针对反照率直接估算中多元线性回归方法难以拟合反照率估算中的非线性特征的问题,引入基于梯度提升决策树机器学习方法对GLASS(global land surface satellite products)反照率产品算法中的多元线性回归(multiple linear regression,MLR...针对反照率直接估算中多元线性回归方法难以拟合反照率估算中的非线性特征的问题,引入基于梯度提升决策树机器学习方法对GLASS(global land surface satellite products)反照率产品算法中的多元线性回归(multiple linear regression,MLR)直接估算算法进行改进,并将梯度提升决策树算法(gradient boost decision tree,GBDT)结果同原有方法进行对比,同时利用地面站点观测反照率评价本文算法效果。结果表明,多元线性回归方法平均RMSE为0.017到0.02,梯度提升决策树方法平均RMSE为0.009到0.013,梯度提升决策树方法的估算精度较原多元线性回归方法精度有较大提升,表明新型机器学习方法在优化遥感经验或半经验模型中具有重要潜力。同时地面验证结果表明,本文算法相比于GLASS V3反照率产品在RMSE和绝对偏差上相对提升4%和60%。展开更多
目的利用决策树和多元线性回归模型,探讨新生儿出生体重的影响因素,为孕期保健和改善新生儿出生体重提供理论依据。方法选取湖南省长沙市开福区三个街道社区卫生服务中心2015年出生的新生儿及母亲进行问卷调查,回顾性收集孕期和分娩相...目的利用决策树和多元线性回归模型,探讨新生儿出生体重的影响因素,为孕期保健和改善新生儿出生体重提供理论依据。方法选取湖南省长沙市开福区三个街道社区卫生服务中心2015年出生的新生儿及母亲进行问卷调查,回顾性收集孕期和分娩相关信息,运用决策树CHAID算法和多元线性回归分析出生体重的影响因素。结果决策树CHAID算法结果表明孕周、孕前体质指数(body mass index,BMI)、孕期增重和新生儿性别是出生体重的影响因素,其中孕周是最主要的因素。决策树模型划分的亚组显示孕周<37周组的新生儿出生体重最低,孕周≥37周且孕前肥胖组的新生儿出生体重最高。多元线性回归模型结果也显示孕周、孕前BMI、孕期增重和新生儿性别是出生体重的影响因素,四个因素之间无真正的交互作用。结论出生体重受孕周、孕前BMI、孕期增重和新生儿性别的影响,决策树和多元线性回归模型都能分析出生体重的因素,两种方法可以联合运用,互为补充。展开更多
文摘目的利用决策树和多元线性回归模型,探讨新生儿出生体重的影响因素,为孕期保健和改善新生儿出生体重提供理论依据。方法选取湖南省长沙市开福区三个街道社区卫生服务中心2015年出生的新生儿及母亲进行问卷调查,回顾性收集孕期和分娩相关信息,运用决策树CHAID算法和多元线性回归分析出生体重的影响因素。结果决策树CHAID算法结果表明孕周、孕前体质指数(body mass index,BMI)、孕期增重和新生儿性别是出生体重的影响因素,其中孕周是最主要的因素。决策树模型划分的亚组显示孕周<37周组的新生儿出生体重最低,孕周≥37周且孕前肥胖组的新生儿出生体重最高。多元线性回归模型结果也显示孕周、孕前BMI、孕期增重和新生儿性别是出生体重的影响因素,四个因素之间无真正的交互作用。结论出生体重受孕周、孕前BMI、孕期增重和新生儿性别的影响,决策树和多元线性回归模型都能分析出生体重的因素,两种方法可以联合运用,互为补充。
