融雪过程的径流模拟。研究表明融雪后期的瞬时降雪很大程度上影响了插值后积雪覆盖率的精度,在插值的时候考虑降水和气温,排除瞬时积雪干扰,改进线性插值获得每天的积雪覆盖率,可以提高模型模拟精度;遥感驱动的SRM模型在缺资料地区年楚河适用性较好,Nash-Sutcliffe系数(NSE)达到0.681,体积差(Dv)为-0.17%,均方根误差(RMSE)为9.678,模型模拟的精度较高。研究结果可为高寒地区生态水文模型研究提供重要参考,同时可为SRM模型在其他流域尤其是缺资料地区融雪径流计算中的应用提供有效支撑。     

基于Sas的时间序列缺失值处理方法比较

对于时间序列挖掘过程中的缺失值处理,目前有许多方法。在处理数据变量成一定的相关的数据集时,回归模型不失为较好的插补方法。利用均值插补、一元线性回归、多元线性回归、迭代回归方法对水文时间序列数据集的缺失数据进行处理,比较不同的皮氏相关系数下各方法的优劣及适用性。文中研究表明当数据集中存在与缺值变量相关度较大的变量时,一元线性回归的插补简单直观,且有较高的精度,结果接近真实;当数据集中不存在与缺值变量显著相关的自变量时,一元线性回归的结果变差,多元线性回归与多元迭代回归具有较好的结果,但多元迭代回归迭代次数难以确定,插补代价较大,多元线性回归为最佳选择;当缺值变量与其他自变量相关系数均较小时,回归插补的结果不理想,此时可考虑其他插补方法。     

基于涡度数据的东北草地光能利用率模型构建与验证

草地作为地球上分布最广的植被类型,在陆地碳循环中发挥着重要作用。草地生产力是估算产草量的基础,准确模拟生产力对草原资源合理利用及生态保护具有重要意义。以东北草地生产力为研究核心,利用涡度相关通量观测数据、遥感数据和气象数据,构建和检验东北草地光能利用率模型。东北草地光能利用率模型以归一化物候植被指数(NDPI)代表光合有效辐射吸收比例,以地表水分指数(LSWI)+0.5表示水分胁迫因子。基于44个草原站的通量数据对东北草地光能利用率模型进行验证,东北草地光能利用率模型的R²为0.855,高于MODIS GPP产品(R²=0.719),略高于VPM GPP产品(R²=0.848),东北草地光能利用率模型的MAE和RMSE分别为0.374 g Cm^-2和0.735 g Cm^-2,低于MODIS GPP产品(MAE=0.562 g Cm^-2,RMSE=1.026 g Cm^-2)和VPM GPP产品(MAE=0.667 g Cm^-2...     

基于Sas的时间序列缺失值处理方法比较

对于时间序列挖掘过程中的缺失值处理,目前有许多方法.在处理数据变量成一定的相关的数据集时,回归模型不失为较好的插补方法.利用均值插补、一元线性回归、多元线性回归、迭代回归方法对水文时间序列数据集的缺失数据进行处理,比较不同的皮氏相关系数下各方法的优劣及适用性.文中研究表明当数据集中存在与缺值变量相关度较大的变量时,一元线性回归的插补简单直观,且有较高的精度,结果接近真实;当数据集中不存在与缺值变量显著相关的自变量时,一元线性回归的结果变差,多元线性回归与多元迭代回归具有较好的结果.但多元迭代回归迭代次数难以确定,插补代价较大.多元线性回归为最佳选择;当缺值变量与其他自变量相关系数均较小时,回归插补的结果不理想,此时可考虑其他插补方法.     

基于WorldView-2数据和随机森林算法的遥感水深反演

鉴于传统水深反演线性回归模型易受水质和环境因素的影响,利用甘泉岛区域的高分辨率WorldView-2遥感影像,结合相应的机载LiDAR实测水深数据,使用随机森林算法构建了浅海水深反演非线性回归模型。以反演的水深值和实测水深值的相关系数(R~2)和均方根误差(RMSE)为指标,并同传统的水深反演单波段线性回归模型、双波段比值线性回归模型以及多波段组合线性回归模型进行比较。结果表明,随机森林水深反演非线性回归模型反演精度最优,R~2和RMSE分别为0.967和0.868m。     

基于多元线性回归的GPS-IR积雪深度反演研究

利用全球导航卫星系统反射干涉遥感技术（GPS-Interferometric Reflectometry, GPS-IR）可实现地表环境参数的监测。基于全球导航卫星系统多径反射信号与积雪深度之间的关系,针对目前已有研究较少的考虑多星融合对反演效果的影响,提出一种基于多元线性回归的多星融合积雪深度反演模型。为了验证算法的可靠性,利用美国PBO观测网络中的P101测站连续监测数据进行雪深反演研究。研究和实验表明：反演结果与积雪深度参考值具有显著相关性;多星融合能够有效综合各单颗卫星的反演性能,相关系数均大于0.940,相比单星提高了13.6%;RMSE和MAE均小于0.08和0.165。     

中国地区AVHRR长时间序列积雪范围产品精度评估

积雪是冰冻圈重要的组成部分,积雪面积在地表的积累和消融影响着水资源的平衡以及生态环境的变化,进而影响社会经济的发展。目前由日本宇航局发布的JASMES系列产品包含一套北半球自1978年以来长时间序列的AVHRR逐日积雪范围产品,可以作为气候和水文模型的重要输入,然而该产品在中国地区的精度尚未被评估。以高分辨率Landsat-5TM数据和气象台站雪深观测数据两种手段通过构建误差矩阵和一致性检验方法来评价JASMES积雪范围产品在我国三大积雪区(北疆,东北和青藏高原)的总体精度。研究结果表明:使用Landsat-5TM积雪面积二值图进行验证时,东北、北疆和青藏高原地区的总体精度分别为66.3%、69.3%和49.5%,积雪识别的漏分误差均较为严重,混合像元以及积雪消融时间过短严重地降低了青藏高原地区的总体评估精度;在积雪季逐月分析中,JASMES积雪产品由于地形的影响,青藏高原地区总体评估精度低于北疆和东北地区,消融过快的特性进一步降低了评估的总体精度。结合气象站点数据验证时,当雪深阈值为9cm时,青藏高原、北疆和东北地区总体精度分别为94.2%、67.8%和77.8%,青藏高原地区对非雪像元的识别精度达到98.9%;随着站点积雪覆盖日数的增加,其总体精度均呈下降的趋势,漏分积雪情况较为严重,存在多分陆地,少分积雪的现象。综上所述,JASMES积雪产品在青藏高原、北疆和东北地区均存在漏分积雪比较严重的现象,青藏高原地区积雪漏分现象最为突出。     

基于多列卷积神经网络的参数异步更新算法

针对现有人群计数算法采用同步人工优化深度学习网络,忽略了网络学习的负面信息,导致大量冗余参数甚至过拟合,进而影响到计数准确性的问题,提出基于多列卷积神经网络MCNN(Multi-column Convolution Neural Network)的参数异步更新算法.首先将单帧图像输入网络,经过三列卷积分别提取不同尺度特...     

Customer attrition in retailing: An application of Multivariate Adaptive Regression Splines

The profit resulting from customer relationship is essential to ensure companies viability, so an improvement in customer retention is crucial for competitiveness. As such, companies have recognized the importance of customer centered strategies and consequently customer relationship management (CRM) is often at the core of their strategic plans. In this context, a priori knowledge about the risk of a given customer to mitigate or even end the relationship with the provider is valuable information that allows companies to take preventive measures to avoid defection. This paper proposes a model to predict partial defection, using two classification techniques: Logistic regression and Multivariate Adaptive Regression Splines (MARS). The main objective is to compare the performance of MARS with Logistic regression in modeling customer attrition. This paper considers the general form of Logistic regression and Logistic regression combined with a wrapper feature selection approach, such as stepwise approach. The empirical results showed that MARS performs better than Logistic regression when variable selection procedures are not used. However, MARS loses its superiority when Logistic regression is conducted with stepwise feature selection.     

多尺度YOLO人脸年龄估计方法研究

通过观察人脸估计年龄较为常见，但如何准确预测年龄则是一个难题。为提高人脸图像年龄估计的准确率，提出一种基于YOLO（You Only Look Once）模型的目标检测方法。将多尺度回归思想应用于卷积神经网络（Convolutional Neural Network，CNN），通过多尺度卷积改善模型对小尺寸目标的提取能力，结合特征通道分权重思想，改善特征提取操作中特征信息丢失的问题，构造决策树回归得到年龄估计。这种方法在人脸年龄图像库FG-NET上获得平均绝对误差（MAE）3.43，在GROUP数据集获得区间匹配度（AEM）62.4%。实验结果表明，通过多尺度特征回归以及通道权重分配，可以较为准确地进行人脸信息检测，并由此建立鲁棒性更强的人脸年龄估计模型。     

基于机器学习算法的AMSR-2地表温度降尺度研究

MODIS日尺度的地表温度受到天气影响,有效像元信息严重缺失,这对数据稀缺区域尤为重要。以古尔班通古特沙漠为研究区,探索了采用AMSR-2的垂直极化亮度温度与植被指数对地表温度空间降尺度的方法,并用此方法填补了2018年MODIS的缺失像元。(1)通过十折交叉验证,对4种机器学习算法（Cubist、DBN、SVM、RF）、10个波段组合、2个空间尺度（5 km、10 km）下的训练模型进行了分析,表明RF算法精度明显高于其他3种算法,C09波段组合的验证精度高于其他波段组合。(2)构建了2个鲁棒性的随机森林算法地表温度降尺度模型（5 km|RF|09、10 km|RF|09）,将AMSR-2亮度温度降尺度到1km分辨率,表明5 km|RF|09模型反演结果更为合理,MODIS与站点验证的R2分别为0.971、0.930,RMSE分别为3.38 K、4.71 K,MAE分别为2.51 K、3.84 K。(3)降尺度结果填补MODIS地表温度缺失像元,将其应用到古尔班通古特沙漠长时间序列的陆表温度分析,可为数据稀缺区域数据获取提供科学参考。     

基于长-短时序特征融合的资源负载预测模型

高准确率的资源负载预测能够为实时任务调度提供依据,从而降低能源消耗。但是,针对资源负载的时间序列的预测模型,大多是通过提取时间序列的长时序依赖特性来进行短期或者长期预测,忽略了时间序列中的短时序依赖特性。为了更好地对资源负载进行长期预测,提出了一种基于长-短时序特征融合的边缘计算资源负载预测模型。首先,利用格拉姆角场（GAF）将时间序列转变为图像格式数据,以便利用卷积神经网络（CNN）来提取特征;然后,通过卷积神经网络提取空间特征和短期数据的特征,用长短期记忆（LSTM）网络来提取时间序列的长时序依赖特征;最后,将所提取的长、短时序依赖特征通过双通道进行融合,从而实现长期资源负载预测。实验结果表明,所提出的模型在阿里云集群跟踪数据集CPU资源负载预测中的平均绝对误差（MAE）为3.823,均方根误差（RMSE）为5.274,拟合度（R²）为0.815 8,相较于单通道的CNN和LSTM模型、双通道CNN+LSTM和ConvLSTM+LSTM模型,以及资源负载预测模型LSTM-ED和XGBoost,所提模型的预测准确率更高。     

Fractional snow cover mapping through artificial neural network analysis of MODIS surface reflectance

Accurate areal measurements of snow cover extent are important for hydrological and climate modeling. The traditional method of mapping snow cover is binary where a pixel is considered either snow-covered or snow-free. Fractional snow cover (FSC) mapping can achieve a more precise estimate of areal snow cover extent by estimating the fraction of a pixel that is snow-covered. The most common snow fraction methods applied to Moderate Resolution Imaging Spectroradiometer (MODIS) images have been spectral unmixing and an empirical Normalized Difference Snow Index (NDSI). Machine learning is an alternative for estimating FSC as artificial neural networks (ANNs) have been successfully used for estimating the subpixel abundances of other surfaces. The advantages of ANNs are that they can easily incorporate auxiliary information such as land cover type and are capable of learning nonlinear relationships between surface reflectance and snow fraction. ANNs are especially applicable to mapping snow cover extent in forested areas where spatial mixing of surface components is nonlinear. This study developed a multilayer feed-forward ANN trained through backpropagation to estimate FSC using MODIS surface reflectance, NDSI, Normalized Difference Vegetation Index (NDVI) and land cover as inputs. The ANN was trained and validated with higher spatial-resolution FSC maps derived from Landsat Enhanced Thematic Mapper Plus (ETM+) binary snow cover maps. Testing of the network was accomplished over training and independent test areas. The developed network performed adequately with RMSE of 12% over training areas and slightly less accurately over the independent test scenes with RMSE of 14%. The developed ANN also compared favorably to the standard MODIS FSC product. The study also presents a comprehensive validation of the standard MODIS snow fraction product whose performance was found to be similar to that of the ANN.     

多源数据小麦条锈病预测研究

小麦条锈病是导致小麦大规模减产的气传性病害,其传播扩散过程受多种因素影响,常用的作物病害气象预测模型难以准确模拟。为实现小麦条锈病发病率的精准预测,提出一种基于气象和遥感数据建立的SEIR-StripeRust动态预测模型。以甘肃省陇南地区为研究区,首先基于气象数据和MODIS遥感数据分别构建气象因子和植被指数,然后与发病率进行相关性分析筛选敏感因子并耦合基本感染率,进而建立SEIR-StripeRust模型,最后采用后向传播神经网络(BPNN)、支持向量回归(SVR)和多元线性回归(MLR)模型对比验证SEIR-StripeRust模型的有效性。结果表明：平均气温、相对湿度和归一化植被指数与小麦条锈病发病率显著相关,其建立的SEIRStripeRust模型预测精度最高,决定系数R²达到0.79,均方根误差RMSE为0.10,平均绝对误差MAE为0.09,均优于相同特征变量下的BPNN、SVR和MLR模型。研究结果表明SEIRStripeRust模型能够有效预测小麦条锈病发病率,并为县域尺度的小麦条锈病预测和精确防控提供技术支持。