期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度学习与随机森林的PM_(2.5)浓度预测模型
被引量:
4
1
作者
彭豪杰
周杨
+3 位作者
胡校飞
张龙
彭杨钊
蔡心悦
《遥感学报》
EI
CSCD
北大核心
2023年第2期430-440,共11页
针对PM_(2.5)浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_(2.5)浓度预测组合模型。模型...
针对PM_(2.5)浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_(2.5)浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_(2.5)地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM_(2.5)浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM_(2.5)浓度估算为例,将原始特征与利用CNN、LSTM和CNN_LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%的数据作为训练样本时,整体预测实验中R^(2)仍可达0.89,各季节预测实验中R^(2)均在0.75以上。
展开更多
关键词
遥感
PM_(2.5)
深度学习
随机森林
长短时神经网络
PM_(2.5)组合模型
原文传递
题名
基于深度学习与随机森林的PM_(2.5)浓度预测模型
被引量:
4
1
作者
彭豪杰
周杨
胡校飞
张龙
彭杨钊
蔡心悦
机构
信息工程大学地理空间信息学院
北京遥感信息研究所
出处
《遥感学报》
EI
CSCD
北大核心
2023年第2期430-440,共11页
文摘
针对PM_(2.5)浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_(2.5)浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_(2.5)地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM_(2.5)浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM_(2.5)浓度估算为例,将原始特征与利用CNN、LSTM和CNN_LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%的数据作为训练样本时,整体预测实验中R^(2)仍可达0.89,各季节预测实验中R^(2)均在0.75以上。
关键词
遥感
PM_(2.5)
深度学习
随机森林
长短时神经网络
PM_(2.5)组合模型
Keywords
remote sensing
PM_(2.5)
Deep Learning
Random Forest
LSTM
pmcom
分类号
P2 [天文地球—测绘科学与技术]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于深度学习与随机森林的PM_(2.5)浓度预测模型
彭豪杰
周杨
胡校飞
张龙
彭杨钊
蔡心悦
《遥感学报》
EI
CSCD
北大核心
2023
4
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部