CN110852149A - 基于分类和回归树算法的植被指数预测方法、系统及设备 - Google Patents

基于分类和回归树算法的植被指数预测方法、系统及设备 Download PDF

Info

Publication number
CN110852149A
CN110852149A CN201910905196.1A CN201910905196A CN110852149A CN 110852149 A CN110852149 A CN 110852149A CN 201910905196 A CN201910905196 A CN 201910905196A CN 110852149 A CN110852149 A CN 110852149A
Authority
CN
China
Prior art keywords
classification
data
vegetation index
regression tree
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910905196.1A
Other languages
English (en)
Other versions
CN110852149B (zh
Inventor
荆文龙
李勇
刘杨晓月
杨骥
夏小琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201910905196.1A priority Critical patent/CN110852149B/zh
Publication of CN110852149A publication Critical patent/CN110852149A/zh
Application granted granted Critical
Publication of CN110852149B publication Critical patent/CN110852149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于分类和回归树算法的植被指数预测方法、系统及设备，通过以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果。相对于现有技术，本发明解决了现有技术中植被指数缺失问题，用户可利用本发明实现任意时间段的植被指数预测，完善植被指数数据。

Description

基于分类和回归树算法的植被指数预测方法、系统及设备
技术领域
本发明涉及地理信息技术领域，尤其是涉及一种基于分类和回归树算法的植被指数预测方法、系统及设备。
背景技术
植被指数是从多光谱遥感数据中提取的、能够有效度量地表植被状况的数值，与植被的覆盖度、生物量等有较好的相关性。然而，现有的植被指数数据涉及的时间周期较短，由于植被指数数据量庞大，其计算过程复杂，尚没有提取长时间植被指数的方法，而长时间植被指数在反应区域地表植被情况及周期性变化及研究区域生态环境承载力上具有重要作用。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种获取预设时间段植被指数的基于分类和回归树算法的植被指数预测方法、系统及设备。
一种基于分类和回归树算法的植被指数预测方法，包括以下步骤：
获取植被指数数据，选取预设时间段内的所述植被指数数据作为训练数据集，根据预设的规则从所述训练数据集选取高质量像元值作为第一输入数据；
将预设时间段内的全球陆地数据同化系统流域地表模型数据集以每半月进行整合，生成半月尺度的第二输入数据；
获取预设时间段内的高程数据，以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型；
获取目标时间段的全球陆地数据同化系统流域地表模型数据，将所述第一输入数据、第二输入数据、高程数据和目标时间段的全球陆地数据同化系统流域地表模型数据作为分类与回归树模型的样本数据，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果。
相对于现有技术，本发明通过以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果，本发明解决了现有技术中植被指数缺失问题，其计算复杂度低，计算量小，用户可利用本发明实现任意时间段的植被指数预测，完善植被指数数据。
在本发明一个实施例中，所述以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型的步骤包括：
使用递归过程从大小为n的训练数据集作为样本构建分类与回归树，利用最优变量st和对应最优值s*将所述分类与回归树t节点划分为tL和tR两棵子树，令每棵子树之间的样本具有最大差异性：
Δi(s，t)＝i(t)-pLi(tL)-pRi(tR)
Figure BDA0002213070850000021
其中，
Figure BDA0002213070850000023
分别是两个子树tL、tR的样本数量，i(t)是植被指数拟合模型精度量测函数：
Figure BDA0002213070850000024
Nt是节点t包含的样本数，yi是节点t中样本i的植被指数输入值，y是y集合算术平均值：
Figure BDA0002213070850000025
计算样本在分类与回归树中传播时所达到对应叶子节点的值，获得植被指数预测结果。通过令每棵子树之间的样本具有最大差异性，利用分类与回归树实现对样本的植被指数预测，获得准确性较高的植被指数模拟值。
在本发明一个实施例中，所述基于分类和回归树算法的植被指数预测方法还包括以下步骤：判断所述分类与回归树模型预测结果的精度是否达到设定精度，若是，输出植被指数模拟值；否则，修改所述分类与回归树算法回归模型的分类与回归树的数目，重新获取植被指数模拟值。通过反馈、改进模型参数、重新训练、输出结果的迭代优化过程，使植被数据的预测值更加准确和全面。
本发明还提供了一种植被指数预测系统，包括：
第一输入数据获取模块，用于获取植被指数数据，选取预设时间段内的所述植被指数数据作为训练数据集，根据预设的规则从所述训练数据集选取高质量像元值作为第一输入数据；
第二输入数据获取模块，用于将预设时间段内的全球陆地数据同化系统流域地表模型数据集以每半月进行整合，生成半月尺度的第二输入数据；
分类与回归树模型构建模块，所述分类与回归树模型构建模块以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型；
分类与回归树模型训练模块，用于获取目标时间段的植被指数数据，将所述第一输入数据、第二输入数据、高程数据和目标时间段的全球陆地数据同化系统流域地表模型数据作为分类与回归树模型的样本数据，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果。
在本发明一个实施例中，所述分类与回归树模型构建模块包括：
节点划分单元，使用递归过程从大小为n的训练数据集作为样本构建分类与回归树，利用最优变量st和对应最优值s*将所述分类与回归树t节点划分为tL和tR两棵子树，令每棵子树之间的样本具有最大差异性：
Δi(s，t)＝i(t)-pLi(tL)-pRi(tR)
Figure BDA0002213070850000031
Figure BDA0002213070850000032
其中，
Figure BDA0002213070850000033
分别是两个子树tL、tR的样本数量，i(t)是植被指数拟合模型精度量测函数：
Figure BDA0002213070850000034
Nt是节点t包含的样本数，yi是节点t中样本i的植被指数输入值，y是y集合算术平均值：
Figure BDA0002213070850000035
植被指数获取单元，用于计算样本在分类与回归树中传播时所达到对应叶子节点的值，获得植被指数预测结果。
在本发明一个实施例中，所述植被指数预测系统还包括：判断模块，用于判断所述分类与回归树模型预测结果的精度是否达到设定精度，若是，输出植被指数模拟值；否则，修改所述分类与回归树算法回归模型的分类与回归树的数目，重新获取植被指数模拟值。
本发明还提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的基于分类和回归树算法的植被指数预测方法的步骤。
本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于分类和回归树算法的植被指数预测方法的步骤。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1是本发明实施例中一种基于分类和回归树算法的植被指数预测方法的流程图；
图2是本发明实施例中基于分类和回归树算法的植被指数预测方法步骤S3的流程图；
图3是本发明实施例中植被指数预测系统的结构示意图；
图4是本发明实施例中分类与回归树模型训练模块3的结构示意图。
具体实施方式
实施例
请参阅图1，本发明提供了一种基于分类和回归树算法的植被指数预测方法，包括以下步骤：
步骤S1：获取植被指数数据，选取预设时间段内的所述植被指数数据作为训练数据集，根据预设的规则从所述训练数据集选取高质量像元值作为第一输入数据。
在本实施例，所述植被指数数据为1981年7月-2015年12月共计35年828期AVHRRGIMMS3g.v1(AVHRR:Advanced Very High Resolution Radiometer.GIMMS:GlobalInventory Modelling and Mapping Studies)植被指数(NDVI,Normalized DifferenceVegetation Index)数据，所述植被指数数据中选取其中一段时间的植被指数数据作为训练数据集指的是从上述植被指数数据中随机抽取，选择其中的30年数据作为训练数据集，余下的5年数据作为验证数据集用来检验训练结果的可靠性。所述高质量像元值(flag＝0)为所述训练数据集中噪声最低的像元值，保证模型输入数据的数据质量。
步骤S2：将预设时间段内的全球陆地数据同化系统流域地表模型数据集以每半月进行整合，生成半月尺度的第二输入数据；其中，所述预设时间段内的全球陆地数据同化系统流域地表模型(GLDAS CLSML4，Global Land Data Assimilation System CatchmentLand Surface Model Level4)数据集为1981年7月-2015年12月的全球陆地数据同化系统流域地表模型数据集。所述全球陆地数据通化系统流域地表模型数据集包括但不限于地表温度、地表水储量、植物冠层表面水分、土壤水分、裸土蒸散、大气温度和降水等数据。所述半月尺度的第二输入数据为以每半月进行整合而成的预设时间段内的全球陆地数据同化系统流域地表模型数据集。
在一个实施例中，所述植被指数数据、全球陆地数据同化系统流域地表模型数据集和高程数据在步骤S1之前进行了规范化统一所有数据的投影与空间坐标系、时间分辨率、空间分辨率的预处理，方便后续分类与回归树模型的应用。
步骤S3：获取预设时间段内的高程数据，以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型；所述分类与回归树模型是一种优秀的集成学习方法。它采用了一种通用的样本抽取技术，反复随机有放回选择一组随机样本进行训练。每个子集中生成一棵分类与回归树(CART)，是一种基于机器学习的二元分类(或回归)树算法，其最终预测值是所有子集的取值平均。
如图2所示，所述以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型步骤包括：
步骤S301：使用递归过程从大小为n的训练数据集作为样本构建分类与回归树，利用最优变量st和对应最优值s*将所述分类与回归树t节点划分为tL和tR两棵子树，其中，所述最优变量st和对应最优值s*根据实际需求进行设定，令每棵子树之间的样本具有最大差异性，每棵子树内的样本具有最大相似度：
Δi(s，t)＝i(t)-pLi(tL)-pRi(tR)
Figure BDA0002213070850000051
Figure BDA0002213070850000052
其中，
Figure BDA0002213070850000053
分别是两个子树tL、tR的样本数量，i(t)是植被指数拟合模型精度量测函数：
Figure BDA0002213070850000054
Nt是节点t包含的样本数，yi是节点t中样本i的植被指数输入值，y是y集合算术平均值：
步骤S302：计算样本在分类与回归树中传播时所达到对应叶子节点的值，获得植被指数预测结果。
步骤S4：获取目标时间段的全球陆地数据同化系统流域地表模型数据，将所述第一输入数据、第二输入数据、高程数据和目标时间段的全球陆地数据同化系统流域地表模型数据作为分类与回归树模型的样本数据，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果。
在一个实施例中，所述基于分类和回归树算法的植被指数预测方法还包括：步骤S5：判断所述植被指数是否满足预设的精度要求，若是，输出植被指数模拟值；否则，修改所述分类与回归树算法回归模型的分类与回归树的数目，重新获取植被指数模拟值。具体地，将验证数据集输入所述分类与回归树算法模型进行植被指数模拟值预测，将该植被指数预测值与验证数据集中的植被指数数据进行比较，根据比较结果判断所述植被指数是否达到预设的精度要求，其中，所述预设的精度要求可根据用户实际需求进行设定。
如图3所示，本发明还提供了一种植被指数预测系统，包括：
第一输入数据获取模块1，用于获取植被指数数据，选取预设时间段内的所述植被指数数据作为训练数据集，根据预设的规则从所述训练数据集选取高质量像元值作为第一输入数据；
第二输入数据获取模块2，用于将预设时间段内的全球陆地数据同化系统流域地表模型数据集以每半月进行整合，生成半月尺度的第二输入数据；
分类与回归树模型构建模块3，所述分类与回归树模型构建模块以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型；其中，所述高程数据为预设时间段内的高程数据。
在本发明一个实施例中，如图4所示，所述分类与回归树模型构建模块3包括：
节点划分单元301，使用递归过程从大小为n的训练数据集作为样本构建分类与回归树，利用最优变量st和对应最优值s*将所述分类与回归树t节点划分为tL和tR两棵子树，令每棵子树之间的样本具有最大差异性：
Δi(s，t)＝i(t)-pLi(tL)-pRi(tR)
Figure BDA0002213070850000061
Figure BDA0002213070850000062
其中，
Figure BDA0002213070850000063
分别是两个子树tL、tR的样本数量，i(t)是植被指数拟合模型精度量测函数：
Figure BDA0002213070850000064
Nt是节点t包含的样本数，yi是节点t中样本i的植被指数输入值，y是y集合算术平均值：
Figure BDA0002213070850000065
植被指数获取单元302，用于计算样本在分类与回归树中传播时所达到对应叶子节点的值，获得植被指数预测结果。
分类与回归树模型训练模块4，用于获取目标时间段的植被指数数据，将所述第一输入数据、第二输入数据、高程数据和目标时间段的全球陆地数据同化系统流域地表模型数据作为分类与回归树模型的样本数据，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果。
所述植被指数预测系统还包括：判断模块5，用于判断所述分类与回归树模型预测结果的精度是否达到设定精度，若是，输出植被指数模拟值；否则，修改所述分类与回归树算法回归模型的分类与回归树的数目，重新获取植被指数模拟值。
本发明还提供了一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现上述任意一项所述的基于分类和回归树算法的植被指数预测方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的基于分类和回归树算法的植被指数预测方法的步骤。
相对于现有技术，本发明通过以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果，本发明解决了现有技术中植被指数缺失问题，其计算复杂度低，计算量小，用户可利用本发明实现任意时间段的植被指数预测，完善植被指数数据，方便研究者进行研究。本发明所述植被指数数据的模拟是一个“输入-训练-反馈-改进算法-训练-输出”的迭代优化过程，通过达到设定的精度，生成年长时间序列、空间完整覆盖的植被指数数据。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。

Claims (8)

1.一种基于分类和回归树算法的植被指数预测方法，其特征在于，包括以下步骤：
获取植被指数数据，选取预设时间段内的所述植被指数数据作为训练数据集，根据预设的规则从所述训练数据集选取高质量像元值作为第一输入数据；
将预设时间段内的全球陆地数据同化系统流域地表模型数据集以每半月进行整合，生成半月尺度的第二输入数据；
获取预设时间段内的高程数据，以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型；
获取目标时间段的全球陆地数据同化系统流域地表模型数据，将所述第一输入数据、第二输入数据、高程数据和目标时间段的全球陆地数据同化系统流域地表模型数据作为分类与回归树模型的样本数据，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果。
2.根据权利要求1所述的基于分类和回归树算法的植被指数预测方法，其特征在于：所述以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型的步骤包括：
使用递归过程从大小为n的学习样本构建分类与回归树，利用最优变量st和对应最优值s*将所述分类与回归树t节点划分为tL和tR两棵子树，令每棵子树之间的样本具有最大差异性：
Δi(s,t)＝i(t)-pLi(tL)-pRi(tR)
Figure FDA0002213070840000011
Figure FDA0002213070840000012
其中，分别是两个子树tL、tR的样本数量，i(t)是植被指数拟合模型精度量测函数：
Figure FDA0002213070840000014
Nt是节点t包含的样本数，yi是节点t中样本i的植被指数输入值，y是y集合算术平均值：
计算样本在分类与回归树中传播时所达到对应叶子节点的值，获得植被指数预测结果。
3.根据权利要求1所述的基于分类和回归树算法的植被指数预测方法，其特征在于：所述基于分类和回归树算法的植被指数预测方法还包括以下步骤：判断所述分类与回归树模型预测结果的精度是否达到设定精度，若是，输出植被指数模拟值；否则，修改所述分类与回归树算法回归模型的分类与回归树的数目，重新获取植被指数模拟值。
4.一种植被指数预测系统，其特征在于：包括：
第一输入数据获取模块，用于获取植被指数数据，选取预设时间段内的所述植被指数数据作为训练数据集，根据预设的规则从所述训练数据集选取高质量像元值作为第一输入数据；
第二输入数据获取模块，用于将预设时间段内的全球陆地数据同化系统流域地表模型数据集以每半月进行整合，生成半月尺度的第二输入数据；
分类与回归树模型构建模块，所述分类与回归树模型构建模块以植被指数作为因变量，以全球陆地数据同化系统流域地表模型数据集和高程数据作为自变量，构建分类与回归树模型；
分类与回归树模型训练模块，用于获取目标时间段的植被指数数据，将所述第一输入数据、第二输入数据、高程数据和目标时间段的全球陆地数据同化系统流域地表模型数据作为分类与回归树模型的样本数据，利用分类与回归树模型对所述样本数据进行分类并根据所述分类结果预测目标时间段的植被指数，获取植被指数预测结果。
5.根据权利要求4所述的植被指数预测系统，其特征在于：所述分类与回归树模型构建模块包括：
节点划分单元，使用递归过程从大小为n的训练数据集作为样本构建分类与回归树，利用最优变量st和对应最优值s*将所述分类与回归树t节点划分为tL和tR两棵子树，令每棵子树之间的样本具有最大差异性：
Δi(s,t)＝i(t)-pLi(tL)-pRi(tR)
其中，
Figure FDA0002213070840000023
分别是两个子树tL、tR的样本数量，i(t)是植被指数拟合模型精度量测函数：
Figure FDA0002213070840000024
Nt是节点t包含的样本数，yi是节点t中样本i的植被指数输入值，y是y集合算术平均值：
Figure FDA0002213070840000025
植被指数获取单元，用于计算样本在分类与回归树中传播时所达到对应叶子节点的值，获得植被指数预测结果。
6.根据权利要求4所述的植被指数预测系统，其特征在于：所述植被指数预测系统还包括：判断模块，用于判断所述分类与回归树模型预测结果的精度是否达到设定精度，若是，输出植被指数模拟值；否则，修改所述分类与回归树算法回归模型的分类与回归树的数目，重新获取植被指数模拟值。
7.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：该计算机程序被处理器执行时实现如权利要求1-3任意一项所述的基于分类和回归树算法的植被指数预测方法的步骤。
8.一种计算机设备，其特征在于：包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-3中任意一项所述的基于分类和回归树算法的植被指数预测方法的步骤。
CN201910905196.1A 2019-09-24 2019-09-24 基于分类和回归树算法的植被指数预测方法、系统及设备 Active CN110852149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910905196.1A CN110852149B (zh) 2019-09-24 2019-09-24 基于分类和回归树算法的植被指数预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910905196.1A CN110852149B (zh) 2019-09-24 2019-09-24 基于分类和回归树算法的植被指数预测方法、系统及设备

Publications (2)

Publication Number Publication Date
CN110852149A true CN110852149A (zh) 2020-02-28
CN110852149B CN110852149B (zh) 2022-10-04

Family

ID=69596197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910905196.1A Active CN110852149B (zh) 2019-09-24 2019-09-24 基于分类和回归树算法的植被指数预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN110852149B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785047A (zh) * 2021-01-06 2021-05-11 上海信联信息发展股份有限公司 农作物的采收量预测方法和装置
CN114429591A (zh) * 2022-01-26 2022-05-03 中国农业科学院草原研究所 一种基于机器学习的植被生物量自动监测方法及系统
CN114491967A (zh) * 2021-12-30 2022-05-13 中国科学院地理科学与资源研究所 陆地水储量预测方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160224703A1 (en) * 2015-01-30 2016-08-04 AgriSight, Inc. Growth stage determination system and method
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
WO2018173577A1 (ja) * 2017-03-23 2018-09-27 日本電気株式会社 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体
CN109272144A (zh) * 2018-08-16 2019-01-25 天津大学 基于bpnn的中国北方草原地区ndvi的预测方法
CN109447325A (zh) * 2018-09-30 2019-03-08 广州地理研究所 基于随机森林算法的降水数据检测方法、装置及电子设备
CN109993062A (zh) * 2019-03-04 2019-07-09 辽宁师范大学 一种湿地植被根际土壤微生物高光谱植被指数监测方法
CN110135385A (zh) * 2019-05-23 2019-08-16 南京林业大学 一种丘陵山区结构化植被指数模型的构建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160224703A1 (en) * 2015-01-30 2016-08-04 AgriSight, Inc. Growth stage determination system and method
WO2018173577A1 (ja) * 2017-03-23 2018-09-27 日本電気株式会社 植生指標算出装置、植生指標算出方法、及びコンピュータ読み取り可能な記録媒体
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN109272144A (zh) * 2018-08-16 2019-01-25 天津大学 基于bpnn的中国北方草原地区ndvi的预测方法
CN109447325A (zh) * 2018-09-30 2019-03-08 广州地理研究所 基于随机森林算法的降水数据检测方法、装置及电子设备
CN109993062A (zh) * 2019-03-04 2019-07-09 辽宁师范大学 一种湿地植被根际土壤微生物高光谱植被指数监测方法
CN110135385A (zh) * 2019-05-23 2019-08-16 南京林业大学 一种丘陵山区结构化植被指数模型的构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANDRÉS BERGERA: "Predicting the Normalized Difference Vegetation Index (NDVI) by training a crop growth model with historical data", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 *
刘少军 等: "利用GIS地理统计模块预测海南岛植被指数季节性变化趋势", 《热带地理》 *
张满囤: "基于支持向量机回归的NDVI组合预测模型", 《河北工业大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785047A (zh) * 2021-01-06 2021-05-11 上海信联信息发展股份有限公司 农作物的采收量预测方法和装置
CN114491967A (zh) * 2021-12-30 2022-05-13 中国科学院地理科学与资源研究所 陆地水储量预测方法、装置、设备及存储介质
CN114491967B (zh) * 2021-12-30 2023-03-24 中国科学院地理科学与资源研究所 陆地水储量预测方法、装置、设备及存储介质
CN114429591A (zh) * 2022-01-26 2022-05-03 中国农业科学院草原研究所 一种基于机器学习的植被生物量自动监测方法及系统

Also Published As

Publication number Publication date
CN110852149B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
Pecchi et al. Species distribution modelling to support forest management. A literature review
CN110852149B (zh) 基于分类和回归树算法的植被指数预测方法、系统及设备
Safari et al. A comparative assessment of multi-temporal Landsat 8 and machine learning algorithms for estimating aboveground carbon stock in coppice oak forests
Martinez et al. Toward improved identification of hydrological models: A diagnostic evaluation of the “abcd” monthly water balance model for the conterminous United States
CN110826764B (zh) 基于随机森林算法的植被指数预测方法、系统及设备
CN110826173B (zh) 一种土壤水分数据获取方法、系统、存储介质及设备
Sahour et al. Random forest and extreme gradient boosting algorithms for streamflow modeling using vessel features and tree-rings
CN113160183B (zh) 一种高光谱数据处理方法、设备及介质
Wieland et al. Using Shapley additive explanations to interpret extreme gradient boosting predictions of grassland degradation in Xilingol, China
CN112287601B (zh) 利用r语言构建烟叶质量预测模型的方法、介质及应用
Piniewski et al. G2DC-PL+: a gridded 2 km daily climate dataset for the union of the Polish territory and the Vistula and Odra basins
CN108733952B (zh) 一种基于序贯模拟的土壤含水量空间变异性三维表征方法
Chen et al. Calibration and analysis of the uncertainty in downscaling global land use and land cover projections from GCAM using Demeter (v1. 0.0)
CN110852475B (zh) 基于极端梯度提升算法的植被指数预测方法、系统及设备
Blaauw et al. A review of statistics in palaeoenvironmental research
Xiao et al. Global depth distribution of belowground net primary productivity and its drivers
Portier et al. Plot size matters: Toward comparable species richness estimates across plot‐based inventories
Spezia et al. An evolutionary Monte Carlo method for the analysis of turbidity high‐frequency time series through Markov switching autoregressive models
CN116822366A (zh) 一种径流污染负荷计算模型构建和径流污染负荷计算方法
Mudunuru et al. Scalable deep learning for watershed model calibration
Ojha et al. Assessing GCM convergence for India using the variable convergence score
Sansom et al. Mesoscale spatial variation of rainfall through a hidden semi‐Markov model of breakpoint data
CN113361596B (zh) 一种传感器数据增广方法、系统及存储介质
Wang et al. Phenological prediction algorithm based on deep learning
Shi et al. An inverse method to estimate the source‐sink term in the nitrate transport equation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant