为解决传统初始地应力场反演方法存在边界条件筛选能力弱、易受数据过拟合干扰以及难以解析多重边界相互作用的问题,提出一种基于LASSO-OLS(least absolute shrinkage and selection operator-ordinary least squares)的两阶段初始地应...为解决传统初始地应力场反演方法存在边界条件筛选能力弱、易受数据过拟合干扰以及难以解析多重边界相互作用的问题,提出一种基于LASSO-OLS(least absolute shrinkage and selection operator-ordinary least squares)的两阶段初始地应力场反演方法。该方法首先通过对候选边界条件应力矩阵和实测应力矩阵进行Frobenius范数标准化处理,消除不同边界条件数据量级差异的影响;然后,利用LASSO回归的L1正则化约束,从候选边界条件的回归系数路径图中筛选关键影响因素,剔除冗余与弱相关项;最后,针对筛选出的核心变量,采用普通最小二乘回归进行无偏估计,构建兼具稀疏性与准确性的地应力场反演模型。研究结果表明:1)在工程应用实例中,借助LASSO回归从11个候选边界条件中筛选出5个关键因素,显著降低模型复杂度;2)模型正则化参数在标准误差内取值,拟合结果能够保持较高的复相关系数(R=0.995 2),表明筛选后的边界条件有效捕捉了初始地应力场特征;3)初始地应力场反演模型通过LASSO回归筛选,在解析多重边界相互作用时表现出较高的稳定性和物理合理性;4)与传统方法相比,该方法能有效避免初始地应力场反演出现过拟合问题,提高反演结果的鲁棒性。展开更多
为解决传统遥感干旱指数侧重于对单一响应因子的监测,缺乏对干旱综合评估的问题,本文结合气象观测资料和多源遥感数据,择优选择TVDI、RVI、PDI和GVMI日产品数据作为自变量,与卫星过境相邻时刻气象观测资料计算的MCI指数为因变量,采用随...为解决传统遥感干旱指数侧重于对单一响应因子的监测,缺乏对干旱综合评估的问题,本文结合气象观测资料和多源遥感数据,择优选择TVDI、RVI、PDI和GVMI日产品数据作为自变量,与卫星过境相邻时刻气象观测资料计算的MCI指数为因变量,采用随机森林回归算法(Random Forest Regression,RFR)构建综合遥感干旱监测模型。结果表明:与传统最小二乘法模型(Ordinary Least Squares,OLS)相比,RFR模型训练集和测试集精度均优于OLS模型。RFR训练集R值为0.97,RMSE为0.33,测试集R值为0.90,RMSE为0.53;OLS模型训练集R值为0.78,RMSE值为0.73,测试R值为0.76,RMSE值为0.79,表明RFR模型在表征区域旱情时比OLS模型更加优秀。在2022年西南地区旱情监测评估中,RFR遥感干旱监测结果与MCI指数时空分布较为一致,能较好地表征区域旱情的时空动态变化特征,体现了RFR模型在实际干旱监测过程中的实用性。但RFR干旱监测精度与区域站点个数和站点空间分布有关,在站点个数较多,站点分布均匀的区域,RFR干旱监测模型精度较高。展开更多
在多年平均年最大归一化植被指数(NDVI)的基础上,结合西藏地区年降雨量、年积温等气象资料,利用偏最小二乘(partial least squares,PLS)回归方法对数据进行分析并建立西藏地区草地生物量与归一化植被指数、降雨量等解释变量的回归估测...在多年平均年最大归一化植被指数(NDVI)的基础上,结合西藏地区年降雨量、年积温等气象资料,利用偏最小二乘(partial least squares,PLS)回归方法对数据进行分析并建立西藏地区草地生物量与归一化植被指数、降雨量等解释变量的回归估测模型。并和一般最小二乘法(ordinary least squares,OLS)中的逐步回归法(Stepwise)相比较。结果表明:草地生物量与年最大NDVI值和年降雨量有很强的相关性,偏最小二乘回归在拟合及估测效果上均优于一般最小二乘的逐步回归法,回归方程的相关系数为0.895,取得了较为可靠的结果。偏最小二乘回归在解释变量多、样本个数少、变量间存在多重共线性时尤为有效,为遥感监测植被生物量时的数据处理提供了新的途径。展开更多
文摘为解决传统初始地应力场反演方法存在边界条件筛选能力弱、易受数据过拟合干扰以及难以解析多重边界相互作用的问题,提出一种基于LASSO-OLS(least absolute shrinkage and selection operator-ordinary least squares)的两阶段初始地应力场反演方法。该方法首先通过对候选边界条件应力矩阵和实测应力矩阵进行Frobenius范数标准化处理,消除不同边界条件数据量级差异的影响;然后,利用LASSO回归的L1正则化约束,从候选边界条件的回归系数路径图中筛选关键影响因素,剔除冗余与弱相关项;最后,针对筛选出的核心变量,采用普通最小二乘回归进行无偏估计,构建兼具稀疏性与准确性的地应力场反演模型。研究结果表明:1)在工程应用实例中,借助LASSO回归从11个候选边界条件中筛选出5个关键因素,显著降低模型复杂度;2)模型正则化参数在标准误差内取值,拟合结果能够保持较高的复相关系数(R=0.995 2),表明筛选后的边界条件有效捕捉了初始地应力场特征;3)初始地应力场反演模型通过LASSO回归筛选,在解析多重边界相互作用时表现出较高的稳定性和物理合理性;4)与传统方法相比,该方法能有效避免初始地应力场反演出现过拟合问题,提高反演结果的鲁棒性。
文摘为解决传统遥感干旱指数侧重于对单一响应因子的监测,缺乏对干旱综合评估的问题,本文结合气象观测资料和多源遥感数据,择优选择TVDI、RVI、PDI和GVMI日产品数据作为自变量,与卫星过境相邻时刻气象观测资料计算的MCI指数为因变量,采用随机森林回归算法(Random Forest Regression,RFR)构建综合遥感干旱监测模型。结果表明:与传统最小二乘法模型(Ordinary Least Squares,OLS)相比,RFR模型训练集和测试集精度均优于OLS模型。RFR训练集R值为0.97,RMSE为0.33,测试集R值为0.90,RMSE为0.53;OLS模型训练集R值为0.78,RMSE值为0.73,测试R值为0.76,RMSE值为0.79,表明RFR模型在表征区域旱情时比OLS模型更加优秀。在2022年西南地区旱情监测评估中,RFR遥感干旱监测结果与MCI指数时空分布较为一致,能较好地表征区域旱情的时空动态变化特征,体现了RFR模型在实际干旱监测过程中的实用性。但RFR干旱监测精度与区域站点个数和站点空间分布有关,在站点个数较多,站点分布均匀的区域,RFR干旱监测模型精度较高。
文摘在多年平均年最大归一化植被指数(NDVI)的基础上,结合西藏地区年降雨量、年积温等气象资料,利用偏最小二乘(partial least squares,PLS)回归方法对数据进行分析并建立西藏地区草地生物量与归一化植被指数、降雨量等解释变量的回归估测模型。并和一般最小二乘法(ordinary least squares,OLS)中的逐步回归法(Stepwise)相比较。结果表明:草地生物量与年最大NDVI值和年降雨量有很强的相关性,偏最小二乘回归在拟合及估测效果上均优于一般最小二乘的逐步回归法,回归方程的相关系数为0.895,取得了较为可靠的结果。偏最小二乘回归在解释变量多、样本个数少、变量间存在多重共线性时尤为有效,为遥感监测植被生物量时的数据处理提供了新的途径。
