马岩岩
- 作品数：3 被引量：13H指数：1
- 供职机构：东北林业大学林学院更多>>
- 发文基金：中央高校基本科研业务费专项资金国家自然科学基金更多>>
- 相关领域：农业科学更多>>
- 基于支持向量机的EO-1 Hyperion遥感图像分类研究
- 2014年
- 以EO-1 Hyperion高光谱遥感数据为基础,对其进行大气校正、几何校正、滤波等处理,采用支持向量机分类方法对其进行分类,选择不同的核函数,主要有线性核、多项式核、径向基核、Sigmoid核,其余采用相同参数设置,进而比较不同核函数在EO-1 Hyperion数据分类中的效果。结果表明,采用支持向量机方法对研究区域的EO-1 Hyperion遥感数据进行分类,采用不同的核函数对分类结果影响不大。
- 毛学刚郑淼郭文茜马岩岩胡俊凯杨天野
- 关键词：HYPERION核函数
- 基于非线性分位数回归的落叶松树干削度方程被引量：13
- 2019年
- 【目的】采用非线性分位数回归法构建落叶松树干削度方程,比较分析不同分位数(τ=0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9)及其组合分位数的拟合及检验结果,以提高模型预测精度。【方法】基于大兴安岭落叶松干形数据,采用Koenker和Bassett提出的分位数回归法,利用SAS软件的NLP拟合基于各分位数的Max-Burkhart分段削度方程,选取确定系数(R^2)、平均误差(MAB)、均方根误差(RMSE)、相对误差(MPB)和预估精度(P%)对削度方程进行对比分析。【结果】1)Max-Burkhart分段削度方程在9个不同分位点(τ=0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9)均能收敛,说明分位数回归可以提供许多不同分位数的估计结果,进而可预测任意分位点处干形的变化趋势;2)基本模型和分位点处(τ=0.4、0.5、0.6)的分位数模型拟合结果相近,分位数组合(3、5、7、9)可提高模型拟合效果,其中基于3个分位数组合(τ=0.3、0.5、0.7)、5个分位数组合(τ=0.3、0.4、0.5、0.6、0.7)、7个分位数组合(τ=0.1、0.2、0.4、0.5、0.6、0.8、0.9)、9个分位数组合(τ=0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9)在分位数组合相同时分别表现最优;3)模型检验表明,大多数分位数回归组合的检验统计量都优于基本模型和各分位数模型,相对于基本模型,5个分位数组合(τ=0.3、0.4、0.5、0.6、0.7)模型的MPB、MAB、RMSE分别降低13.9%、13.9%、13%。【结论】分位数回归能够提高模型预测精度,基于5个分位数组合的Max-Burkhart分段削度方程在拟合及检验统计量等方面表现较好,适合于大兴安岭落叶松树干削度预测。
- 马岩岩姜立春
- 关键词：落叶松分位数回归削度方程
- 异速生长模型的误差结构和误差函数
- 2018年
- 【目的】基于异速生长模型,构建兴安落叶松和樟子松立木材积模型,分析材积模型的误差结构和误差函数。【方法】采用Ballantyne(2013)提出的似然分析法判断兴安落叶松和樟子松立木材积模型的误差结构。为了对比,利用S-PLUS软件的广义非线性GNLS模块拟合非线性模型。针对模型拟合产生的异方差现象,采用误差方差函数(固定方差、指数函数、幂函数和常数加幂函数)消除异方差。采用确定系数(R2)、均方根误差(RMSE)、绝对误差(Bias)和平均相对误差(MRE)对立木材积模型精度进行综合比较分析。【结果】1)经似然分析法判断,兴安落叶松和樟子松立木材积模型的误差结构是相乘的。2)为了描述立木材积模型构建过程中产生的异方差现象,将固定方差、指数函数、幂函数和常数加幂函数加入到立木材积模型中,所有方差函数都能降低材积模型的异方差性。幂函数消除兴安落叶松材积模型的异方差效果最好,常数加幂函数消除樟子松材积模型的异方差效果最好。3)非线性(相加误差结构)及线性(相乘误差结构)拟合和检验统计量的比较表明,对于两树种,相加和相乘立木材积模型拟合评价指标非常接近,具有相加误差结构的立木材积模型的拟合和检验精度略高于相乘误差结构的立木材积模型。【结论】兴安落叶松和樟子松立木材积模型的误差结构是相乘的。根据非线性及线性模型的拟合和检验评价指标对比发现,对数转换的线性模型并没有表现出绝对优势,而非线性回归却略优于对数转换的线性回归。本文并没有给出绝对和一致的结论,如果模型的预测是最重要的,建议对比非线性和对数转换的线性模型,选择精度较高的误差结构。针对兴安落叶松和樟子松立木材积模型的详细对比分析,建议选择非线性回归分析,即相加的误差结构。
- 马岩岩姜立春
- 关键词：兴安落叶松樟子松立木材积
