خلاصه
کلید واژه ها:
ارتفاع جنگل ; انتخاب ویژگی ؛ کاهش ابعاد ; لیدار ; فراطیفی AISA
چکیده گرافیکی
۱٫ معرفی
۱٫۱٫ سنجش از دور برای مدلسازی ویژگیهای ساختاری جنگل
۱٫۲٫ اهداف
۲٫ مواد و روشها
۲٫۱٫ سایت مطالعه
۲٫۲٫ داده ها
۲٫۲٫۱٫ مجموعه داده های فیلد
۲٫۲٫۲٫ داده های فراطیفی
۲٫۲٫۳٫ Lidar Metrics
۳٫ روش شناسی
۳٫۱٫ انتخاب ویژگی و کاهش ابعاد
۳٫۱٫۱٫ اجرای تصادفی جنگل در بوروتا
۳٫۱٫۲٫ تجزیه و تحلیل مؤلفه های اصلی
۳٫۱٫۳٫ بازپخت شبیه سازی شده
۳٫۱٫۴٫ الگوریتم ژنتیک
۳٫۲٫ الگوریتم یادگیری ماشین
۳٫۲٫۱٫ Spline رگرسیون تطبیقی چند متغیره
۳٫۲٫۲٫ درختان اضافی
۳٫۲٫۳٫ افزایش گرادیان شدید
۳٫۲٫۴٫ رگرسیون برداری پشتیبانی
۳٫۳٫ ساخت مدل
۳٫۴٫ اعتبارسنجی مدل
تخمین خطای مدلها برای تعیین اینکه کدام مدلها سطوح پیشبینی بهتری دارند، انجام شد. تجزیه و تحلیل ریشه میانگین مربعات خطا (RMSE) برای تعیین میزان حاشیه خطا بین دادههای نمودار میدانی پیشبینیشده و واقعی استفاده شد. مقدار RMSE با گرفتن جذر از اختلاف کوادرات پی پیشبینیشده و دادههای میدانی Oi ، همانطور که در رابطه (۱) نشان داده شده است، محاسبه شد. معیارهای اضافی بایاس و RMSE نرمال شده (nRMSE) نیز برای ارزیابی خطای مدلهای خروجی (معادلات (۲) و (۳)) اضافه شدند، که در آن از سوگیری برای تعیین اینکه آیا مدل خروجی مقادیر واقعی را بیش از حد یا کمتر برآورد میکند، استفاده شد. [ ۸۶] و nRMSE یک مقدار RMSE مقیاسشده است (میتوان آن را با درصد نشان داد) که با استفاده از مقادیر حداکثر و حداقل جمعیت محاسبه میشود، که در آن مقادیر کوچکتر نشاندهنده تناسب بهتر مدل با مقادیر واقعی است.
که در آن n تعداد مشاهدات است. Oi مقدار مشاهده شده/واقعی است که اندازه گیری داده های میدانی است. Pi مدلی است که در رابطه با ویژگیهای ساختار جنگل از مدل سنجش از دور پیشبینی شده است. RMSE، nRMSE و بایاس برای مدل های خروجی با استفاده از معیارهای [ ۸۷ ] و بسته hydroGOF [ ۸۸ ] محاسبه شد. ارزیابی خطا با استفاده از ۳۰ درصد از کل داده های میدانی (۳۶ امتیاز) انجام شد، در حالی که ۷۰ درصد باقی مانده از داده ها (۸۵ امتیاز) برای ساخت مدل استفاده شد.
۴٫ نتایج
۴٫۱٫ انتخاب ویژگی و کاهش ابعاد
۴٫۲٫ عملکرد مدل
۵٫ بحث
۵٫۱٫ بررسی اجمالی نتایج
۵٫۲٫ بهبود آینده
۶٫ نتیجه گیری
منابع
- هاید، پی. دبیه، ر. واکر، دبلیو. بلر، جی بی. هافتون، ام. هونساکر، سی. نقشه برداری ساختار جنگل برای تجزیه و تحلیل زیستگاه حیات وحش با استفاده از هم افزایی چند حسگر (LiDAR، SAR/InSAR، ETM+، Quickbird). سنسور از راه دور محیط. ۲۰۰۶ ، ۱۰۲ ، ۶۳-۷۳٫ [ Google Scholar ] [ CrossRef ]
- دریک، جی بی. دبیه، RO; کلارک، دی بی؛ ناکس، آر جی. بلر، جی بی. هافتون، مادر Chazdon، RL; ویشامپل، جی اف. Prince, S. برآورد ویژگی های ساختاری جنگل های استوایی با استفاده از لیدار با ردپای بزرگ. سنسور از راه دور محیط. ۲۰۰۲ ، ۷۹ ، ۳۰۵-۳۱۹٫ [ Google Scholar ] [ CrossRef ]
- کلارک، دی بی؛ کلارک، DA تنوع در مقیاس چشم انداز در ساختار جنگل و زیست توده در یک جنگل بارانی استوایی. برای. Ecol. مدیریت ۲۰۰۰ ، ۱۳۷ ، ۱۸۵-۱۹۸٫ [ Google Scholar ] [ CrossRef ]
- ونتر، او. Koh, LP کاهش انتشار گازهای گلخانه ای ناشی از جنگل زدایی و تخریب جنگل (REDD+): تغییر دهنده بازی یا فقط یک راه حل سریع دیگر؟ ان آکادمی نیویورک علمی ۲۰۱۲ ، ۱۲۴۹ ، ۱۳۷-۱۵۰٫ [ Google Scholar ] [ CrossRef ]
- پامرنینگ، الف. رویکردهای کمی سازی ساختارهای جنگلی جنگلداری ۲۰۰۲ ، ۷۵ ، ۳۰۵-۳۲۴٫ [ Google Scholar ] [ CrossRef ]
- Ingram, JC; داوسون، تی پی؛ Whittaker، RJ نقشهبرداری ساختار جنگلهای استوایی در جنوب شرقی ماداگاسکار با استفاده از سنجش از دور و شبکههای عصبی مصنوعی. سنسور از راه دور محیط. ۲۰۰۵ ، ۹۴ ، ۴۹۱-۵۰۷٫ [ Google Scholar ] [ CrossRef ]
- لساک، آا; Radeloff، VC; هاوبکر، تی جی؛ Pidgeon، AM; گوباکن، تی. Contrucci، K. مدل سازی غنای گونه های پرنده آوازخوان جنگل با استفاده از معیارهای مشتق شده از LiDAR از ساختار جنگل. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۲۸۲۳-۲۸۳۵٫ [ Google Scholar ] [ CrossRef ]
- کوکالی، RF؛ کلارک، تعیین طیفسنجی RN بیوشیمی برگ با استفاده از آنالیز عمق باند ویژگیهای جذب و رگرسیون خطی چندگانه گام به گام. سنسور از راه دور محیط. ۱۹۹۹ ، ۶۷ ، ۲۶۷-۲۸۷٫ [ Google Scholar ] [ CrossRef ]
- استویانوا، دی. پانوف، پی. جورجیوسکی، وی. کوبلر، ا. Džeroski، S. برآورد ارتفاع پوشش گیاهی و تاج پوشش از داده های سنجش از دور با یادگیری ماشین. Ecol. آگاه کردن. ۲۰۱۰ ، ۵ ، ۲۵۶-۲۶۶٫ [ Google Scholar ] [ CrossRef ]
- Lu, D. پتانسیل و چالش تخمین زیست توده مبتنی بر سنجش از دور. بین المللی J. Remote Sens. ۲۰۰۷ ، ۲۷ ، ۱۲۹۷-۱۳۲۸٫ [ Google Scholar ] [ CrossRef ]
- نادکارنی، ن.م. مک اینتاش، ACS؛ کوشینگ، JB چارچوبی برای طبقه بندی مفاهیم ساختار جنگل. برای. Ecol. مدیریت ۲۰۰۸ ، ۲۵۶ ، ۸۷۲-۸۸۲٫ [ Google Scholar ] [ CrossRef ]
- میونگ، اس. نواک، دی جی; Duggin، MJ تجزیه و تحلیل زمانی ذخیرهسازی کربن جنگلهای شهری با استفاده از سنجش از دور. سنسور از راه دور محیط. ۲۰۰۶ ، ۱۰۱ ، ۲۷۷-۲۸۲٫ [ Google Scholar ] [ CrossRef ]
- Heiskanen, J. تخمین بیوماس درختان بالای زمین و شاخص سطح برگ در جنگل توس کوهی با استفاده از داده های ماهواره ای ASTER. بین المللی J. Remote Sens. ۲۰۰۶ ، ۲۷ ، ۱۱۳۵-۱۱۵۸٫ [ Google Scholar ] [ CrossRef ]
- ریگنوت، ای. راه، جی. ویلیامز، سی. Viereck، L. رادار زیست توده بالای زمین را در جنگل های شمالی آلاسکا تخمین می زند. IEEE Trans. Geosci. Remote Sens. ۱۹۹۴ , ۳۲ , ۱۱۱۷-۱۱۲۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Carreiras، JMB; Vasconcelos، MJ; لوکاس، RM درک رابطه بین زیست توده بالای زمین و داده های ALOS PALSAR در جنگل های گینه بیسائو (غرب آفریقا). سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۱ ، ۴۲۶-۴۴۲٫ [ Google Scholar ] [ CrossRef ]
- لفسکی، مادر؛ کوهن، WB; آکر، سا; پارکر، جی جی؛ جاسوس، تا; هاردینگ، دی. سنسور از راه دور محیط. ۱۹۹۹ ، ۷۰ ، ۳۳۹-۳۶۱٫ [ Google Scholar ] [ CrossRef ]
- آسنر، GP; ماسکارو، جی. مولر-لاندو، HC; ویلدنت، جی. وودری، آر. رسامولینا، م. هال، JS؛ ون بروگل، M. رویکرد جهانی LiDAR هوابرد برای نقشهبرداری کربن جنگلهای استوایی. Oecologia ۲۰۱۲ ، ۱۶۸ ، ۱۱۴۷-۱۱۶۰٫ [ Google Scholar ] [ CrossRef ]
- کلارک، ام ال. رابرتز، دا؛ ایول، جی جی. Clark، DB برآورد زیست توده جنگل های بارانی استوایی با سنسورهای لیدار و ابرطیفی با ردپای کوچک. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۲۹۳۱-۲۹۴۲٫ [ Google Scholar ] [ CrossRef ]
- لوکاس، آر. آرمستون، جی. فیرفکس، آر. فنشم، آر. Accad، A.; کاریراس، جی. کلی، جی. بانتینگ، پ. کلولی، دی. بری، اس. و همکاران ارزیابی ALOS PALSAR L-Band Backscatter-Above Ground Biomass Relationship کوئینزلند، استرالیا: اثرات وضعیت رطوبت سطحی و ساختار پوشش گیاهی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. ۲۰۱۰ , ۳ , ۵۷۶-۵۹۳٫ [ Google Scholar ] [ CrossRef ]
- مورل، AC; ساعتچی، اس.اس. ملحی، ی. بری، نیوجرسی؛ بنین، ال. برسلم، دی. نیلوس، آر. Ong، RC تخمین بیومس بالای زمین در جنگل و مزارع نخل روغنی در صباح، بورنئو مالزی با استفاده از داده های ALOS PALSAR. برای. Ecol. مدیریت ۲۰۱۱ ، ۲۶۲ ، ۱۷۸۶-۱۷۹۸٫ [ Google Scholar ] [ CrossRef ]
- زولکوس، اس. گوتز، اس. Dubayah, R. متاآنالیز تخمین زیست توده بالای زمینی با استفاده از سنجش از دور لیدار. سنسور از راه دور محیط. ۲۰۱۳ ، ۱۲۸ ، ۲۸۹-۲۹۸٫ [ Google Scholar ] [ CrossRef ]
- لو، دی. چن، کیو. وانگ، جی. لیو، ال. لی، جی. موران، ای. بررسی روشهای تخمین زیست توده زیرزمینی مبتنی بر سنجش از دور در اکوسیستمهای جنگلی. بین المللی جی دیجیت. زمین ۲۰۱۶ ، ۹ ، ۶۳-۱۰۵٫ [ Google Scholar ] [ CrossRef ]
- یانگ، جی. Honavar, V. انتخاب زیر مجموعه ویژگی با استفاده از الگوریتم ژنتیک. در استخراج، ساخت و انتخاب ویژگی ؛ Springer: Boston, MA, USA, 1998; صص ۱۱۷-۱۳۶٫ [ Google Scholar ]
- بانو، بی. Lin, Y. انتخاب ویژگی مبتنی بر الگوریتم ژنتیک برای تشخیص هدف در تصاویر SAR. تصویر Vis. محاسبه کنید. ۲۰۰۳ ، ۲۱ ، ۵۹۱-۶۰۸٫ [ Google Scholar ] [ CrossRef ]
- لطیفی، ح. Fassnacht، F. Koch، B. مدلسازی ساختار جنگل با دادههای ترکیبی ابرطیفی هوا و LiDAR. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۱ ، ۱۰-۲۵٫ [ Google Scholar ] [ CrossRef ]
- یوهانسن، ک. ترویتیک، آر. بردفورد، ام. هکر، جی. مک گرات، ا. Lieff, W. استرالیا نمونه هایی از کمپین های میدانی و هوایی AusCover. در دستورالعملهای عملکرد خوب AusCover: کتابچه راهنمای فنی پشتیبانی از کالیبراسیون و فعالیتهای اعتبارسنجی محصولات دادههای سنجش از راه دور، نسخه ۱٫۱٫ TERN AusCover ; TERN AusCover; دانشگاه کوئینزلند: سنت لوسیا، استرالیا، ۲۰۱۵; نسخه جلد ۱٫۱٫ [ Google Scholar ]
- بردفورد، ام. متکالف، دی. فورد، آ. لیدل، ام. گرین، پ. Mckeown، A. Floristics، ساختار توده و زیست توده بالای زمین از یک قطعه جنگل بارانی ۲۵ هکتاری در مناطق استوایی مرطوب استرالیا. جی تروپ. برای. علمی ۲۰۱۴ ، ۲۶ ، ۵۴۳-۵۵۳٫ [ Google Scholar ]
- شبیه سازی و تصحیح اثر لبخند طیفی و تأثیر آن بر نقشه برداری فراطیفی. پایان نامه کارشناسی ارشد، ITC Faculty Geo-Information Science and Earth Observation، Enschede، هلند، ۲۰۰۸٫ [ Google Scholar ]
- گودوین، NR; Coops، NC; Culvenor، DS ارزیابی ساختار جنگل با LiDAR هوابرد و اثرات ارتفاع پلت فرم. سنسور از راه دور محیط. ۲۰۰۶ ، ۱۰۳ ، ۱۴۰-۱۵۲٫ [ Google Scholar ] [ CrossRef ]
- تاکاهاشی، تی. آوایا، ی. هیراتا، ی. فورویا، ن. ساکائی، ت. Sakai, A. اثرات ارتفاع پرواز بر ارتفاعات درختان مشتق شده از LiDAR در جنگل های کوهستانی با نرخ نفوذ لیزر ضعیف. فتوگرام جی. فینل. ۲۰۰۸ ، ۲۱ ، ۸۶-۹۶٫ [ Google Scholar ]
- دبیه، RO; Drake، JB Lidar سنجش از دور برای جنگلداری. جی. برای. ۲۰۰۰ ، ۹۸ ، ۴۴-۴۶٫ [ Google Scholar ]
- راسل، ج.-ر. اوتی، دی. دی بویسیو، اف. Meador, A. lidR: Airborne LiDAR Data Manipulation and Visualization for Forestry Applications , R Package Version 1; ۲۰۱۸٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/lidR/index.html (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- خسروی پور، ع. اسکیدمور، AK; ایزنبورگ، م. وانگ، تی. Hussin, YA تولید مدل های ارتفاع سایبان بدون گودال از هوابرد لیدار. فتوگرام مهندس Remote Sens. ۲۰۱۴ , ۸۰ , ۸۶۳-۸۷۲٫ [ Google Scholar ] [ CrossRef ]
- Kursa، MB; Rudnicki، WR انتخاب ویژگی با بسته Boruta. آمار نرم افزار ۲۰۱۰ ، ۳۶ ، ۱-۱۳٫ [ Google Scholar ]
- پاجا، دبلیو. پانسرز، ک. Grochowalski، P. حذف ویژگی نسلی و برخی دیگر از روش های انتخاب ویژگی رتبه بندی. در پیشرفت در انتخاب ویژگی برای داده ها و تشخیص الگو . Springer: Cham, Switzerland, 2018; صص ۹۷-۱۱۲٫ [ Google Scholar ]
- امیری، م. پورقاسمی، HR; قنبریان، ج.ا. افضلی، SFJG ارزیابی اهمیت عوامل موثر بر فرسایش خندقی با استفاده از الگوریتم بوروتا و مدلسازی و نقشهبرداری فضایی آن با استفاده از سه الگوریتم یادگیری ماشین. Geoderma ۲۰۱۹ ، ۳۴۰ ، ۵۵-۶۹٫ [ Google Scholar ] [ CrossRef ]
- میناسنی، بی. ستیوان، BI; Saptomo، SK; مک براتنی، AB نقشه برداری دیجیتال باز به عنوان یک روش مقرون به صرفه برای نقشه برداری ضخامت ذغال سنگ نارس و ارزیابی ذخایر کربن تورب های گرمسیری. Geoderma ۲۰۱۸ ، ۳۱۳ ، ۲۵-۴۰٫ [ Google Scholar ]
- کسکین، اچ. گرونوالد، اس. هریس، WG نقشه برداری دیجیتالی کسر کربن خاک با یادگیری ماشینی. Geoderma ۲۰۱۹ ، ۳۳۹ ، ۴۰-۵۸٫ [ Google Scholar ] [ CrossRef ]
- خو، ی. اسمیت، SE; گرونوالد، اس. عبدالرحمن، ع. Wani، SP ادغام تصاویر سنجش از دور ماهوارهای به مدلهای نقشهبرداری و پیشبینی دیجیتال خاک برای توصیف تنوع خواص خاک در مزارع کشاورزی کوچک. ISPRS J. Photogramm. Remote Sens. ۲۰۱۷ ، ۱۲۳ ، ۱-۱۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Jensen, J. Chapter 8. Image Enhancement. In Introductory Digital Image Processing: A Remote Sensing Perspective , ۵th ed.; پیرسون: Glenview، IL، ایالات متحده آمریکا، ۲۰۱۵; صص ۳۰۱-۳۲۲٫ [ Google Scholar ]
- ما، دبلیو. گونگ، سی. هو، ی. منگ، پی. Xu, F. پدیده هیوز در طبقه بندی فراطیفی بر اساس طیف زمینی مراتع در منطقه اطراف دریاچه چینگهای. در مجموعه مقالات سمپوزیوم بین المللی تشخیص و تصویربرداری فوتوالکترونیک ۲۰۱۳: فناوری ها و کاربردهای طیف سنج تصویربرداری، پکن، چین، ۲۵-۲۷ ژوئن ۲۰۱۳٫ پ. ۸۹۱۰۱٫ [ Google Scholar ]
- آسنر، GP; Knapp، DE; بوردمن، جی. گرین، RO؛ کندی-بودوین، تی. ایستوود، ام. مارتین، RE; اندرسون، سی. میدانی، CB Carnegie Airborne Observatory-2: افزایش ابعاد داده های علمی از طریق همجوشی چند سنسوری با وفاداری بالا. سنسور از راه دور محیط. ۲۰۱۲ ، ۱۲۴ ، ۴۵۴-۴۶۵٫ [ Google Scholar ] [ CrossRef ]
- لوتنر، بی. هورنینگ، ن. Leutner, MB Package ‘RStoolbox’ نسخه ۰٫۱; ۲۰۱۷٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/RStoolbox/index.html (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- میری، ر. زهوی، ج. استفاده از بازپخت شبیه سازی شده برای بهینه سازی مسئله انتخاب ویژگی در برنامه های بازاریابی. یورو جی. اوپر. Res. ۲۰۰۶ ، ۱۷۱ ، ۸۴۲-۸۵۸٫ [ Google Scholar ] [ CrossRef ]
- کرک پاتریک، اس. Gelatt، CD; Vecchi، MP بهینه سازی با بازپخت شبیه سازی شده. Science ۱۹۸۳ , ۲۲۰ , ۶۷۱-۶۸۰٫ [ Google Scholar ] [ CrossRef ]
- بروسکو، MJ مقایسه الگوریتم های بازپخت شبیه سازی شده برای انتخاب متغیر در تجزیه و تحلیل مؤلفه های اصلی و تجزیه و تحلیل متمایز. محاسبه کنید. آمار داده آنال. ۲۰۱۴ ، ۷۷ ، ۳۸-۵۳٫ [ Google Scholar ] [ CrossRef ]
- غیاس، IA; اسمیت، LS انتخاب زیر مجموعه ویژگی در حوزه های ابعاد بزرگ. تشخیص الگو ۲۰۱۰ ، ۴۳ ، ۵-۱۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کوهن، م. وینگ، جی. وستون، اس. ویلیامز، ای. کیفر، سی. انگلهارت، آ. کوپر، تی. مایر، ز. کنکل، بی. تیم اصلی R; و همکاران بسته Caret ; وین، اتریش، ۲۰۱۲٫ در دسترس آنلاین: https://cran.r-project.org/package=caret (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- تان، اف. فو، ایکس. ژانگ، ی. Bourgeois, AG یک روش مبتنی بر الگوریتم ژنتیک برای انتخاب زیر مجموعه ویژگی. محاسبات نرم. ۲۰۰۸ ، ۱۲ ، ۱۱۱-۱۲۰٫ [ Google Scholar ] [ CrossRef ]
- اورسکی، اس. Oreski، G. اکتشافی مبتنی بر الگوریتم ژنتیک برای انتخاب ویژگی در ارزیابی ریسک اعتباری. سیستم خبره Appl. ۲۰۱۴ ، ۴۱ ، ۲۰۵۲-۲۰۶۴٫ [ Google Scholar ] [ CrossRef ]
- Chau، AL; لی، ایکس. Yu, W. پشتیبانی از طبقهبندی ماشین بردار برای مجموعه دادههای بزرگ با استفاده از درخت تصمیم و تشخیص خطی فیشر. ژنرال آینده. محاسبه کنید. سیستم ۲۰۱۴ ، ۳۶ ، ۵۷-۶۵٫ [ Google Scholar ] [ CrossRef ]
- فریدمن، JH خطوط رگرسیون تطبیقی چند متغیره. ان آمار ۱۹۹۱ ، ۱۹ ، ۱-۶۷٫ [ Google Scholar ] [ CrossRef ]
- فریدمن، جی اچ. Roosen, CB Introduction to Multivariate Adaptive Regression Splines ; انتشارات Sage Sage CA: Thousand Oaks، CA، USA، ۱۹۹۵٫ [ Google Scholar ]
- القایم، اف. الجنابی، س. بهینه سازی چند هدفه برای کاهش شعله ور شدن گاز از تولید نفت. در مجموعه مقالات کنفرانس بین المللی در زمینه داده های بزرگ و فناوری های شبکه، لوون، بلژیک، ۲۹ آوریل تا ۲ می ۲۰۱۹؛ صص ۱۱۷-۱۳۹٫ [ Google Scholar ]
- لیثویک، جی. الیت، جی. Hastie, T. عملکرد مقایسه ای مدل های افزایشی تعمیم یافته و خطوط رگرسیون تطبیقی چند متغیره برای مدل سازی آماری توزیع گونه ها. Ecol. مدل. ۲۰۰۶ ، ۱۹۹ ، ۱۸۸-۱۹۶٫ [ Google Scholar ] [ CrossRef ]
- فیلیپی، AM; Güneralp، İ. Randall, J. سنجش از دور فراطیفی زیست توده بالای زمین در خم پیچ رودخانه با استفاده از خطوط رگرسیون تطبیقی چند متغیره و تقویت گرادیان تصادفی. سنسور از راه دور Lett. ۲۰۱۴ ، ۵ ، ۴۳۲-۴۴۱٫ [ Google Scholar ] [ CrossRef ]
- کویروس، ای. Felicísimo، Á.M. Cuartero، A. آزمایش خطوط رگرسیون تطبیقی چند متغیره (MARS) به عنوان روشی برای طبقهبندی پوشش زمین تصاویر ماهوارهای TERRA-ASTER. Sensors ۲۰۰۹ , ۹ , ۹۰۱۱-۹۰۲۸٫ [ Google Scholar ] [ CrossRef ]
- Güneralp، İ. فیلیپی، AM; Randall, J. برآورد زیست توده بالای زمین دشت سیلابی با استفاده از سنجش از دور چند طیفی و مدلسازی ناپارامتریک. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۴ ، ۳۳ ، ۱۱۹-۱۲۶٫ [ Google Scholar ] [ CrossRef ]
- Milborrow, S. Package ‘Earth’ , R Package نسخه ۵٫۱٫۲; ۲۰۲۰٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/earth/index.html (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- پال، M. طبقه بندی جنگل تصادفی برای طبقه بندی سنجش از دور. بین المللی J. Remote Sens. ۲۰۰۵ ، ۲۶ ، ۲۱۷-۲۲۲٫ [ Google Scholar ] [ CrossRef ]
- Gislason، PO; بندیکتسون، جی. Sveinsson, JR جنگل های تصادفی برای طبقه بندی پوشش زمین. تشخیص الگو Lett. ۲۰۰۶ ، ۲۷ ، ۲۹۴-۳۰۰٫ [ Google Scholar ] [ CrossRef ]
- لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News ۲۰۰۲ , ۲ , ۱۸-۲۲٫ [ Google Scholar ]
- سیم، جی. Abril, I. Extratrees: Extremely Randomized Trees (ExtraTrees) Method for Classification and Regression , R Package Version 1.0.5; ۲۰۱۴٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/extraTrees/extraTrees.pdf (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- Geurts، P. ارنست، دی. Wehenkel, L. درختان بسیار تصادفی. ماخ فرا گرفتن. ۲۰۰۶ ، ۶۳ ، ۳-۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- احمد، مگاوات; مرشد، م. Rezgui, Y. روشهای مجموعه مبتنی بر درخت برای پیشبینی تولید برق PV و مقایسه آنها با رگرسیون بردار پشتیبان. انرژی ۲۰۱۸ ، ۱۶۴ ، ۴۶۵-۴۷۴٫ [ Google Scholar ] [ CrossRef ]
- احمد، مگاوات; رینولدز، جی. Rezgui، Y. مدل سازی پیش بینی برای سیستم های انرژی حرارتی خورشیدی: مقایسه رگرسیون بردار پشتیبان، جنگل تصادفی، درختان اضافی و درختان رگرسیون. جی. پاک. تولید ۲۰۱۸ ، ۲۰۳ ، ۸۱۰-۸۲۱٫ [ Google Scholar ] [ CrossRef ]
- زدرافسکی، ای. لامسکی، پ. کولاکوف، آ. Trajkovik, V. مقایسه عملکرد جنگل های تصادفی و درختان بسیار تصادفی. در مجموعه مقالات سیزدهمین کنفرانس انفورماتیک و فناوری اطلاعات (CIIT 2016)، دانشکده علوم و مهندسی کامپیوتر (FCSE) و انجمن کامپیوتر مقدونیه، استروگا، مقدونیه، ۲۲ تا ۲۴ آوریل ۲۰۱۶٫ [ Google Scholar ]
- بارت، بی. نیتزه، آی. گرین، اس. Cawkwell، F. ارزیابی رادار چند زمانی، چند سنسوری و داده های فضایی جانبی برای نظارت بر مراتع در ایرلند با استفاده از رویکردهای یادگیری ماشین. سنسور از راه دور محیط. ۲۰۱۴ ، ۱۵۲ ، ۱۰۹-۱۲۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- لارنس، آر. بان، ا. پاول، اس. Zambon، M. طبقه بندی تصاویر سنجش از دور با استفاده از تقویت گرادیان تصادفی به عنوان اصلاح تجزیه و تحلیل درخت طبقه بندی. سنسور از راه دور محیط. ۲۰۰۴ ، ۹۰ ، ۳۳۱-۳۳۶٫ [ Google Scholar ] [ CrossRef ]
- چن، تی. او، تی. بنستی، م. خوتیلوویچ، وی. Tang, Y. Xgboost: Extreme Gradient Boosting , R Package نسخه ۱٫۱٫۱٫۱٫ ۲۰۲۰٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/xgboost/index.html (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- تقریب تابع فریدمن، JH Greedy: یک ماشین تقویت کننده گرادیان. ان آمار ۲۰۰۱ ، ۲۹ ، ۱۱۸۹-۱۲۳۲٫ [ Google Scholar ] [ CrossRef ]
- چن، تی. Guestrin, C. Xgboost: یک سیستم تقویت درخت مقیاس پذیر. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۱۳ تا ۱۷ اوت ۲۰۱۶؛ صص ۷۸۵-۷۹۴٫ [ Google Scholar ]
- جورجانوس، اس. گریپا، تی. ونهویسه، اس. لنرت، ام. شیمونی، م. Wolff، E. طبقهبندی کاربری زمین-پوشش زمین مبتنی بر شی با وضوح بسیار بالا با استفاده از تقویت شیب شدید. IEEE Geosci. سنسور از راه دور Lett. ۲۰۱۸ ، ۱۵ ، ۶۰۷–۶۱۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- فن، جی. وانگ، ایکس. وو، ال. ژو، اچ. ژانگ، اف. یو، ایکس. لو، ایکس. Xiang، Y. مقایسه ماشین بردار پشتیبان و تقویت گرادیان شدید برای پیشبینی تابش خورشیدی جهانی روزانه با استفاده از دما و بارش در آب و هوای نیمه گرمسیری مرطوب: مطالعه موردی در چین. مبدل انرژی مدیریت ۲۰۱۸ ، ۱۶۴ ، ۱۰۲-۱۱۱٫ [ Google Scholar ] [ CrossRef ]
- ژانگ، اچ. عزيز، ع. شیائو، جی. تائو، اس. وانگ، اس. تانگ، ز. ژو، جی. Fang, J. نقشه برداری پوشش گیاهی با وضوح بالا با استفاده از افزایش گرادیان فوق العاده بر اساس ویژگی های گسترده. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۵۰۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- فام، تی دی; Le، NN; ها، NT; نگوین، LV; شیا، جی. یوکویا، ن. به، TT; Trinh، HX; Kieu، LQ; Takeuchi، W. برآورد زیست توده حرا در بالای زمین با استفاده از الگوریتم درختان تصمیم گیری افزایش گرادیان شدید با داده های Sentinel-2 و ALOS-2 PALSAR-2 در Can Gio Biosphere Reserve، ویتنام. Remote Sens. ۲۰۲۰ , ۱۲ , ۷۷۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- کورتس، سی. Vapnik، V. شبکه های پشتیبان-بردار. ماخ فرا گرفتن. ۱۹۹۵ ، ۲۰ ، ۲۷۳-۲۹۷٫ [ Google Scholar ] [ CrossRef ]
- Noble, WS ماشین بردار پشتیبان چیست؟ نات. بیوتکنول. ۲۰۰۶ ، ۲۴ ، ۱۵۶۵-۱۵۶۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- علقانی، م. الجاف، ع. حسین، ع. بیکر، تی. مصطفینا، ج. الجمیلی، د. خلف، م. پیادهسازی الگوریتمهای یادگیری ماشین برای ایجاد پروفایلهای پذیرش مجدد بیماران دیابتی. Med Inform. تصمیم می گیرد. ماک ۲۰۱۹ ، ۱۹ ، ۲۵۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- دراکر، اچ. برگز، سی جی; کافمن، ال. اسمولا، ای جی; Vapnik، V. ماشینهای رگرسیون بردار پشتیبانی ; مطبوعات MIT: کمبریج، MA، ایالات متحده آمریکا، ۱۹۹۷; صص ۱۵۵-۱۶۱٫ [ Google Scholar ]
- Gualtieri، JA; ماشینهای بردار پشتیبان Cromp، RF برای طبقهبندی سنجش از راه دور فراطیفی. در مجموعه مقالات بیست و هفتمین کارگاه AIPR: پیشرفت ها در تشخیص به کمک رایانه، واشنگتن، دی سی، ایالات متحده آمریکا، ۱۴ تا ۱۶ اکتبر ۱۹۹۸٫ ص ۲۲۱-۲۳۲٫ [ Google Scholar ]
- پازولی، ال. نوتارنیکولا، سی. Bruzzone, L. برآورد رطوبت خاک با تکنیک رگرسیون بردار پشتیبان. جیوسکی. سنسور از راه دور Lett. ۲۰۱۱ ، ۸ ، ۱۰۸۰-۱۰۸۴٫ [ Google Scholar ] [ CrossRef ]
- کاراتزوگلو، ع. اسمولا، ا. Hornik, K. Package ‘Kernlab’ , R Package نسخه ۰٫۹-۲۹; ۲۰۱۹٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/kernlab/index.html (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- برگسترا، جی. Bengio، Y. جستجوی تصادفی برای بهینه سازی هایپرپارامتر. جی. ماخ. فرا گرفتن. Res. ۲۰۱۲ ، ۱۳ ، ۲۸۱-۳۰۵٫ [ Google Scholar ]
- والتر، کارشناسی; مور، JL مفاهیم تعصب، دقت و دقت، و استفاده از آنها در آزمایش عملکرد برآوردگرهای غنای گونه، با بررسی ادبیات عملکرد برآوردگر. اکوگرافی ۲۰۰۵ ، ۲۸ ، ۸۱۵-۸۲۹٫ [ Google Scholar ] [ CrossRef ]
- همنر، بی. Frasco, M. Metrics: Evaluation Metrics for Machine Learning , R Package نسخه ۰٫۱٫۴; ۲۰۱۸٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/Metrics/index.html (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- Zambrano-Bigiarini, M. بسته ‘hydroGOF’: توابع مناسب برای مقایسه سری های زمانی هیدرولوژیکی شبیه سازی شده و مشاهده شده ، بسته R نسخه ۰٫۴٫ ۲۰۲۰٫ در دسترس آنلاین: https://cran.r-project.org/web/packages/hydroGOF/index.html (در ۲۲ اوت ۲۰۲۰ قابل دسترسی است).
- سواتانتران، ا. دبیه، ر. رابرتز، دی. هافتون، ام. بلر، JB نقشه برداری زیست توده و تنش در سیرا نوادا با استفاده از همجوشی داده های لیدار و ابرطیفی. سنسور از راه دور محیط. ۲۰۱۱ ، ۱۱۵ ، ۲۹۱۷-۲۹۳۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- سوارز، جی سی. اونتیوروس، سی. اسمیت، اس. اسنپ، اس. استفاده از LiDAR هوابرد و عکاسی هوایی در تخمین ارتفاع درختان در جنگلداری. محاسبه کنید. Geosci. ۲۰۰۵ ، ۳۱ ، ۲۵۳-۲۶۲٫ [ Google Scholar ] [ CrossRef ]
- چو، MA; اسکیدمور، AK; سبحان، اول. نقشه برداری ساختار جنگلی راش ( Fagus sylvatica L.) با تصاویر فراطیفی هوابرد. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۰۹ ، ۱۱ ، ۲۰۱-۲۱۱٫ [ Google Scholar ] [ CrossRef ]
- Laurin، GV; چن، کیو. لیندسل، جی. کومز، دی. دل فراته، اف. گوریرو، ال. پیروتی، اف. والنتینی، R. تخمین زیست توده بالای زمین در یک جنگل استوایی آفریقا با داده های لیدار و ابرطیفی. ISPRS J. Photogramm. Remote Sens. ۲۰۱۴ ، ۸۹ ، ۴۹-۵۸٫ [ Google Scholar ] [ CrossRef ]
- سانکی، تی. دوناجر، ج. مک وی، جی. Sankey، JB UAV Lidar و همجوشی فراطیفی برای نظارت بر جنگل در جنوب غربی ایالات متحده. سنسور از راه دور محیط. ۲۰۱۷ ، ۱۹۵ ، ۳۰-۴۳٫ [ Google Scholar ] [ CrossRef ]
- اندرسون، جی. پلورد، ال. مارتین، ام. براسول، بی. اسمیت، ام. دبیه، ر. هافتون، ام. بلر، جی. ادغام لیدار شکل موج با تصاویر فراطیفی برای فهرست جنگل های معتدل شمالی. سنسور از راه دور محیط. ۲۰۰۸ ، ۱۱۲ ، ۱۸۵۶-۱۸۷۰٫ [ Google Scholar ] [ CrossRef ]
- خو، تی. وی، اچ. Hu, G. مطالعه بر روی مسئله طراحی شبکه پیوسته با استفاده از آنیل شبیه سازی شده و الگوریتم ژنتیک. سیستم خبره Appl. ۲۰۰۹ ، ۳۶ ، ۱۳۲۲-۱۳۲۸٫ [ Google Scholar ] [ CrossRef ]
- چانگ، Y.-C. چانگ، K.-H. وو، جی.-جی. استفاده از درختان تقویت کننده شیب شدید در ساخت مدل های ارزیابی ریسک اعتباری برای موسسات مالی. J. Appl. محاسبات نرم. ۲۰۱۸ ، ۷۳ ، ۹۱۴-۹۲۰٫ [ Google Scholar ] [ CrossRef ]
- کاتنبورن، تی. ماک، جی. Faßnacht، F. انسل، اف. ارمرت، جی. Koch، B. نقشه برداری زیست توده جنگل از فضا-تلفیقی داده های ابرطیفی EO1-hyperion و مدل های ارتفاع تاج پوشش Tandem-X و WorldView-2. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۵ ، ۳۵ ، ۳۵۹-۳۶۷٫ [ Google Scholar ] [ CrossRef ]
- برزوچنیک، ال. فیستر، آی. Podgorelec، V. الگوریتم های هوش ازدحام برای انتخاب ویژگی: یک بررسی. Appl. علمی ۲۰۱۸ ، ۸ ، ۱۵۲۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- حامدیان فر، ع. جبرئیل، MBA؛ حسین پور، م. Pellikka، PK استفاده هم افزایی از بهینه سازی ازدحام ذرات، شبکه عصبی مصنوعی و الگوریتم های تقویت گرادیان شدید برای نقشه برداری LULC شهری از تصاویر WorldView-3. Geocarto Int. ۲۰۲۰ ، ۱-۱۹٫ [ Google Scholar ] [ CrossRef ]
- لوئیزو، آر. گوارینی، آر. لونگو، اف. اسکوپا، تی. فرمارو، آر. فاچینتی، سی. واراکالی، جی. پریزما: ماموریت ابرطیفی ایتالیا. در مجموعه مقالات IGARSS 2018-2018 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، والنسیا، اسپانیا، ۲۲ تا ۲۷ ژوئیه ۲۰۱۸؛ صص ۱۷۵-۱۷۸٫ [ Google Scholar ]
- لوپینتو، ای. Ananasso، C. ماموریت فراطیفی پریسما. در مجموعه مقالات سی و سومین سمپوزیوم EARSeL، به سوی افق ۲۰۲۰: مشاهده زمین و دیدگاه های اجتماعی، ماترا، ایتالیا، ۳ تا ۷ ژوئن ۲۰۱۳٫ [ Google Scholar ]
- پیگناتی، اس. پالمبو، ا. پاسکوچی، اس. رومانو، اف. سانتینی، اف. سیمونیلو، تی. اومبرتو، ا. وینچنزو، سی. آسیتو، ن. دیانی، ام. ماموریت فراطیفی PRISMA: فعالیت های علمی و فرصت ها برای نظارت بر کشاورزی و زمین. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE 2013-IGARSS، ملبورن، استرالیا، ۲۱ تا ۲۶ ژوئیه ۲۰۱۳٫ ص ۴۵۵۸-۴۵۶۱٫ [ Google Scholar ]
- ماگرودر، ال. نوینشواندر، آ. نویمان، تی. کورتز، ن. دانکنسون، ال. دوبایه، R. ماموریت های ICESat-2 و GEDI ناسا برای کاربردهای زمین و پوشش گیاهی. در مجموعه مقالات بیست و یکمین مجمع عمومی EGU، وین، اتریش، ۷ تا ۱۲ آوریل ۲۰۱۹٫ [ Google Scholar ]
- دانکنسون، ال. نوینشواندر، آ. هنکاک، اس. توماس، ن. فاتویینبو، تی. سیمرد، م. سیلوا، کالیفرنیا؛ آرمستون، جی. Luthcke, SB; Hofton، M. تخمین زیست توده از GEDI، ICESat-2 و NISAR شبیه سازی شده در سراسر شیب های محیطی در شهرستان سونوما، کالیفرنیا. سنسور از راه دور محیط. ۲۰۲۰ , ۲۴۲ , ۱۱۱۷۷۹٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه