基于梯度提升决策树模型的Sentinel-1图像浅海水深反演

利用合成孔径雷达(Synthetic Aperture Radar,SAR)反演浅海水深在海洋遥感中极具挑战性。本文采用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)为核心的机器学习算法,使用Sentinel-1、全球水深数据、风场和流场数据来反演杭州湾和长江口南缘相连的浅海区域的水深。首先分析反演的最佳风速和迭代次数,再对0~10 m、10~20 m、20~30 m、30~40 m、40~50 m的分段水深和0~10 m、0~20 m、0~30 m、0~40 m、0~50 m的总体水深用相关系数、均方根误差和平均绝对误差进行精度评价,最后分析反演水深的空间分布特征。结果表明:反演的最佳风速约为3.78 m/s,并且GBDT模型达到最佳精度时的迭代次数远小于其他模型,最佳迭代次数为4。分段水深中,40 m以内的相关系数都高于0.8,其中以10~20 m的相关系数最高,为0.9;40~50 m则最低,为0.73。40~50 m的平均绝对误差和均方根误差均为最大,分别为1.89 m和2.24 m,20~30 m的平均绝对误差和均方根误差均为最小,分别为0.75 m和0.96 m。在总体水深中,虽然随水深区间的扩大,相关系数会逐渐增加,但是平均绝对误差和均方根误差的精度都随水深区间的扩大而下降,且在0~50 m区间内的平均绝对误差和均方根误差最大,分别为1.06 m和1.59 m,因此反演的最佳区间为0~40 m。该区域的水深从杭州湾海岸线开始由浅及深阶梯增加,反演结果能够较好的表现研究区内的实际水深分布情况,比较符合当前区域的水下地形特征。

社区建成环境对小汽车使用行为的非线性影响模型

为指导社区生活圈形成绿色出行建成环境,从社区建成环境层面定量解析小汽车使用行为的差异,通过停车场泊位利用率客观反映小汽车使用行为,构建了考虑非线性效应的梯度提升决策树(Gradient Boosting Decision Tree,GBDT)模型,以重庆市主城区停车调查数据中的居住区配建停车场为实证对象,构建以居住区为核心的社区生活圈作为建成环境的测度范围,实证结果表明:GBDT模型比线性假设的OLS模型具有更好的拟合度;建成环境指标贡献度方面,距离商圈的距离(14.30%)、人口密度(14.20%)、土地利用混合度(12.60%)对泊位利用率影响最大,反映其对小汽车使用行为的重要影响效应;在建成环境指标的非线性关系方面,建成环境因子与泊位利用率均具有非线性关系.

混行环境下的交通碳排放测算与演化规律

随着电动汽车的大规模使用,在混行环境下进行交通碳排放测算并分析其演化规律,对有效实现交通碳减排具有重要意义.提出一种电动出租车与燃油出租车混行状态下的交通碳排放测算方法,使用2016年、2018年、2020年和2022年出租车GPS数据对西安市出租车碳排放水平进行测算,并通过地图匹配将测算结果匹配至栅格,之后运用K-means算法对碳排放区域进行空间聚类与碳排放时空分布演化分析,并使用梯度提升迭代决策树模型探究建成环境对碳排放的影响.结果表明,各年的周末碳排放均大于工作日,且随着电动出租车比例的增加,周末与工作日的碳排放差异逐年减小;2022年周末总体碳排放相较于2016年下降了约56%,工作日总体碳排放下降了约40%;西安市的碳排放区域经历了由2016年的全区域环状分布演变为2022年的外围低碳排放区域环状分布、中碳排放区域部分网状分布、高碳排放区域网状分布的演化过程;从建成环境因素的影响来看,居住用地与人口密度对于碳排放重要度在各年均较高,公共设施用地在工作日重要度均大于周末,休闲娱乐用地周末重要度均大于工作日.研究结果揭示了碳排放在时空上的分布演化规律,可为混行状态下的交通碳排放控制和管理提供参考.