结合遥感林龄因子的亚热带森林蓄积量估算方法

【目的】应用XGBoost算法建立包含林龄的遥感因子-蓄积量模型,评价遥感估算的林龄因子与遥感因子相结合提高森林蓄积量估算精度的有效性,为实现高效、快速、精准的大范围森林蓄积量估算提供一种新的思路和方法。【方法】以福建省将乐县为研究示范区,首先,基于1987—2016年时序Landsat影像,采用LandTrendr森林干扰与恢复监测算法监测年度林分更替干扰并估算干扰区林龄;然后,基于GF-1号影像光谱、纹理、地形等特征,采用递归特征消除的随机森林算法(RFE-RF)估算非干扰区林龄;在此基础上,结合GF-1影像光谱、纹理因子和森林资源二类调查小班实测蓄积量数据,采用极端梯度提升算法估算研究区森林蓄积量。对比有无林龄因子的森林蓄积量估算精度,进一步验证遥感林龄因子对提高森林蓄积量估算精度的重要性。【结果】采用LandTrendr森林干扰与恢复监测算法获得的干扰区林分林龄误差仅1~2年,林龄估算精度明显优于传统利用遥感因子估算的林龄精度(误差4~12年)。仅采用常规遥感因子估算森林蓄积量时,XGBoost模型决定系数(R^(2))为0.59,平均均方根误差(RMSE)为30.72 m^(3)·hm^(-2),相对均方根误差(rRMSE)为16.46%;加入林龄因子后,模型R^(2)提高至0.73,平均RMSE减少至23.73 m^(3)·hm^(-2),rRMSE为13.26%,森林蓄积量估算平均总体精度约提高10.4%,达84.4%。【结论】相比仅采用常规遥感因子估算森林蓄积量,应用XGBoost算法建立包含林龄的遥感因子-蓄积量模型,其估算精度接近森林资源调查相关规定要求,可为大范围亚热带森林资源快速调查评估提供重要技术支持。

基于机器学习的员工流失预测

员工流失是当今组织中的重要问题,通过机器学习等技术对员工离职进行事前预测,有助于提升企业人力资源管理的前瞻性。本文首先从采集的数据集中提取有用的且适合模型训练条件的数据,进行数据清洗和探索性分析,了解各特征分布情况;使用One-Hot编码和标签编码相结合的方式进行编码,然后采用RF-RFE方法对数据集中的特征进行筛选后进入分类模型;为保证模型预测的准确性,采用了五种不同的机器学习算法,包括SVM、DT、RF、LightGBM和WRF,来建立模型对员工流失情况进行预测。综合结果显示,LightGBM算法在预测性能方面表现出色,其准确率达到了0.87;进而通过SHAP输出特征重要性排名,发现城市发展指数、工作经验和培训时数等是影响离职的重要因素,可以为企业员工保留和后续人才招聘决策提供技术支持。

随机森林在高光谱遥感数据中降维与分类的应用

高光谱数据的特征数目庞大,而且波段之间存在冗余信息,对高光谱数据进行分类的成本较高,因此需要提取合适的特征达到提高效率的目的.随机森林作为一种热门算法,广泛应用于各种分类、特征选择等问题中,均取得了良好的效果.本文选择北京小汤山农业试验区的OMIS高光谱影像作为研究数据,利用随机森林算法计算每个特征的重要性指标并对其排序,针对面向精度和效率的特征选择策略,使用RF-RFE波段选择方法去除价值低的特征分别得到最佳波段组合,实现高光谱数据降维,进行随机森林、支持向量机分类.实验结果表明随机森林分类精度为72.82%,SVM分类精度为65.21%,随机森林分类器优于SVM,是一种较好的高光谱数据分类器.

基于多特征优选的平和县蜜柚园遥感提取与扩张分析

本文基于谷歌地球引擎(google earth engine,GEE)平台中2020年Sentinel-2数据和数字高程模型(digital elevation model,DEM)数据,在递归特征消除的随机森林(random forest-recursive feature elimination,RF-RFE)特征选择算法基础上结合随机森林(random forest,RF)分类算法,实现了平和县蜜柚园的空间分布制图。根据蜜柚园扩张的先验知识,使用2020年蜜柚园的提取结果对历史Landsat数据进行掩膜,依次获得1990、2000、2010年平和县蜜柚园的空间分布,在此基础上对30年以来平和县蜜柚园的变化进行分析。结果表明:基于GEE平台,使用RF-RFE特征选择后的多特征分类方法可以快速、准确地提取平和县蜜柚园的空间分布。蜜柚园的生产精度和用户精度分别为89.83%和90.59%;平和县蜜柚园面积从1990年的10.5 km^(2)增加到2020年632 km^(2),增加的蜜柚园主要来源于有林地,其次为耕地和香蕉园。本研究可为平和县蜜柚产业的健康发展提供决策支持,同时可为南方地区的果园提取提供技术参考。

雾天高速公路交通安全气象风险模型研究

利用2012年1月至2017年3月苏皖地区京沪、京台、宁洛高速公路路段雾天交通事故信息及沿线气象站观测资料,以小时内事故发生概率作为雾天交通安全状态的表征指标,采用随机森林-递归特征消除算法从能见度、相对湿度、风、气温、变温、发生时间等信息中选择14个重要变量,建立雾天高速公路交通安全气象风险模型,并开展应用与检验。结果表明:80.85%的事故样本对应较高及以上风险级别,其中高风险和极高风险的比例分别为27.66%和42.55%;同时,89.93%的对照样本发生在极低和低的安全风险级别内;模型预测精度较高,可以为雾天环境下的交通气象服务及防灾减灾工作提供一定参考。

鱼粉品质检测电子鼻传感器阵列的多特征数据融合优化

为了提高基于仿生嗅觉的鱼粉品质检测装置的鉴别能力,该文利用自主设计的仿生嗅觉鱼粉品质检测装置,提取鱼粉样本的响应特征信息,对其传感器阵列进行多特征数据融合优化。依据各传感器对样本的响应曲线,提取传感器特征值(10×6个)构成原始特征矩阵,后对传感器阵列特征值进行归一化处理,以紧凑性作为评价特征选择方法合理性的标准,采用了3种单特征排序方法(MIC、χ^2、F-test),3种多特征排序方法(RF、LR、SVM),4种特征递减消除方法(RFRFE、SVMRFE、DTRFE、LRRFE)对不同品质的鱼粉进行分类准确率检验,得到基于随机森林的特征递减消除算法(RFRFE)的紧凑性最好,此时最佳的分类准确率为98.3%,特征数目为33个。优化后的传感器阵列特征发生了明显的变化,传感器阵列由原来的10个变为了8个,去掉了传感器TGS2620和传感器TGS2600,特征值也减少了45%。为了避免选择偏差,采用了10折交叉验证方法,再次得到了RFRFE算法具有更佳的紧凑性。该特征选择方法为利用仿生嗅觉技术鉴别其他动物源性原料样本的特征优化提供了新的方法和参考。

基于逻辑回归-聚类算法的采空区危险等级评价模型

采空区危险性分级研究在矿山灾害防治和风险管理中具有重要意义。为克服传统采空区危险性评价指标繁多、计算复杂等问题,提出了一种采空区危险等级快速评价模型。基于110个采空区样本,将随机森林算法(Random Forest,RF)与递归特征消除理论(Recursive feature elimination,RFE)相结合,筛选出对采空区危险性分级信息量贡献较大的指标,克服传统评价指标繁多且不易获取的缺陷,实现采空区评价指标体系精简降维。基于逻辑回归理论得到采空区危险性概率模型,并应用K-means快速聚类算法求得采空区危险性概率的4个聚类中心点,耦合2种算法构建了采空区危险等级快速分级模型,以克服传统采空区危险性评价方法计算复杂、普适性差的缺陷。为验证该评价模型的有效性,基于混淆矩阵对评价模型的准确性进行了验证分析。研究表明:①RQD值、矿柱尺寸布置、岩体结构、采空区高度、地质构造、工程布置、地下可见水赋值为采空区分级评价中信息贡献量较大的指标;②模型分级准确率达到77.4%,第一类错误率降低至6.25%,危险采空区的预测准确率达到93.75%,评价结果可为采空区后续治理提供可靠依据。

基于递归特征消除和随机森林融合算法的大豆前体MicroRNA预测模型研究

随着大豆RNA基因的生物调控作用研究的不断深入,利用数据挖掘技术对大豆前体MicroRNA(pre-microRNA)进行有效的预测已成为该领域的重要发展方向。针对常规的随机森林算法在pre-microRNA预测模型中存在识别精度较低的问题,研究提出并构建基于递归特征消除(recursive feature elimination, RFE)与随机森林(random forest, RF)融合算法的大豆pre-microRNA预测模型。首先利用递归特征消除法筛选大豆pre-microRNA序列的最优特征子集;然后结合随机森林算法构建大豆pre-microRNA的预测模型;最后利用十折交叉验证法,将递归特征消除与随机森林(RFE-RF)融合模型的预测结果与单一随机森林和支持向量机分类模型的预测结果对比。研究结果表明:融合后构建的大豆pre-microRNA预测模型精度有明显提高,达到84.62%,相比于支持向量机算法(support vector machine, SVM)构建的模型精度提高了17.02%,相比于单独使用随机森林算法构建的模型精度提高了14.58%。该研究方法为大豆的pre-microRNA基因预测提供了新思路。

基于集成学习的铸件缺陷识别方法

针对铸件图像噪声多和对比度不足引起的缺陷识别困难的问题,文中提出了一种基于集成学习的铸件缺陷识别方法。首先,该方法采用灰度变换法、双边滤波以及自适应图像分割法对铸件图像进行预处理。然后,通过提取方向梯度直方图(Histogram of Oriented Gradients, HOG)特征、不变矩特征和局部二值模式(Local Binary Pattern, LBP)纹理特征构建全信息特征集,并结合支持向量机递归特征消除(Support Vector Machine-Recursive Feature Elimination, SVM-RFE)算法筛选铸件缺陷敏感特征。最后,利用Adaboost-RF(Adaptive Boosting-Random Forest)方法构建铸件缺陷识别模型。对比实验结果表明,该模型不仅可以有效提取缺陷敏感特征,而且相较于其他分类器具有更好的分类性能和泛化能力。

基于RFE_RF算法的幼龄沉香叶片含水率预估模型

【目的】针对随机森林算法在树木水分预测模型中高维度变量筛选困难及精度较低的问题,研究基于递归特征消除(RFE)与随机森林(RF)的融合算法,构建幼龄沉香(Aquilaria sinensis)可见光图像与叶片含水率的估测模型,探索适合幼龄沉香生长的水分条件,为实现沉香幼苗水分亏缺程度的无损监测提供可行方法。【方法】以2年生的名贵树种沉香为研究对象,用相机获取4种不同水分梯度下的幼龄沉香可见光图像,提取15种图像特征,利用递归特征消除法筛选沉香叶片最优的图像特征子集,然后结合随机森林算法构建沉香叶片含水率的预测模型,最后利用十折交叉验证法,将RFE_RF模型与常规随机森林(RF)以及最小二乘法支持向量机(LSSVM)相比较,检验模型的可行性。利用递归特征消除和随机森林融合(RFE_RF)算法筛选出幼龄沉香叶片图像的标准红光值(I_(NR))、饱和度(S)、矩形度(E_(R))3个特征,并以此作为模型自变量。【结果】与重度水淹胁迫相比,幼龄沉香对于长期重度干旱胁迫更加敏感,且干旱时间超出2周时幼苗叶片严重受损,威胁沉香生长;沉香最适叶片水分生长范围为50%~65%,适度增加水分,有利于沉香生长。基于RFE_RF融合算法构建的预测模型敏感度、特异性、误报率和精度分别达到88.64%、85.31%、14.39%和91.62%,优于LSSVM模型效果;与RF预测模型相比其敏感度提高3.34%、特异性提高10.87%、误报率降低36.83%、精度提高13.39%。【结论】基于RFE_RF融合算法建立的沉香叶片颜色、形状特征与含水率的模型,解决了随机森林过程中高维度变量选择问题,提高了RF在林木水分预测模型中的精度,实现了沉香幼苗叶片含水率的无损估测和诊断,为珍贵树种在经营管理中对水分进行准确管控提供了新思路。

高分六号红边特征的农作物识别与评估

红边作为植被敏感波段,其红边特征的运用是遥感识别农作物并实现精准农业的高新手段之一。以黑龙江松嫩平原北部为研究区,以国内首个提供红边波段的多光谱高分六号影像和玉米、大豆、水稻总计82859个作物样本同时作为研究对象,从以下几个方面研究了红边波段和红边指数波段等红边特征在农作物识别中的表现,并评估了农作物的识别精度。(1)通过作物样本辐射亮度值的统计特征,初步显示了在两红边波段0.710μm和0.750μm处有比其他波段更好的区分;(2)根据传统归一化植被指数形式构建了红边归一化植被指数NDVI710和NDVI750,综合两指数在J-M距离表征的作物样本类别区分度上比传统NDVI更显著;(3)通过多种手段筛选了有效波段并且制定了支持向量机(SVM)框架下4种农作物识别的分类策略,分别在5∶5、6∶4、7∶3、8∶2、9∶1等5套随机样本分割方案下完成研究区域农作物的分类预测。在这20类分类精度中kappa系数均高于0.9609,总体精度高于0.9742;列向上5∶5分割方案的精度最高,8∶2的精度最低;横向上分类精度排序如下:SVM-RFE>SVM-RF>SVM-有红边波段>SVM-无红边波段,该结果表明了红边指数和红边波段的参与显著地提高了作物的识别精度;(4)由于水域等其他样本的缺少,SVM-RFE方法和SVM-RF方法的分类图像均存在少量错分现象。但从分类精度和图像细节展示上来看,SVM-RFE方法要优于SVM-RF方法,二者分类图像的交叉验证中kappa系数为0.8060,总体精度为0.8743。总之,高分六号红边特征在作物识别中表现优越,使得识别精度显著提高。后续研究者可开发更多与红边相关的植被指数,充分发挥红边特征在精准农业中的作用。