CN113011086A - 一种基于ga-svr算法森林生物量的估测方法 - Google Patents
一种基于ga-svr算法森林生物量的估测方法 Download PDFInfo
- Publication number
- CN113011086A CN113011086A CN202110230134.2A CN202110230134A CN113011086A CN 113011086 A CN113011086 A CN 113011086A CN 202110230134 A CN202110230134 A CN 202110230134A CN 113011086 A CN113011086 A CN 113011086A
- Authority
- CN
- China
- Prior art keywords
- svr
- polarization
- parameters
- biomass
- forest
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000002028 Biomass Substances 0.000 title claims abstract description 53
- 238000011160 research Methods 0.000 claims abstract description 9
- 230000010287 polarization Effects 0.000 claims description 36
- 238000000354 decomposition reaction Methods 0.000 claims description 30
- 230000002068 genetic effect Effects 0.000 claims description 16
- 238000011835 investigation Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 239000002023 wood Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 235000011611 Pinus yunnanensis Nutrition 0.000 description 1
- 241000018652 Pinus yunnanensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于GA‑SVR算法森林生物量的估测方法，涉及森林地上生物量估算技术领域。本发明的基于GA‑SVR算法森林生物量的估测方法，提出的GA‑SVR算法共输入13个特征和8组参数，对研究区域的森林生物量进行了估测，本发明公开的GA‑SVR方法的估计精度明显高于SVR+GA算法和GA+Grid SVR算法，GA‑SVR算法同步优化了参数和特征，为森林生物量估计提供了更好的性能。
Description
技术领域
本发明涉及森林地上生物量估算技术领域，具体的涉及一种基于GA-SVR算法森林生物量的估测方法。
背景技术
森林地上生物量(AGB)估测在全球碳循环和气候变化研究中具有重要意义。合成孔径雷达(SAR)数据，特别是具有极化和干涉信息的数据，对于森林AGB反演发挥着重要的作用。随着SAR数据的成熟和丰富，可以提取多种极化及干涉SAR特征。利用SAR数据精确估测森林生物量的关键之一是要从数量巨大的特征集中选择最佳的估测输入特征，另一个关键是选择合适的反演模型及模型参数。特征优选和模型参数优选，一般采用人工和自动两种方法来识别合适的SAR特征和AGB估计模型。目前通常首先采用一定方法对SAR特征集进行特征优选，然后采用非参数的K近邻(K-NN)、随机森林(RF)和支持向量回归(SVR)等算法进行森林AGB估测。
支持向量回归(SVR)有利用小样本数据产生相对较高估计精度，同时解决线性和非线性问题的优势，因此成为利用遥感数据估测森林AGB的一种重要方法。然而，SVR估测算法的鲁棒性受到模型参数选择的限制。遗传算法(GAs)常被用来优化模型参数和特征选择。近期研究结果表明，GAs能够分别提供有效的最优特征子集和模型算法参数。然而，这些研究并没有像GA-SVR算法那样具有选择特征和SVR参数的协同性能，特别是在森林AGB估测领域展开的研究还较少。
发明内容
针对现有技术存在的上述问题，本发明提供了一种基于GA-SVR算法森林生物量的估测方法，GA-SVR算法协同优化参数和特征，提高森林生物量估算精度。
为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
一种基于GA-SVR算法森林生物量的估测方法，包括以下步骤：
S1：获取SAR卫星影像，经辐射定标、滤波分析、极化分解和地理编码，得到与研究区地理位置一致的各个SAR输入参数特征；
S2：将3个极化特征HH、HV、VV的后向散射系数和采用3种极化分解方法提取的10种极化分解特征，共计13个极化分解特征的物理组合因子作为输入生物量估测模型的输入变量；
S3：选取SVR模型的核函数，设定SVR的惩罚系数C、损失系数ε和宽度系数γ的范围；
S4：以输入模型的SAR特征、SVR的三个参数分别为作为单个基因，设计遗传算法的染色体，并进行二进制编码；
S5：进行野外调查，获取每木检尺的样地调查数据，或者获取角规调查样地数据，带回实验室进行样地生物量计算；
将调查样地数据、遗传算法选取的初始输入SAR特征和SVR参数进行森林地上生物量估测模型的训练；
S6：采用15折交叉验证结果作为适应度函数，结合遗传算法选取最优个体，并看是否满足迭代次数；
S7：将达到迭代次数的SAR参数、SVR模型参数输出，并输出模型的估测结果和精度，将结果作为森林地上生物量的估测结果及精度水平。
进一步的，所述S2采用3种极化分解方法提取极化特征包括：Freeman-Durden极化分解方法分解出的3个极化特征：Odd(表面散射)、Dbl(二次散射)、Vol(体散射)；Yamaguchi极化分解方法分解的4个极化特征：Odd(表面散射)、Dbl(二次散射)、Vol(体散射))、Hlx(螺旋体散射)；Cloude-Pottier极化分解方法另分解的3个特征：Entropy(熵)、Anisotropy(反熵)、Alpha(散射角)。
进一步的，所述S4染色体以二进制形式编码，前13位记录特征组合，值为1的位表示选择了相应的特征，值为0的位表示未选择特征，最后9位存储SVR超参数，前3位表示8个不同的C二进制码值，中间3位表示8个不同的γ二进制码值，最后3位显示8个不同的ε二进制码值，适应度函数采用K＝15和m＝1，其他参数设置如下：锦标赛选择，初始种群数＝35，世代数＝200，单点交叉率＝0.9，随机变异率＝0.9。
进一步的，所述S6采用交叉验证系数(CVC)和决定系数(R2)为参数评估精度，如下式：
其中yi为估计结果，yi为样地调查结果，
为样地调查平均值。n是样本数；
进一步的，所述S6结合遗传算法选取最优个体，若满足迭代次数，则输出优选的参数和估测结果；若不满足，则进行遗传算法的选择、交叉、变异重新生成新个体，重复S4-S6，直到到达迭代次数。
本发明的有益效果：
本发明的基于GA-SVR算法森林生物量的估测方法，提出的GA-SVR算法共输入13个特征和8组参数，对研究区域的森林生物量进行了估测，然后将GA-SVR算法的性能与默认SVR+GA和GA+Grid SVR算法的性能进行比较，以确定每种方法对森林生物量估算过程的优化能力，本发明公开的GA-SVR方法的估计精度明显高于SVR+GA算法和GA+Grid SVR算法，虽然GA+Grid SVR算法常用于SVR的参数优化和特征选择过程，但它分别通过了两个连续的步骤对特征和参数进行优化，忽略了两个优化过程之间的协同效应；相比之下，GA-SVR算法同步优化了参数和特征，为森林生物量估计提供了更好的性能。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述基于GA-SVR算法森林生物量的估测方法的流程示意图；
图2为本发明实施例所述三种方法的输出与实测结果之间的相关关系示意图；
图3为本发明实施例所述使用三种不同算法从GF-3图像反演森林生物量的预测图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
一种基于GA-SVR算法森林生物量的估测方法，包括以下步骤：
S1：获取SAR卫星影像，经辐射定标、滤波分析、极化分解和地理编码，得到与研究区地理位置一致的各个SAR输入参数特征；
S2：将3个极化特征HH、HV、VV的后向散射系数和采用3种极化分解方法提取的10种极化分解特征，共计13个极化分解特征的物理组合因子作为输入生物量估测模型的输入变量；
S3：选取SVR模型的核函数，设定SVR的惩罚系数C、损失系数ε和宽度系数γ的范围；
S4：以输入模型的SAR特征、SVR的三个参数分别为作为单个基因，设计遗传算法的染色体，并进行二进制编码；
S5：进行野外调查，获取每木检尺的样地调查数据，或者获取角规调查样地数据，带回实验室进行样地生物量计算；
将调查样地数据、遗传算法选取的初始输入SAR特征和SVR参数进行森林地上生物量估测模型的训练；
S6：采用15折交叉验证结果作为适应度函数，结合遗传算法选取最优个体，并看是否满足迭代次数；
S7：将达到迭代次数的SAR参数、SVR模型参数输出，并输出模型的估测结果和精度，将结果作为森林地上生物量的估测结果及精度水平。
实施例2
基于GA-SVR算法森林生物量的估测方法的具体实施方法；
本研究区位于中国西南部云南省小哨林场。云南松是云南省的优势树种之一。本文以一景GF-3全极化SAR图像为数据源，采用SAR分解方法提取特征。表1显示了获得的GF-3数据的详细信息。另用于训练及检验的样本为2019年8月在小哨林场调查的33块样地。
表1获得的GF-3数据的详细信息
具体操作步骤：
SAR极化处理与特征提取
从GF-3单视合成孔径雷达数据集中提取了13个特征。生成的特征包括线性后向散射强度，如HH、HV和VV。另外，采用3种极化分解方法提取了10种极化分解特征。选定的极化分解方法包括Freeman-Durden、Yamaguchi和Cloude-Pottier分解方法。其中，Freeman-Durden和Yamaguchi方法是基于模型的分解方法，它们将协方差矩阵建模为几种散射机制的贡献。对于Freeman-Durden方法，从协方差矩阵中提取了三种散射机制，即表面散射、二次散射和体积散射，并将其作为3种特征。Yamaguchi等人将螺旋散射机制作为第四个组成部分，发展了Freeman-Durden方法。Cloude-Pottier方法是一种基于特征向量特征值的分解方法，它利用特征值和特征向量的相干性来计算熵(H)，表示散射机制的随机程度，α角(α)，测量平均或主导散射机制，以及各向异性(A)，描述了第二和第三散射机制之间的强度差异。
首先使用交互式数据语言(IDL)读取GF-3数据，然后使用polsarpro4.2实现极化分解特征提取，最后在GAMMA软件中对这些特征通道进行地理编码。利用SNAP由协方差矩阵生成后向散射强度特征。在这一过程中，对GF-3单视复图像(slc)数据应用了一个5x5窗口滤波器来降低斑点噪声。
基于GA-SVR算法的特征选择与SVR参数优化
提出的GA-SVR算法在Python2.7开发环境中执行。本文提出的GA-SVR算法在森林AGB估算过程中，GA和SVR起着各自独立的作用。
通过输入训练数据集和染色体对支持向量机进行训练，预测森林AGB；通过计算支持向量机误差作为适应度函数，利用遗传算法对支持向量机进行最优预测。通过选择最优的输入特征子集，寻找最优的支持向量机参数，使支持向量机得到最佳的预测。
提出的遗传支持向量机的主要步骤如下。
第一步。创建训练样本和验证样本：训练样本和验证样本是在野外工作中采集的。然后利用ArcGIS程序提取其相关的13个特征。本文中，33个样本用于培训和验证样本。
第二步。GA-SAR算法的实现过程：包括染色体的设计、适应度函数的计算和输入参数的设置。表2中描述的染色体以二进制形式编码。前13位记录特征组合，值为1的位表示选择了相应的特征，值为0的位表示未选择特征。最后9位存储SVR超参数，前3位表示8个不同的C二进制码值，中间3位表示8个不同的γ二进制码值，最后3位显示8个不同的ε二进制码值。表2显示了本文中C、γ和ε的值设置。适应度函数采用K＝15和m＝1。其他参数设置如下：锦标赛选择，初始种群数＝35，世代数＝200，单点交叉率＝0.9，随机变异率＝0.9。
表2
第三步。运行GA-SVR算法进行森林生物量估算：将基于GA算法的特征优选和SVR模型的默认参数选择，及基于GA算法的特征优选和传统网格搜索方法进行参数选择的SVR模型，与GA-SVR算法森林生物量的结果作比较。
通过预估结果和真实调查结果之间的散点图来评估它们的性能。以决定系数(R2)和交叉验证系数(CVC)为参数评价估计精度。这两个参数表示为：
其中yi为估计结果，yi为样地调查结果，
为样地调查平均值。n是样本数。
实施例3
以GA-SVR算法、GA特征选择伴随默认SVR参数的算法(默认SVR+GA)、GA特征选择与网格搜索SVR参数选择相结合的算法(GA+Grid-SVR)分别进行了森林生物量反演，并进行了数值比较、统计比较和目视比较；
1)数值比较
表3是新提出的GA-SVR算法和其他两种算法的数值比较结果。该表显示了SVR参数集、优选的输入特征以及CVC和R2值。R2值介于预测值和地面实测数据之间。GA-SVR在三种算法中SVR的执行效果均得到了全面的提高，其中CVC值73.81％为最高，R2值0.58％为最高。GA-SVR算法将4种特征输入，选择与其他两种方法的不同SVR参数。结果表明，经过特征选择或SVR参数选择都能提高森林生物量的估测结果，而同时优化输入特征和SVR参数的方法比其他两种方法表现出更好的性能。
表3
统计计较
图2(a、c和d)描述了三种方法的输出与实测结果之间的相关关系。三个子图中红线为实测值和预测值相等一致时的情况。图2(b)描绘了最佳估计精度与世代数之间的关系。在图2(b)中，平均适合度值在第一代中迅速增加，并且在第100代中达到可接受的适合度水平。从图2(a、c和d)可以清楚地看出，GA-SVR算法比其他两种算法性能更好。当33个(x，y)数据点被绘制在图2(a)中时，它们显示出明显的直线模式，并且大多数聚集在1:1直线周围。对于图2(d)，散射点分布更随机。然而，在图2(c)中，当生物量低于60t/ha时出现高估现象，而当生物量大于60t/ha时出现低估现象。
目视比较
图3显示使用三种不同算法从GF-3图像反演森林生物量的预测图。简单直观的对比结果表明，GA-SVR在异质森林覆盖区的森林生物量估算中更为准确。虽然这三张结果图显示的纹理信息稍微相似，但可以注意到红色圆圈中细节差异明显。另GA-SVR算法在该地区得到的低值与地面真实数据高度一致，而其他两种算法均高估了生物量值。
本发明公开利用GA算法特征优化与SVR模型的参数选择同步是提高森林生物量估算精度的重要技术。本发明提出的GA-SVR算法共输入13个特征和8组参数，对研究区域的森林生物量进行了估测，然后将GA-SVR算法的性能与默认SVR+GA和GA+Grid SVR算法的性能进行比较，以确定每种方法对森林生物量估算过程的优化能力。结果表明，GA-SVR方法的估计精度明显高于SVR+GA算法和GA+Grid SVR算法。虽然GA+Grid SVR算法常用于SVR的参数优化和特征选择过程，但它分别通过了两个连续的步骤对特征和参数进行优化，忽略了两个优化过程之间的协同效应。相比之下，GA-SVR算法同步优化了参数和特征，为森林生物量估计提供了更好的性能。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于GA-SVR算法森林生物量的估测方法，其特征在于：包括以下步骤：
S1：获取SAR卫星影像，经辐射定标、滤波分析、极化分解和地理编码，得到与研究区地理位置一致的各个SAR输入参数特征；
S2：将3个极化特征HH、HV、VV的后向散射系数和采用3种极化分解方法提取的10种极化分解特征，共计13个极化分解特征的物理组合因子作为输入生物量估测模型的输入变量；
S3：选取SVR模型的核函数，设定SVR的惩罚系数C、损失系数ε和宽度系数γ的范围；
S4：以输入模型的SAR特征、SVR的三个参数分别为作为单个基因，设计遗传算法的染色体，并进行二进制编码；
S5：进行野外调查，获取每木检尺的样地调查数据，或者获取角规调查样地数据，带回实验室进行样地生物量计算；
将调查样地数据、遗传算法选取的初始输入SAR特征和SVR参数进行森林地上生物量估测模型的训练；
S6：采用15折交叉验证结果作为适应度函数，结合遗传算法选取最优个体，并看是否满足迭代次数；
S7：将达到迭代次数的SAR参数、SVR模型参数输出，并输出模型的估测结果和精度，将结果作为森林地上生物量的估测结果及精度水平。
2.如权利要求1所述的基于GA-SVR算法森林生物量的估测方法，其特征在于：所述S2采用3种极化分解方法提取极化特征包括：Freeman-Durden极化分解方法分解出的3个极化特征：Odd(表面散射)、Dbl(二次散射)、Vol(体散射)；Yamaguchi极化分解方法分解的4个极化特征：Odd(表面散射)、Dbl(二次散射)、Vol(体散射))、Hlx(螺旋体散射)；Cloude-Pottier极化分解方法另分解的3个特征：Entropy(熵)、Anisotropy(反熵)、Alpha(散射角)。
3.如权利要求1所述的基于GA-SVR算法森林生物量的估测方法，其特征在于：所述S4染色体以二进制形式编码，前13位记录特征组合，值为1的位表示选择了相应的特征，值为0的位表示未选择特征，最后9位存储SVR超参数，前3位表示8个不同的C二进制码值，中间3位表示8个不同的γ二进制码值，最后3位显示8个不同的ε二进制码值，适应度函数采用K＝15和m＝1，其他参数设置如下：锦标赛选择，初始种群数＝35，世代数＝200，单点交叉率＝0.9，随机变异率＝0.9。
4.如权利要求1所述的基于GA-SVR算法森林生物量的估测方法，其特征在于：所述S6采用交叉验证系数(CVC)和决定系数(R2)为参数评估精度，如下式：
其中
为估计结果，yi为样地调查结果，
为样地调查平均值。n是样本数；
5.如权利要求1所述的基于GA-SVR算法森林生物量的估测方法，其特征在于：所述S6结合遗传算法选取最优个体，若满足迭代次数，则输出优选的参数和估测结果；若不满足，则进行遗传算法的选择、交叉、变异重新生成新个体，重复S4-S6，直到到达迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110230134.2A CN113011086B (zh) | 2021-03-02 | 2021-03-02 | 一种基于ga-svr算法森林生物量的估测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110230134.2A CN113011086B (zh) | 2021-03-02 | 2021-03-02 | 一种基于ga-svr算法森林生物量的估测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011086A true CN113011086A (zh) | 2021-06-22 |
| CN113011086B CN113011086B (zh) | 2022-08-16 |
Family
ID=76402349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110230134.2A Expired - Fee Related CN113011086B (zh) | 2021-03-02 | 2021-03-02 | 一种基于ga-svr算法森林生物量的估测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011086B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115223660A (zh) * | 2022-09-20 | 2022-10-21 | 清华大学 | 生物种群评估模型的训练方法、装置和电子设备 |
| CN117851814A (zh) * | 2024-01-08 | 2024-04-09 | 中国林业科学研究院资源信息研究所 | 基于多模态数据融合的森林生物量估测关键因子识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130073490A1 (en) * | 2011-09-16 | 2013-03-21 | International Business Machines Corporation | Choosing pattern recognition algorithms and data features |
| CN108876917A (zh) * | 2018-06-25 | 2018-11-23 | 西南林业大学 | 一种森林地上生物量遥感估测通用模型构建方法 |
| CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
| CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
| CN111553117A (zh) * | 2020-04-22 | 2020-08-18 | 东华大学 | 基于遗传算法的堆叠式集成学习的聚酯特性粘度控制方法 |
-
2021
- 2021-03-02 CN CN202110230134.2A patent/CN113011086B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130073490A1 (en) * | 2011-09-16 | 2013-03-21 | International Business Machines Corporation | Choosing pattern recognition algorithms and data features |
| CN108876917A (zh) * | 2018-06-25 | 2018-11-23 | 西南林业大学 | 一种森林地上生物量遥感估测通用模型构建方法 |
| CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
| CN109948845A (zh) * | 2019-03-15 | 2019-06-28 | 国网江苏省电力有限公司经济技术研究院 | 一种配电网负荷长短期记忆神经网络预测方法 |
| CN111553117A (zh) * | 2020-04-22 | 2020-08-18 | 东华大学 | 基于遗传算法的堆叠式集成学习的聚酯特性粘度控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHANIKA SUKAWATTANAVIJIT 等: "GA-SVM Algorithm for Improving Land-Cover Classification Using SAR and Optical Remote Sensing Data", 《IEEE GEOSCIENCE AND REMOTE SENSING LETT》 * |
| 张东东: "基于遗传算法的支持向量机分类算法", 《电子科技》 * |
| 徐昆鹏: "基于极化散射特征与SVM的极化SAR影像分类方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
| 李云 等: "参数优选支持的光学与SAR数据森林地上生物量反演研究", 《北京林业大学学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115223660A (zh) * | 2022-09-20 | 2022-10-21 | 清华大学 | 生物种群评估模型的训练方法、装置和电子设备 |
| CN117851814A (zh) * | 2024-01-08 | 2024-04-09 | 中国林业科学研究院资源信息研究所 | 基于多模态数据融合的森林生物量估测关键因子识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011086B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242206B (zh) | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 | |
| CN110008948B (zh) | 基于变分自编码网络的高光谱图像目标检测方法 | |
| Liquet et al. | Bayesian variable selection regression of multivariate responses for group data | |
| CN113011086B (zh) | 一种基于ga-svr算法森林生物量的估测方法 | |
| Saed-Moucheshi et al. | A review on applied multivariate statistical techniques in agriculture and plant science. | |
| Durocher et al. | A nonlinear approach to regional flood frequency analysis using projection pursuit regression | |
| CN106980750B (zh) | 一种基于典型对应分析的土壤氮储量估算方法 | |
| CN116402825B (zh) | 轴承故障红外诊断方法、系统、电子设备及存储介质 | |
| CN107239477A (zh) | 一种融合空间相关性的地理数据支持向量回归方法 | |
| CN112348055A (zh) | 一种聚类评估度量方法、系统、装置和存储介质 | |
| CN117494573B (zh) | 一种风速预测方法、系统及电子设备 | |
| CN117010274B (zh) | 一种基于集成增量学习的地下水有害元素智能预警方法 | |
| CN117271979A (zh) | 一种基于深度学习的赤道印度洋表层海流流速预测方法 | |
| CN116401962A (zh) | 水质模型最优特征方案的推求方法 | |
| CN116050475A (zh) | 关键污染物浓度预测模型的训练方法、装置和计算机设备 | |
| CN115931727A (zh) | 一种叶绿素a遥感反演方法、装置、系统以及存储介质 | |
| CN113035363B (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 | |
| CN112881333B (zh) | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 | |
| Wunderlich et al. | Estimation of channelized Hotelling observer performance with known class means or known difference of class means | |
| Sunandi et al. | A study on group lasso for grouped variable selection in regression model | |
| CN115902814B (zh) | 基于信息空间度量的目标识别模型性能评估方法和装置 | |
| CN111949933B (zh) | 小样本条件下水文频率分析中Frank Copula函数的参数估计方法 | |
| CN114819274B (zh) | 一种水库多目标优化调度技术评估方法及系统 | |
| Panagiotou et al. | A generalized machine learning approach for cost-effective monitoring of irrigation suitability: A demonstration case in El Fahs aquifer (Tunisia) | |
| Johannesson et al. | Approximate Bayesian inference for spatial flood frequency analysis |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220816 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |