一、小样本多元逐步回归的最优筛选分析(论文文献综述)
赵朝阳[1](2021)在《有机过氧化物自加速分解温度的预测模型研究》文中研究指明自加速分解温度(SADT)指化学物质发生自加速分解的最低温度,是用于评估化学品热危险性的重要参数。本文应用定量构效关系理论,从分子结构角度出发,计算并筛选和自加速分解温度相关性显着的分子描述符,进行有机过氧化物的SADT预测模型研究。具体工作与结论如下:(1)采用随机方法(RM)和空间多样性子集法(SDSM)对数据集进行划分,借助化学分子模拟软件绘制分子结构,并对其进行优化,得到稳定分子结构模型。基于Pa DEL-Descriptor软件平台,计算有机过氧化物的分子描述符。利用相关性分析法,筛选出与自加速分解温度相关性显着的描述符。在此基础上,分别应用多元线性回归(MLR)和支持向量机(SVM),建立4个自加速分解温度预测模型,分别记为RM-MLR、SDSM-MLR、RM-SVM和SDSM-SVM,揭示自加速分解温度和分子结构之间存在的关系。通过内部验证与外部验证方法考察模型的拟合能力、稳定性以及预测能力,确定有机过氧化物自加速分解温度的最佳模型,并分析模型中各个描述符对SADT的影响权重。(2)自加速分解温度的QSPR研究结果表明,模型RM-MLR、SDSM-MLR、RM-SVM和SDSM-SVM的R2分别为0.8810、0.8960、0.9722和0.9967,均方根误差分别为9.059、8.341、0.1138和0.1216。采用空间多样性子集法划分数据集的目的是使训练集化合物中包含尽可能多的分子结构类型,训练集化合物和测试集化合物在分子结构上相互接近,进而保证模型的可靠。通过模型比较发现,有机过氧化物的拓扑电子信息和碳原子类型对SADT值影响较大,且基于空间多样性子集法建立的模型在拟合和预测方面要优于基于随机方法建立的模型。(3)模型SDSM-MLR和SDSM-SVM对比分析可得,内部验证系数分别为0.1177和0.6406,测试集均方根误差分别为12.21和0.2418。通过模型性能比较发现,支持向量机模型的性能要优于多元线性回归模型,也从侧面反映出自加速分解温度与分子结构之间的非线性关系要强于线性关系。从拟合能力、模型稳定性和预测能力方面综合考虑,基于空间多样性子集法和支持向量机方法建立的预测模型对于有机过氧化物SADT值的预测呈现出最优性能。
叶子林[2](2021)在《结合Sentinel-2与SAR数据的龙南县针叶林蓄积量估测模型研究》文中进行了进一步梳理森林蓄积量(Forest volume stock,FSV)能直接体现森林生态系统健康状况,是衡量森林质量的一个重要指标。精准地估测出区域森林内的森林蓄积量,对于及时监测森林健康,有效管理森林资源有重要意义。传统的森林蓄积量估测多采用人工调查固定样地的方式来估测总体森林的蓄积量,通过周期性地测定固定样地蓄积来估测出森林的蓄积量动态变化。这种蓄积量估测方法工作量大、效率低,耗费大量的人力物力以及财力。现在通过遥感技术估测森林蓄积量已经取得了重大进展,遥感影像其多时间分辨率和多空间分辨率的优点,改变了传统森林资源调查的方式,实现了对蓄积量连续性、大范围的动态监测。本研究以江西省龙南县为研究区,在国家连清样地基础上,结合县级固定样地,得到412个2×2km2系统分布样地,并对这些样地开展森林蓄积量调查。结果得到有效针叶林蓄积量样地88个,将样地数据分为低郁闭度和高郁闭度两个区间,探索郁闭度分级对于森林蓄积量估测的影响。采用Sentinel-2遥感影像和ALOS-PALSAR2提取影像特征变量,通过多元逐步回归法和Boruta法进行特征变量筛选。研究提出改进kNN模型利用两组特征变量组合分别构建反演模型并对研究区森林蓄积量进行空间分布制图。同时,构建多元线性逐步回归模型(Multiple linear stepwise regression,MLR)、随机森林模型(Random Forest,RF)、kNN 模型(k-Nearest Neighbors,kNN)与优化模型进行精度对比分析,探讨适合森林蓄积量估测的方法。主要研究结论包括:(1)Sentinel-2光谱变量结合红边波段纹理因子和ALOS-PALSAR2变量可以有效地对森林蓄积量进行反演。利用Sentinel-2光谱变量、Sentinel-2红边波段纹理因子和SAR提取的变量联合建立森林蓄积量反演模型,模型的精度可以达到反演需求。(2)利用Boruta法对遥感特征变量进行筛选可以显着提高模型估测精度。通过Boruta特征变量筛选法建立的多元线性逐步回归模型、随机森林模型、kNN模型和改进kNN模型反演精度均优于多元逐步回归法。(3)利用郁闭度分级可以实现高精度的森林蓄积量估测。将研究区针叶林样地以0.7为阈值分为低郁闭度和高郁闭度,最终两个分级估测森林蓄积量的决定系数分别为0.53和0.58,均方根误差为31.95 m3/hm2和31.89 m3/hm2,可以满足反演需求。(4)研究建立的多元线性逐步回归模型、随机森林模型、kNN模型和改进kNN模型中,改进kNN模型反演效果最好。改进kNN模型反演结果显着优于其他模型。两种特征变量组合下决定系数分别达到了 0.53和0.58,且RMSE均达到最小,改进效果显着。此外,改进kNN模型在所有模型中制图效果最好,能为针叶林森林蓄积量遥感反演提供参考。
肖越[3](2021)在《基于多源遥感数据的旺业甸林场森林蓄积量估测方法研究》文中提出森林蓄积量是评价森林质量的重要指标,传统地面调查主要采用人工抽样方法,费时耗力、成本高昂,严重制约了森林调查效率。随着遥感技术的快速发展,采用遥感影像和地面实测样地相结合的方法估算森林蓄积量成为重要手段。本文以内蒙古旺业甸林场为研究区,在对样地进行森林蓄积量调查基础上,利用中、高分辨率的光学遥感数据(Landsat 8、GF-2)结合C波段双极化SAR数据(Sentinel-1),分别建立多元线性回归(MLR)、多层感知机回归(MLP)、k-近邻回归(KNN)、支持向量机回归(SVM)及随机森林回归(RF)模型,估测了内蒙古旺业甸林场的森林蓄积量,并制作了森林蓄积量空间分布图。本研究使用多种遥感数据相结合估测森林蓄积量的方法有效地提高了估测精度。本文主要研究结果如下:(1)不同遥感数据提取的纹理因子和光谱因子等特征变量对森林蓄积量的敏感程度不同。其中,Landsat 8影像的纹理因子与森林蓄积量的相关性要略高于光谱因子;GF-2影像的光谱因子与森林蓄积量的相关性要略高于纹理因子;Sentinel-1影像提取的不同极化方式下后向散射系数比值与森林蓄积量的相关性要略高于单一极化的后向散射系数。(2)在利用单一光学遥感数据估 测森林蓄积量时,Landsat 8数据估测森林蓄积量的能力要优于GF-2数据。基于Landsat 8估测森林蓄积量的最优模型为多元线性回归模型,估测精度(EA)为69.06%,基于GF-2估测森林蓄积量的最优模型为支持向量机回归模型,估测精度(EA)为 65.80%。(3)极化SAR数据的加入能有效改善森林蓄积量的估测精度。基于多源遥感数据估测森林蓄积量的最优模型为支持向量机模型,估测精度(EA)为71.46%。Sentinel-1数据的加入使模型的平均估测精度达到了 69.40%,相对于Landsat 8数据来说提高了 2.44%,相对于GF-2数据来说提高了 5.67%。(4)支持向量机(SVM)算法在5种森林蓄积量估测模型中表现出了较大的优势。在利用单一光学遥感数据和多源遥感数据估测森林蓄积量的过程中,支持向量机回归模型相较于其他4种模型有着较高的估测精度,说明该模型具有较强的泛化能力,在森林蓄积量遥感估测方面具有较大潜力。(5)利用多源遥感数据估测森林蓄积量的最优模型为支持向量机回归模型,制作了研究区的森林蓄积量反演图。得到了旺业甸林场森林蓄积量的空间分布规律:森林蓄积量高的地区主要分布在西部和东南部;森林蓄积量低的地区主要分布在人为活动较多的西北部、中部及北部。
郭新龙[4](2021)在《基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算》文中指出森林生物量是评价森林生态价值和固碳能力的重要参数,准确估算森林地上生物量(Aboveground Biomass,AGB)对全球碳循环和气候变化研究具有重要意义。本研究通过组合机载激光雷达(Airborne Laser Scanning,ALS)数据和Sentinel-2A数据提取的特征变量,探索估算天然次生林AGB最佳的变量组合方式和估算方法。以2015年ALS数据、2016年Sentinel-2A数据和帽儿山林场森林资源复测固定样地数据为数据源,对ALS数据提取特征变量(All the LiDAR variables,AL)以及Sentinel-2A数据提取若干植被指数变量(All the Optical variables,AO),对变量进行筛选,并将变量结合(Combined Optical and LiDAR Index,COLI)成新的变量 COLI1 和 COLI2,然后将特征变量筛选前和筛选后分别以六组特征变量组合方式作为输入变量,分别使用多元线性逐步回归(Stepwise Multiple Linear Regression,SMLR)、K-最近邻法(K-Nearest Neighbor,K-NN)、支持向量回归(Support Vector Regression,SVR)、随机森林(Random Forest,RF)和堆叠稀疏自编码器(Stack Sparse Auto-Encoder,SSAE)共五种方法构建了天然次生林AGB估算模型,探讨COLIs变量以及不同模型对生物量估测精度的影响。研究结果表明:变量的筛选对各个模型的精度均有所提高;结合变量COLIs对于森林AGB的估算十分有效,加入COLIs变量能够很大的提高森林AGB模型的估算精度;与其他四种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合(COLI1+COLI2+AO+AL)作为输入特征变量时,模型验证的准确性最高:R2=0.83;RMSE=11.06 t/ha;rRMSE=8.23%。结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型(SSAE)在估算天然次生林AGB方面优于其他预测模型,这一结论有助于进一步应用深度学习模型绘制大区域AGB空间分布图以及进行其他森林参数的估测。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,可以为天然次生林地上生物量的估算和碳储量评估提供技术支持。
朱菊蕊[5](2020)在《矿区水体pH值与土壤Zn含量高光谱定量反演研究》文中研究表明粗放、不合理的采矿方式造成了较为严重的水资源与土壤资源的污染。例如酸性矿山废水会导致周围水体的严重酸化;煤矿粉尘会造成周围土壤严重重金属污染,因此对其监测和治理是保护人类生存环境的必要工作。高光谱数据可以获取地物连续的光谱曲线,提高了遥感定量分析的精度,在大范围、快速环境监测具有得天独厚的优势。本研究以德兴铜矿、胜利煤矿为研究区,基于无人机遥感影像和实验室光谱仪分别获取了两个矿区水体和土壤的光谱数据,对原始光谱数据进行去噪及去水汽吸收波段,得到用于分析的水体和土壤光谱。通过分析光谱响应特征筛选特征因子,构建反演模型,最终实现了矿区水体pH值和土壤Zn的定量反演。主要研究内容和结果如下:(1)在两波段比值的基础上提出了多波段比值的反射率变换方法,用于挖掘水体pH值和土壤Zn含量的光谱特征。结果表明光谱反射率进行比值变换后与pH和Zn含量相关性提高,其中本文提出的多波段比值相关性最高。(2)定量分析了水体pH值和土壤Zn元素光谱响应特征,根据相关系数筛选出了3组pH值特征因子和7组Zn含量特征因子用于定量反演。(3)构建了pH值和Zn含量的多元回归、逐步回归和支持向量机回归模型并对模型进行评价。其中多元回归模型精度最低;逐步回归因为可以筛选最优自变量精度,故较多元回归有所提高;支持向量机模型反演效果最好、精度最高,从而被确定为最佳反演模型,验证了非线性模型在高光谱定量反演中具有一定的普适性。
付丹丹[6](2020)在《贮期鸡蛋蛋白质含量品质的光谱无损检测方法及装置研发》文中研究说明有关贮藏期间鸡蛋品质的评价与预测及其与贮藏时间和条件的关系一直是食品加工和保鲜领域的研究热点问题之一,目前无损检测方法很少从鸡蛋特定蛋白质含量变化角度来考虑其食用品质和安全性。若能从鸡蛋组成的生化变化角度解释其品质变化规律,寻找引起鸡蛋品质变化的最本质特征,并且建立该特征因子的外在表征方法,对深入揭示蛋品品质变化机制,实现蛋品品质的有效无损监控具有重要的理论意义。本课题从鸡蛋组成生化变化的角度,以蛋清S-卵白蛋白含量、卵黏蛋白含量、哈夫值、蛋黄指数等多个品质指标为研究对象,利用生化方法、高光谱成像技术及可见-近红外光谱技术对鸡蛋的多个品质进行研究,建立基于光谱的贮期鸡蛋微观品质无损检测模型及相关检测装置,主要研究内容和结论如下:1)贮期鸡蛋品质和蛋清主要蛋白质含量的变化规律及相关关系为了从鸡蛋组成生化变化的角度确定引起鸡蛋品质变化的最本质特征因子,通过传统生化检测方法,统计分析了贮藏期间鸡蛋品质指标及S-卵白蛋白含量、卵黏蛋白含量的变化规律。考察了鸡蛋哈夫值、蛋黄指数、p H值等指标值与S-卵白蛋白含量、卵黏蛋白含量的相关性,发现各品质参数与S-卵白蛋白含量的相关性比与卵黏蛋白的相关性更高;分析了各鸡蛋品质参数与S-卵白蛋白含量、卵黏蛋白含量的灰色关联度,各品质因素与S-卵白蛋白含量、卵黏蛋白的综合灰色关联度均大于0.5;分别以S-卵白蛋白含量和卵黏蛋白含量为自变量建立了等价蛋龄预测模型,模型的决定系数均大于0.9,p≤0.01;综合考虑相关性分析结果,选择S-卵白蛋白含量为研究对象,进一步研究了两种不同品种鸡蛋(市场上常见的海蓝褐壳鸡蛋和罗曼粉壳鸡蛋)S-卵白蛋白含量与鸡蛋哈夫值、蛋黄指数的相关性,发现不同品种鸡蛋的哈夫值、蛋黄指数均与S-卵白蛋白含量显着负相关,粉壳蛋和褐壳蛋S-卵白蛋白含量相关系数为0.950,二者显着相关(p≤0.01)。即在同一贮藏条件下,不同品种鸡蛋S-卵白蛋白含量的变化受鸡蛋品种的影响较小。故确定选择S-卵白蛋白含量为引起鸡蛋品质变化的最本质特征因子。2)基于高光谱成像技术的鸡蛋新鲜度、酸碱度及黏度检测为了建立基于高光谱技术的与鸡蛋新鲜度有关的内部理化指标的无损检测方法,利用高光谱成像检测系统采集了贮期鸡蛋的透射光谱信息,并利用p H计、粘度计测定鸡蛋酸碱度与粘度,发现鸡蛋新鲜度、酸碱度、黏度之间存在较强相关性。对光谱进行预处理发现经过一阶微分处理后的全波段PLS模型对各指标的预测效果最好;分别用竞争性自适应重加权算法(CARS)与连续投影算法(SPA)选取特征波长。对比分析基于CARS及SPA筛选的特征波段建立的偏最小二乘回归模型和多元线性回归模型,建立的多元线性回归模型对鸡蛋哈夫值、p H值及黏度值具有更好的预测性能。在CARS提取的特征波长组合基础上采用SPA再次进行特征波长提取,基于CARS-SPA二次波段提取鸡蛋HU、p H、黏度的最佳波段组合数分别为13个、10个、6个;基于二次筛选出的特征波长建立的鸡蛋HU、p H、黏度MLR模型预测集决定系数Rp2分别为0.884、0.903、0.903,相对分析误差RPD均大于2,能够对这三个指标值进行极好预测。3)基于高光谱成像技术的S-卵白蛋白含量无损检测及其可视化为了从S-卵白蛋白含量的生化本质角度建立无损评价贮期鸡蛋品质变化的方法,利用高光谱成像技术采集了贮期鸡蛋在300 nm-1100 nm的透射高光谱图像,提取7个图像参数,并利用相关系数法筛选出3个图像特征变量(红色分量均值Ravg,分形维度D和图像短轴n),建立PLS模型,比较发现剔除其他四个图像参数后建模效果不变;将整蛋作为感兴趣区域,提取每个鸡蛋的平均光谱,选取450 nm-1000 nm波段,经一阶微分结合平滑预处理后,分别采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及二维相关同步光谱分析法提取了S-卵白蛋白含量紧密相关的特征波长,并分别利用筛选出来的特征波长建立了偏最小二乘回归模型(PLS)和遗传算法优化的BP神经网络模型(GA-BP),结果表明,基于SPA筛选的20个特征波长组合建立的GA-BP模型对S-卵白蛋白含量预测效果最好,训练集决定系数Rc2为0.857,RMSEC为0.084,预测集Rp2为0.806,RMSEP为0.120,RPD为2.012。将提取的3个图像特征参数分别与三种方法提取的特征波长组合进行融合,并利用主成分分析(PCA)降维,利用融合后的特征建立预测模型,发现基于3个图像特征和CARS筛选的14个光谱特征融合降维后的5个特征信息建立的GA-BP模型预测效果更好,训练集Rc2为0.856,均方根误差RMSEC为0.084,预测集Rp2为0.845,均方根误差RMSEP为0.143,RPD为1.918。利用优选出的模型对预测集鸡蛋图像上每个像素点的S-卵白蛋白含量进行预测,结合伪彩色图像处理技术,将预测结果用不同颜色直观显示,实现了鸡蛋S-卵白蛋白含量可视化。4)基于可见-近红外光谱技术的鸡蛋新鲜度指标及S-卵白蛋白含量无损检测利用自行搭建的可见近红外光谱系统分别采集了贮期海蓝褐壳鸡蛋和罗曼粉壳鸡蛋的透射光谱信息,并测定了鸡蛋哈夫值、蛋黄指数以及S-卵白蛋白含量。选取500 nm-950 nm范围内的451个波长进行分析,经光谱预处理后,分别采用无信息变量消除算法(UVE)、遗传算法(GA)和逐步回归算法(STP)筛选特征波长,分别建立偏最小二乘回归(PLS)、高斯过程回归(GPR)、多元线性回归(MLR)和支持向量机回归(SVM)预测模型,结果表明,对于海蓝褐壳鸡蛋而言,其哈夫值的最佳预测模型是基于UVE筛选出来的10个特征波长建立的GPR模型,训练集Rc2为0.981,RMSEC为0.031,预测集Rp2为0.708,RMSEP为10.825,RPD为1.603;其蛋黄指数的最佳预测模型是基于GA筛选出来的18个特征波长建立的PLS回归模型,训练集Rc2均为0.792,RMSEC为0.021,预测集Rp2为0.770,RMSEP为0.030,RPD为1.765;其S-卵白蛋白含量的最佳预测模型是基于遗传算法GA筛选出来的19个波长建立的PLS回归模型,训练集Rc2为0.919,RMSEC为0.058,预测集Rp2为0.917,RMSEP为0.079,RPD为3.236。对于罗曼粉壳鸡蛋而言,其哈夫值的最优预测模型是基于逐步回归筛选出来的15个特征波长建立的多元线性回归模型,训练集Rc2为0.926,RMSEC为5.380,预测集Rp2为0.765,RMSEP为10.416,RPD为2.322;其蛋黄指数建立的模型都不能对罗曼粉壳鸡蛋的蛋黄指数进行预测(预测集RPD均小于1.5);其S-卵白蛋白含量建立的最优预测模型是基于逐步回归算法筛选出来的9个特征波长建立的高斯过程回归模型,训练集Rc2为0.954,RMSEC为0.047,预测集Rp2为0.846,RMSEP为0.109,RPD为2.223。建立的单一品种鸡蛋哈夫值、蛋黄指数及S-卵白蛋白含量预测模型为后续开发多品种鸡蛋新鲜度指标及S-卵白蛋白含量定量快速检测通用模型奠定了基础。5)不同品种鸡蛋新鲜度指标及S-卵白蛋白含量预测模型优化利用建立的单一品种鸡蛋哈夫值、蛋黄指数及S-卵白蛋白含量预测模型对另一个品种相应的鸡蛋品质指标进行预测,发现利用单一品种建立的模型对另一品种相同指标的预测性能较差;比较分析两个品种鸡蛋的平均光谱及其光谱矩阵的主成分得分空间分布,发现两个品种鸡蛋的平均光谱在近红外区域差异不明显,在可见光区域有明显差异;两个品种鸡蛋的光谱矩阵主成分得分空间分布图显示罗曼粉壳鸡蛋样本的主成分得分空间分布不能完全覆盖海蓝褐壳鸡蛋样本的主成分得分空间,即单一品种鸡蛋建立的预测模型适用性差。分别利用全局更新、直接校正和斜率/截距校正三种算法对海蓝褐壳鸡蛋和罗曼粉壳鸡蛋哈夫值、蛋黄指数、S-卵白蛋白含量可见-近红外光谱检测模型进行优化,比较不同方法模型优化结果,发现3种模型优化方法均能对优化前最佳模型的预测性能进行不同程度地改善。其中经过全局更新优化后的通用模型对预测性能的改善效果最好。利用全局更新方法建立的两个品种鸡蛋哈夫值通用预测模型对海蓝褐壳鸡蛋的预测性能为Rp2为0.770,RMSEP为9.063,RPD为2.017,对罗曼粉壳鸡蛋的预测性能为Rp2为0.834,RMSEP为8.753,RPD为2.231;蛋黄指数通用预测模型对海蓝褐壳鸡蛋的预测性能为Rp2为0.780,RMSEP为0.029,RPD为1.837,对罗曼粉壳鸡蛋的预测性能为Rp2为0.684,RMSEP为0.038,RPD为1.555;S-卵白蛋白含量通用预测模型对海蓝褐壳鸡蛋的预测性能为Rp2为0.936,RMSEP为0.069,RPD为3.649,对罗曼粉壳鸡蛋的预测性能为Rp2为0.839,RMSEP为0.112,RPD为2.035。优化后的模型更稳定、可靠、准确,且能够同时适用于两个品种鸡蛋的新鲜度和S-卵白蛋白含量预测,为后续开发蛋新鲜度指标及S-卵白蛋白含量无损检测装置奠定了基础。6)蛋新鲜度指标及S-卵白蛋白含量无损检测装置研究利用USB2000+光谱仪,对蛋新鲜度指标及S-卵白蛋白含量快速检测装置进行总体设计,选取合适的关键部件,包括可调光源、散热装置、光谱采集单元等等,并将其进行了组装与调试。根据建立的同时适用于两个品种鸡蛋新鲜度指标及S-卵白蛋白含量无损检测模型,利用Qt软件开发平台开发了蛋新鲜度指标及S-卵白蛋白含量快速检测软件。利用搭建的硬件装置与开发的检测软件,实现了蛋新鲜度指标及S-卵白蛋白含量无损检测。
臧振东[7](2020)在《多尺度精细化电量预测及主导因素研究》文中进行了进一步梳理中长期用电量根据时间尺度不同可以划分为月度用电量、季度用电量和年度用电量。其中,年度用电量时间序列多作为一项重要的经济指标,参与计量经济问题的研究分析之中,分析与其他经济因素量的相关关系;月度用电量时间序列因其自身的复杂特征,使得单一预测方法难以达到理想的预测精度。本文通过挖掘出影响用电量增长的主导因素,用以指导月度用电量的预测工作,并建立模型实现对月度用电量的预测,主要研究内容如下:首先,本文采用Apriori数据挖掘算法挖掘出影响用电量增长的相关因素,为了使用电量和各指标增长率数据适用于Apriori算法,采用模糊数学理论中的隶属度函数对增长率数据进行预处理。针对建立隶属度函数时临界值的选取过于依赖主观经验的问题,本文采用最优划分算法选取隶属度函数的临界值。将模糊数学理论同Apriori数据挖掘算法相结合,挖掘出影响用电量增长的主导因素。其次,在时间序列方法的大范围内,本文提出了一种基于多尺度分解的精细化电量预测方法。采用X12季节分解方法将月度用电量时间序列进行多尺度分解,将原本复杂的时间序列分解为相对简单的三个分量,分别为趋势循环分量、季节分量和不规则分量。挖掘出影响用电量增长的经济社会发展因素后,选取逐步回归方法对这些影响因素再次进行筛选,选择对用电量预测具有较高贡献的影响因素作为自变量,以用电量趋势分量作为因变量建立回归方程进行预测;针对第一季度各月用电量受到春节影响的问题,结合X12方法分解出的不规则分量,建立二次曲线模型实现对不规则分量第一季度各月值的预测;采用往期值作为季节分量预测值。将三个分量的预测结果合并得到最终预测结果,相较于单一预测模型提高了预测精度,解决了春节效应对月度用电量预测的扰动问题,寻找出了对用电量预测具有较高贡献的影响因素。再次,除时间序列法外,本文引入人工智能算法,探究在月度用电量预测中的应用。采用经验模态分解算法消除春节效应对训练神经网络的影响。针对BP神经网络在贫样本条件下训练结果不稳定的问题,本文利用遗传算法搜寻最优解能力较强的特点,将遗传算法与BP神经网络结合,提高BP神经网络的稳定性。针对遗传算法容易陷入早熟的问题,本文引入两个种群分别进行遗传迭代,一个种群搜寻全局最优解,一个种群搜寻局部最优解,扩大遗传算法搜寻最优解的范围。最后,考虑到季度用电量抗干扰能力较强,预测结果的获取相对容易,本文在季度用电量预测精度高于月度用电量预测精度的情况下,提出基于季度用电量预测值的月度用电量预测值调整模型。在获取季度用电量预测值和月度用电量预测值之后,建立求解月度用电量预测值调整量的等式约束模型,实现对月度用电量预测值的修正,进一步提高预测精度。
谭丞轩[8](2020)在《基于无人机多光谱遥感的大田玉米土壤含水率估算模型研究》文中研究表明农田土壤水分是作物生长发育的基本条件,及时准确地获取农田土壤水分状况是监测农业墒情和和指导灌溉决策的基础和关键。无人机多光谱遥感具有成本低、高机动性、高时效性等优势,可快速地获取高时空分辨率遥感影像,进而对农田土壤水分状况进行实时有效地监测。因此本研究以不同水分处理的大田玉米为研究对象,利用六旋翼无人机搭载五波段多光谱相机获取玉米关键生育期的多光谱遥感影像,并同时采集玉米生理生化参数、冠层温度和不同深度土壤含水率数据。通过支持向量机(SVM)分类剔除土壤背景,提取玉米冠层光谱反射率并计算多种植被指数,分析玉米在不同水分亏缺处理下的光谱响应特征,探究植被光谱、冠层温度与不同深度土壤含水率之间的相关关系,采用不同的光谱筛选方法和数学建模方法建立不同生育期、不同深度土壤含水率反演模型,并采用不同的精度评价指标进行反演模型的综合论证与评价。得到的主要结果如下:(1)构建了不同生育期条件下玉米根域土壤含水率的机器学习模型。利用灰度关联分析筛选出的在不同生育期下对土壤含水率敏感的植被指数不尽相同,筛选出的植被指数有NDVI、MSR、RVI、SIPI、RVI2、NDVIg-b和GI等7种植被指数,并发现基于不同波段光谱构建的植被指数随生育期的变化有所不同,对水分胁迫状况的响应也存在一定的差异。在模型反演中,发现3种机器学习方法中支持向量机回归(SVR)模型在各生育期取得了最佳的反演效果,且模型鲁棒性较好,反向传播神经网络(BPNN)模型次之,多元混合线性回归(Cubist)模型最差。从生育期反演效果来看,植被光谱与土壤含水率在玉米营养生长期(V期)和成熟期(M期)的模型效果较优,生殖期(R期)效果较差,但在全生育期也有较高的建模和预测精度,R2均在0.68以上,表明利用灰度关联分析与机器学习相结合的方法估算土壤含水率是可行的。其中SVR在M期的模型效果最优,建模集和验证集R2分别为0.851和0.875,均方根误差(RMSE)均为0.7%,标准均方根误差(NRMSE)分别为8.17%和8.32%。(2)构建了基于全子集-极限学习机回归的不同深度土壤含水率反演模型。不同水分处理下的玉米冠层光谱反射率全部呈现出“先增后降再上升”的趋势,即在可见光谱段反射率偏低,而在近红外谱段反射率偏高。利用全子集进行最优光谱组合的筛选,发现不同条件下筛选出的敏感光谱组合差异很大,但筛选变量基本都通过了显着性检验,且自变量个数较少(2-6),表明全子集筛选法具有简易高效的优势。在反演土壤含水率中,发现玉米在同一生育期、同一深度条件下,极限学习机(ELM)模型效果均要优于岭回归(RR)模型。并且不同生育期的最佳监测深度并不相同,玉米在拔节期、抽雄-吐丝期的最佳监测深度为0-20 cm,在乳熟-成熟期的最佳监测深度为20-45 cm。其中乳熟-成熟期的20-45 cm深度下的ELM反演模型效果最优,其建模集Rc2和验证集Rv2分别为0.825和0.750,建模集RMSEc和验证集RMSEv分别为1.00%、1.32%,建模集NRMSEc和验证集NRMSEv分别为10.85%、13.55%。(3)构建了植被指数与冠层温度联合诊断玉米土壤含水率反演模型。植被指数与玉米生理参数具有显着的相关性,相关系数均在0.51以上,各植被指数与株高相关系数甚至达到了0.8左右。植被指数和冠层温度与不同深度土壤含水率分别呈现显着正相关和显着负相关关系,二者与0-20 cm深度土壤含水率的相关系数均在0.69以上,与20-45 cm深度土壤含水率的相关系数均在0.53以上。基于植被光谱与冠层温度相结合的土壤含水率诊断方法,其模型效果明显要优于单纯利用植被指数或者冠层温度反演土壤含水率的模型效果,表明该研究方法在土壤含水率反演研究中具有一定的应用潜力。
王文倩[9](2020)在《苹果园地土壤全氮含量的高光谱参数及估测模型研究》文中研究说明氮(N)是维持果树生长必需的营养元素和评价园地肥力的重要指标之一,土壤氮素含量的多寡直接影响果树的生长发育和果实的品质。统计资料表明,我国氮肥单位面积施用量约是美国的2.5倍,果农为了增加产量盲目施肥,不仅导致氮肥利用率低、资源浪费,还造成土地和水污染,影响了园地的可持续利用。因此,及时准确地监测果园土壤中氮素的含量水平对果园科学施肥和园地质量精准管理具有重要意义。传统的采样化验分析方法会在一定程度上损坏果树根系,且化验成本高、时间长,在果园管理中的应用受到很大限制。土壤理化性质的光谱估测技术发展为果园土壤监测和管理带来了新途径,对土壤全氮(Total Nitrogen,TN)的光谱估测也取得不少成果。但苹果园多分布于山地丘陵区,受地理、气候及土壤质地等因素的影响,果园土壤含氮量较低,光谱信号弱,易被干扰或掩盖,有效光谱信息较难获取。针对这些问题,本研究以山东省济南市长清区双泉镇一苹果园地为实验区,分别在果园幼果期、膨果期、品质期和月子期四个施肥期前10天采集土壤样品并测定土壤TN含量,利用ASD FieldSpec3地物光谱仪采集土壤样品的室外光谱数据,分析不同施肥采样期土壤TN光谱特征,对土壤反射率R进行1/R、LogR、R、(R)′、(1/R)′、(LogR)′、(R)′、CR共8种光谱变换和连续小波变换处理,并进行了基于全波段范围的光谱特征参数筛选,采用相关系数法和逐步回归分析(SMLR)法提取土壤TN的光谱特征波段,分别基于多元线性回归(MLR)和思维进化算法优化的BP神经网络(MEA-BP)方法构建光谱估测模型,并优选果园土壤TN的光谱估测流程。主要结果如下:(1)确定了苹果园地土壤TN的特征谱段范围基于不同施肥期的光谱数据,对土壤原始光谱R及其8种变换形式,分别采用相关系数法和多元逐步回归(SMLR)法进行土壤TN含量特征波段的筛选,总体来看土壤TN的光谱敏感区主要集中于500-900nm、1400-1500nm、1900-1950nm和2200-2400nm波段范围,其中全施肥期光谱数据中562nm、706nm、808nm、1933nm和2345nm波段受土壤TN含量的影响较为显着;幼果期541nm、808nm、1423nm、1462nm和2423nm波段受影响显着;膨果期554nm、812nm、1931nm和2301nm波段受影响显着;品质期556nm、826nm、2041nm、2313nm和2450nm波段受影响显着;月子期562nm、809nm、858nm、1912nm和2269nm波段受影响显着。(2)确立了苹果园地土壤特征光谱指数的筛选方法选取RSI、DI和NDSI三种常见的光谱指数,采用矩阵全波段两两组合方式,计算土壤原始光谱反射400-2450nm波段范围内所有光谱指数与土壤TN含量的相关性,确定了光谱指数的土壤TN含量敏感区不因采样期时间的不同发生大的变化,其中比值光谱指数(RSI)的敏感区域位于800-900nm、1900-1950nm和2200-2300nm波段范围内,差值光谱指数(DI)和归一化光谱参数(NDSI)的敏感区域均位于1900-1950nm和2200-2300nm波段范围内。(3)确定土壤TN含量特征谱段的筛选方式和光谱指数修正模型的建模效果针对不同施肥期,基于特征波段和特征光谱指数,构建土壤TN含量的MLR和MEA-BP神经网络估测模型,确定基于SMLR方法筛选的特征波段构建的模型预测效果较好,光谱指数的加入能够进一步提高模型的建模精度,其中幼果期、膨果期、品质期、月子期和全年统一的土壤TN含量最佳估测模型均为CR-SCI-MEA-BP神经网络模型。(4)引入连续小波变换构建果园不同施肥期独立和统一的土壤TN光谱估测模型基于土壤原始反射率及其8种变换,利用Gaus4函数对9种形式的光谱进行10个尺度的连续小波变换,利用SMLR方法确定最适分解尺度并提取小波系数,基于最佳尺度的小波系数和特征光谱参数,分别构建果园不同施肥期和全年的土壤TN的MLR和MEA-BP神经网络模型。结果显示:耦合传统光谱变换与连续小波变换可以提升土壤光谱对土壤TN的敏感性,模型精度也有所提升;综合考虑建模决定系数和预测效果,确定该果园各施肥期独立和统一的土壤TN含量估测模型均为基于CR-CWT-SCI-MEABP模型,5期模型的预测精度分别达到0.95、0.96、0.95、0.95和0.91,RMSE分别是0.0027、0.0023、0.0029、0.0026和0.0031。(5)优选提出了土壤TN含量的光谱估测流程从果园土壤TN含量快速、无损监测的需要出发,对比分析了研究中所用的光谱估测关键技术,形成了完整流程,即首先对土壤原始光谱R进行连续统去除(CR)和连续小波(CWT)的耦合处理,采用SMLR方法筛选第5尺度的特征小波系数;然后进行800-900nm、1900-1950nm和2200-2300nm波段范围内土壤特征光谱指数的逐波段计算,并筛选出相关性最好的特征指数;最后基于特征小波系数和特征光谱指数采用MEA-BP神经网络构建土壤TN含量的光谱估测模型。目前我国苹果园地的生产管理正处于新旧产能的交替阶段,部分果园逐步由传统粗放管理转向精确动态化管理。本研究利用土壤高光谱技术,探讨了不同施肥期果园土壤TN对应的光谱特征,建立了估测模型,优选提出了果园不同时期和全年统一的土壤TN快速估测技术流程,为今后开展苹果园地土壤TN的数字化无损诊断和园地质量的精准动态管理提供技术支持。
雷冠军[10](2020)在《基于数据融合的丰满水库长期径流预报研究》文中研究表明我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:(1)运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。(2)基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。(3)运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。(4)采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。(5)绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。(6)将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
二、小样本多元逐步回归的最优筛选分析(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小样本多元逐步回归的最优筛选分析(论文提纲范文)
(1)有机过氧化物自加速分解温度的预测模型研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 有机过氧化物的热危险性 |
1.2.1 热危险性的表征参数 |
1.2.2 自加速分解温度(SADT) |
1.3 有机过氧化物自加速分解温度研究进展 |
1.3.1 自加速分解温度实验研究进展 |
1.3.2 自加速分解温度预测模型研究进展 |
1.4 定量构效关系概述 |
1.4.1 分子描述符种类 |
1.4.2 分子描述符计算软件 |
1.4.3 分子描述符选择 |
1.4.4 训练集和测试集的划分 |
1.4.5 建模方法 |
1.5 论文研究内容 |
2 有机过氧化物的自加速分解温度预测模型构建 |
2.1 数据集 |
2.2 分子描述符的计算 |
2.3 描述符的选择 |
2.4 建模方法 |
2.4.1 多元线性回归 |
2.4.2 支持向量机 |
2.5 模型的评价 |
2.5.1 模型的内部验证 |
2.5.2 模型的外部检验 |
2.6 模型的应用域 |
2.7 本章小结 |
3 基于多元线性回归的SADT预测模型研究 |
3.1 引言 |
3.2 基于随机方法划分数据集对SADT的预测 |
3.3 基于空间多样性子集法划分数据集对SADT预测 |
3.3.1 空间多样性子集法 |
3.3.2 基于空间多样性子集法划分数据集的模型预测结果 |
3.4 结果与讨论 |
3.5 本章小结 |
4 基于支持向量机的SADT预测模型研究 |
4.1 引言 |
4.2 基于随机方法划分数据集的支持向量机模型预测 |
4.2.1 数据预处理 |
4.2.2 参数优化过程 |
4.2.3 基于随机方法划分数据集的模型预测结果 |
4.3 基于空间多样性子集法划分数据集的支持向量机模型预测 |
4.3.1 数据预处理 |
4.3.2 参数优化过程 |
4.3.3 基于空间多样性子集法划分数据集的模型预测结果 |
4.4 结果与讨论 |
4.5 模型的比较 |
4.6 本章小结 |
5 结论 |
参考文献 |
致谢 |
攻读硕士学位期间发表学术论文情况 |
(2)结合Sentinel-2与SAR数据的龙南县针叶林蓄积量估测模型研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 遥感数据源国内外研究现状 |
1.2.2 森林蓄积量遥感反演研究进展 |
1.3 存在的问题与发展趋势 |
1.4 课题来源 |
1.5 研究方案与技术路线图 |
2 研究区概况 |
2.1 研究区位置图 |
2.2 研究区基本情况 |
2.2.1 气候条件 |
2.2.2 植被状况 |
2.2.3 地形地貌 |
3 数据获取及预处理 |
3.1 数据源及预处理 |
3.1.1 遥感数据源 |
3.1.2 地面样地数据 |
3.2 遥感影像预处理 |
3.2.1 Sentinel-2遥感影像预处理 |
3.2.2 合成孔径雷达数据预处理 |
3.3 本章小结 |
4 遥感变量提取及筛选 |
4.1 Sentinel-2变量提取 |
4.1.1 Sentinel-2光谱变量提取 |
4.1.2 Sentinel-2红边波段纹理特征提取 |
4.2 PALSAR2因子提取 |
4.3 相关性分析 |
4.4 遥感变量筛选 |
4.4.1 多元逐步回归法 |
4.4.2 Boruta变量筛选法 |
4.4.3 Boruta变量选择结果如下表 |
4.5 本章小结 |
5 龙南县森林蓄积量反演模型构建及精度评价 |
5.1 多元线性逐步回归 |
5.2 随机森林模型 |
5.3 kNN(最近邻) |
5.4 改进kNN |
5.5 模型验证及评价指标 |
5.6 本章小结 |
6 龙南县森林蓄积量反演结果 |
6.1 变量筛选结果 |
6.2 蓄积量反演模型结果与分析 |
6.2.1 低郁闭度森林蓄积量反演结果 |
6.2.2 高郁闭度森林蓄积量反演结果 |
6.3 模型拟合分析 |
6.4 龙南县针叶林森林蓄积量空间分布 |
6.5 本章小结 |
7 结论与讨论 |
7.1 结论 |
7.2 创新点 |
7.3 讨论 |
参考文献 |
附录 攻读学位期间的主要学术成果 |
致谢 |
(3)基于多源遥感数据的旺业甸林场森林蓄积量估测方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 前言 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 样地实测法 |
1.2.2 遥感估测法 |
1.3 课题来源 |
1.4 研究内容与技术路线 |
1.4.1 主要研究内容 |
1.4.2 技术路线 |
1.5 论文结构 |
2 研究区概况及数据预处理 |
2.1 研究区概况 |
2.2 遥感数据获取与预处理 |
2.2.1 Landsat 8数据介绍 |
2.2.2 Landsat 8数据预处理 |
2.2.3 GF-2数据介绍 |
2.2.4 GF-2数据预处理 |
2.2.5 Sentinel-1SAR数据介绍 |
2.2.6 Sentinel-1SAR数据预处理 |
2.3 地面调查与内业处理 |
2.3.1 地面调查 |
2.3.2 内业处理 |
2.4 本章小结 |
3 特征变量筛选及森林蓄积量估测 |
3.1 特征变量提取 |
3.1.1 光学遥感数据特征变量的提取 |
3.1.2 SAR数据特征变量的提取 |
3.2 相关性分析 |
3.3 特征变量筛选 |
3.4 森林蓄积量估测模型介绍 |
3.4.1 多元线性回归模型 |
3.4.2 多层感知机回归模型 |
3.4.3 k-近邻回归模型 |
3.4.4 支持向量机回归模型 |
3.4.5 随机森林回归模型 |
3.5 模型精度评价 |
3.6 本章小结 |
4 森林蓄积量估测结果及空间分布 |
4.1 特征变量筛选结果 |
4.1.1 Landsat 8数据特征变量筛选结果 |
4.1.2 GF-2数据特征变量筛选结果 |
4.1.3 多源遥感数据特征变量筛选结果 |
4.2 森林蓄积量估测结果 |
4.2.1 基于Landsat 8数据估测森林蓄积量 |
4.2.2 基于GF-2数据估测森林蓄积量 |
4.2.3 基于多源遥感数据估测森林蓄积量 |
4.3 森林蓄积量估测模型对比分析 |
4.4 森林蓄积量空间分布 |
4.5 本章小结 |
5 结论与讨论 |
5.1 结论 |
5.2 讨论 |
5.3 不足与展望 |
5.4 创新点 |
参考文献 |
致谢 |
(4)基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究目的与意义 |
1.3 国内外研究现状 |
1.3.1 基于不同数据源的研究现状 |
1.3.2 不同估算方法的国内外研究现状 |
1.3.3 森林AGB估算的主要林分类型 |
1.4 研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 研究技术路线 |
2 研究区域概况及数据 |
2.1 研究区概况 |
2.1.1 地理位置 |
2.1.2 地形及气候 |
2.1.3 主要植被 |
2.2 样地数据 |
2.3 遥感数据获取及预处理 |
2.3.1 ALS数据获取及预处理 |
2.3.2 Sentinel-2A数据获取及预处理 |
3 研究方法 |
3.1 样地AGB的计算 |
3.2 特征变量提取 |
3.2.1 ALS数据特征变量提取 |
3.2.2 Sentinel-2A数据特征变量提取 |
3.3 特征变量筛选 |
3.4 特征变量组合 |
3.5 建模方法 |
3.5.1 多元线性逐步回归 |
3.5.2 K-最近邻 |
3.5.3 支持向量回归 |
3.5.4 随机森林 |
3.5.5 堆叠稀疏自编码器模型 |
3.6 模型精度评价 |
4 结果与分析 |
4.1 特征变量筛选结果 |
4.2 特征变量组合结果 |
4.2.1 结合变量(COLIs)的构建 |
4.2.2 与未经过筛选的变量进行组合结果 |
4.2.3 与经过筛选的变量进行组合结果 |
4.3 SMLR因子共线性分析结果 |
4.3.1 未筛选变量的SMLR因子共线性分析 |
4.3.2 筛选后变量的SMLR因子共线性分析 |
4.3.3 与未筛选变量组合的SMLR因子共线性分析 |
4.3.4 与筛选后变量组合的SMLR因子共线性分析 |
4.4 森林AGB估算结果 |
4.4.1 基于特征变量筛选后的森林AGB估算 |
4.4.2 基于特征变量组合的森林AGB估算 |
4.5 估算森林AGB总体分析 |
4.5.1 特征变量筛选后是否组合变量的对比分析 |
4.5.2 变量组合前是否特征变量筛选的对比分析 |
4.5.3 估算模型对比分析 |
4.5.4 特征变量组合分析 |
4.6 生物量分布图 |
5 结论与讨论 |
5.1 结论 |
5.2 讨论 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
附件 |
(5)矿区水体pH值与土壤Zn含量高光谱定量反演研究(论文提纲范文)
摘要 |
abstract |
1 引言 |
1.1 选题背景与研究意义 |
1.2 国内外研究现状 |
1.2.1 高光谱反演研究现状 |
1.2.2 遥感水质参数反演研究现状 |
1.2.3 高光谱土壤重金属反演研究现状 |
1.2.4 研究区研究现状 |
1.3 研究目标与研究内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 技术路线 |
1.4 创新点 |
1.5 论文组织结构 |
2 研究区概况及数据获取 |
2.1 研究区概况 |
2.1.1 德兴铜矿研究区概况 |
2.1.2 胜利煤矿研究区概况 |
2.2 水体和土壤样品采集 |
2.2.1 水体样品采集 |
2.2.2 土壤样品和光谱采集 |
2.2.3 样本pH值和重金属含量测定 |
2.3 航空高光谱影像获取 |
2.3.1 水体航空高光谱数据 |
2.3.2 土壤航空高光谱数据 |
3 光谱预处理 |
3.1 水体光谱SG平滑去噪 |
3.2 土壤光谱波段去除 |
3.3 光谱反射率变换方法 |
3.3.1 常用光谱反射率变换 |
3.3.2 光谱指数反射率变换 |
4 地物光谱响应特征 |
4.1 水体光谱特征分析 |
4.2 土壤光谱特征分析 |
4.3 相关系数法光谱响应特征分析 |
4.3.1 Pearson相关系数计算 |
4.3.2 初始相关性分析 |
4.3.3 MRSI光谱变换与相关性分析。 |
5 地表参量定量反演研究 |
5.1 模型研究方法 |
5.1.1 多元回归模型 |
5.1.2 多元逐步回归模型 |
5.1.3 支持向量机回归模型 |
5.2 样本划分和模型评价 |
5.3 模型构建与评价 |
5.3.1 水体pH值回归模型构建 |
5.3.2 土壤Zn含量回归模型构建 |
5.4 高光谱影像反演 |
5.4.1 水体pH值定量反演 |
5.4.2 土壤重金属定量反演 |
6 总结 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录 作者简介 |
(6)贮期鸡蛋蛋白质含量品质的光谱无损检测方法及装置研发(论文提纲范文)
摘要 |
ABSTRACT |
缩略语表 |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 鸡蛋品质无损检测方法研究现状 |
1.2.2 光谱技术在农产品品质无损检测中的研究现状 |
1.2.3 国内外同类研究现状总结及启示 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 本章小结 |
2 贮期鸡蛋品质和蛋清主要蛋白质含量的变化规律及相关关系 |
2.1 前言 |
2.2 材料与方法 |
2.2.1 试验材料与分组 |
2.2.2 试验仪器 |
2.2.3 试验方法 |
2.3 结果与分析 |
2.3.1 鸡蛋品质指标及主要蛋白质含量的统计及其变化规律 |
2.3.2 鸡蛋品质指标与蛋白质含量的相关性分析 |
2.3.3 鸡蛋品质指标与蛋清蛋白含量的灰色关联度分析 |
2.3.4 等价蛋龄预测模型 |
2.3.5 不同品种鸡蛋品质与S-卵白蛋白含量相关性分析 |
2.4 本章小结 |
3 基于高光谱成像技术的鸡蛋新鲜度、酸碱度及黏度检测 |
3.1 前言 |
3.2 材料与方法 |
3.2.1 试验材料与分组 |
3.2.2 试验装置 |
3.2.3 试验方法 |
3.2.4 光谱数据分析方法 |
3.3 结果与分析 |
3.3.1 鸡蛋新鲜度、酸碱度及黏度的相关性 |
3.3.2 光谱数据预处理 |
3.3.3 竞争性自适应重加权算法提取特征波长 |
3.3.4 连续投影算法提取特征波长 |
3.3.5 二次特征波长提取 |
3.3.6 新鲜度、酸碱度及黏度预测模型的建立与验证 |
3.4 本章小节 |
4 基于高光谱成像技术的S-卵白蛋白含量无损检测及其可视化 |
4.1 前言 |
4.2 材料与方法 |
4.2.1 试验材料与分组 |
4.2.2 试验仪器 |
4.2.3 S-卵白蛋白含量测定 |
4.2.4 光谱、图像数据分析方法 |
4.3 结果与分析 |
4.3.1 样本集的划分 |
4.3.2 基于图像特征参数的S-卵白蛋白含量预测 |
4.3.3 基于特征波长的S-卵白蛋白含量预测 |
4.3.4 基于图像—光谱融合信息的无损预测模型 |
4.3.5 S-卵白蛋白含量可视化 |
4.4 本章小结 |
5 基于可见-近红外光谱技术的鸡蛋新鲜度指标及S-卵白蛋白含量无损检测 |
5.1 前言 |
5.2 材料与方法 |
5.2.1 试验材料与分组 |
5.2.2 试验仪器 |
5.2.3 鸡蛋新鲜度指标及S-卵白蛋白含量的测定 |
5.2.4 光谱数据分析方法 |
5.3 结果与分析 |
5.3.1 不同样本划分方法对原始全波段光谱预测模型的影响 |
5.3.2 海蓝褐壳鸡蛋新鲜度指标及S-卵白蛋白含量的光谱建模 |
5.3.3 罗曼粉壳鸡蛋新鲜度指标及S-卵白蛋白含量的光谱建模 |
5.4 本章小节 |
6 不同品种鸡蛋新鲜度指标及S-卵白蛋白含量预测模型优化 |
6.1 前言 |
6.2 模型优化的基本原理与方法 |
6.2.1 基于模型全局更新的模型优化 |
6.2.2 基于直接校正的模型优化 |
6.2.3 基于斜率/截距校正的模型优化 |
6.3 模型适用性检验 |
6.3.1 模型验证法 |
6.3.2 平均光谱法 |
6.3.3 主成分得分空间分布法 |
6.3.4 模型适用性检验结果 |
6.4 鸡蛋哈夫值模型优化结果 |
6.4.1 全局更新 |
6.4.2 直接校正 |
6.4.3 斜率/截距校正 |
6.5 鸡蛋蛋黄指数模型优化结果 |
6.5.1 全局更新 |
6.5.2 直接校正 |
6.5.3 斜率/截距校正 |
6.6 鸡蛋S-卵白蛋白含量模型优化结果 |
6.6.1 全局更新 |
6.6.2 直接校正 |
6.6.3 斜率/截距校正 |
6.7 不同方法模型优化结果比较 |
6.8 本章小结 |
7 蛋新鲜度指标及S-卵白蛋白含量无损检测装置研究 |
7.1 前言 |
7.2 蛋新鲜度指标及S-卵白蛋白含量无损检测装置设计 |
7.2.1 检测装置总体设计 |
7.2.2 检测装置关键部件选择 |
7.2.3 检测装置组装与调试 |
7.3 蛋新鲜度指标及S-卵白蛋白含量无损检测软件系统设计 |
7.3.1 软件开发平台简介 |
7.3.2 软件功能需求分析 |
7.3.3 软件流程及功能实现 |
7.4 蛋新鲜度指标及S-卵白蛋白含量无损检测装置功能检验 |
7.5 本章小结 |
8 结论与展望 |
8.1 研究结论 |
8.2 主要创新点 |
8.3 研究展望 |
参考文献 |
附录A 课题来源 |
附录B 攻读博士学位期间的主要科研成果 |
致谢 |
(7)多尺度精细化电量预测及主导因素研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 数据填充技术 |
1.2.2 负荷预测技术 |
1.3 论文研究内容及意义 |
第二章 用电量影响因素分析 |
2.1 年度用电量分析及相关因素指标选取 |
2.2 隶属度函数 |
2.3 有序聚类算法 |
2.4 Apriori关联规则算法 |
2.4.1 Apriori关联规则算法基本原理及步骤 |
2.4.2 模糊数学与Apriori算法结合 |
2.5 算例分析 |
第三章 基于多尺度分解的月度用电量预测方法 |
3.1 月度用电量曲线分析 |
3.2 数据预处理 |
3.2.1 常用的数据填充方法 |
3.2.2 基于灰色关联分析的数据填充算法 |
3.2.3 算例分析 |
3.3 X12 季节分解法 |
3.4 基于逐步回归方法的趋势分量预测 |
3.4.1 逐步回归原理 |
3.4.2 用电量趋势分量预测算例 |
3.5 不规则分量值的预测 |
3.5.1 不规则分量值第一季度的预测 |
3.6 不规则分量其余月份的预测 |
3.7 月度用电量预测结果 |
第四章 基于双种群GA-BP神经网络的月度用电量预测 |
4.1 经验模态分解 |
4.1.1 经验模态分解算法基本原理 |
4.1.2 经验模态分解算法步骤 |
4.2 BP神经网络 |
4.2.1 人工神经网络基本原理 |
4.2.2 BP神经网络基本原理 |
4.3 双种群GA-BP神经网络 |
4.3.1 双种群遗传算法简介 |
4.3.2 基因的编码和解码 |
4.3.3 适应度函数 |
4.3.4 选择 |
4.3.5 交叉变异 |
4.3.6 迁徙 |
4.3.7 双种群GA-BP算术流程 |
4.4 基于季度用电量预测值得月度用电量预测值调整 |
4.4.1 季度用电量分析 |
4.5 基于EMD分解的GA-BP神经网络算法算例 |
4.5.1 EMD分解算例 |
4.5.2 GA-BP神经网络初始参数的设定 |
4.5.3 双种群GA-BP神经网络算例 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
附录A |
作者简介 |
(8)基于无人机多光谱遥感的大田玉米土壤含水率估算模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景、目的及意义 |
1.2 国内外研究进展 |
1.2.1 遥感反演土壤含水率研究进展 |
1.2.2 无人机遥感监测作物水分胁迫的研究进展 |
1.2.3 无人机遥感监测作物生理生化参数的研究进展 |
1.3 存在的问题 |
1.4 研究内容与技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
第二章 材料与方法 |
2.1 试验区概况 |
2.2 试验设计 |
2.2.1 试验区域设计 |
2.2.2 水分梯度设计 |
2.3 无人机多光谱系统 |
2.4 试验数据采集与方法 |
2.4.1 玉米根域土壤含水率数据的采集 |
2.4.2 玉米冠层温度数据的采集 |
2.4.3 玉米生理参数的数据采集 |
2.5 植被指数的计算 |
2.6 敏感光谱数据的筛选 |
2.6.1 灰度关联分析法 |
2.6.2 全子集筛选法 |
2.7 光谱模型的构建 |
2.7.1 多元混合线性回归模型 |
2.7.2 反向传播神经网络模型 |
2.7.3 支持向量机回归模型 |
2.7.4 岭回归模型 |
2.7.5 极限学习机模型 |
2.8 模型精度评价指标 |
第三章 基于机器学习的玉米根域土壤含水率反演研究 |
3.1 数据获取与处理 |
3.1.1 植被指数的提取 |
3.1.2 建模集和验证集的划分 |
3.2 基于灰度关联分析的植被指数选择 |
3.3 植被指数变化 |
3.4 基于机器学习的敏感植被指数与土壤含水率的模型构建 |
3.4.1 基于Cubist的土壤含水率模型构建 |
3.4.2 基于BP神经网络的土壤含水率模型构建 |
3.4.3 基于支持向量机的土壤含水率模型构建 |
3.4.4 模型的综合评价 |
3.5 讨论 |
3.6 本章小结 |
第四章 基于全子集-极限学习机的不同深度土壤含水率反演研究 |
4.1 数据获取与处理 |
4.1.1 多光谱图像处理 |
4.1.2 建模集和验证集的划分 |
4.2 冠层光谱反射率的变化 |
4.3 全子集筛选最佳光谱组合 |
4.4 基于全子集筛选的不同深度土壤含水率的模型构建 |
4.4.1 岭回归模型构建 |
4.4.2 极限学习机模型构建 |
4.4.3 模型的综合论证 |
4.5 讨论 |
4.6 本章小结 |
第五章 植被指数与冠层温度联合诊断玉米土壤含水率研究 |
5.1 植被指数与玉米生理参数的相关性分析 |
5.2 植被指数与土壤含水率的相关性分析 |
5.3 冠层温度与土壤含水率的相关性分析 |
5.4 植被指数与冠层温度联合诊断土壤含水率的反演研究 |
5.5 讨论 |
5.6 本章小结 |
第六章 结论与展望 |
6.1 研究结论 |
6.2 不足与展望 |
参考文献 |
致谢 |
个人简历 |
(9)苹果园地土壤全氮含量的高光谱参数及估测模型研究(论文提纲范文)
符号说明 |
中文摘要 |
英文摘要 |
1 前言 |
1.1 研究背景及意义 |
1.2 土壤全氮含量的光谱估测技术研究进展 |
1.2.1 土壤光谱预处理研究进展 |
1.2.2 土壤光谱指数的研究进展 |
1.2.3 土壤全氮含量的光谱估测模型研究 |
1.3 高光谱技术在监测果园土壤氮素研究中存在的问题 |
1.4 研究内容 |
1.4.1 土壤全氮含量的特征波段提取 |
1.4.2 土壤全氮含量的光谱特征指数的筛选 |
1.4.3 土壤全氮含量的光谱估测模型构建 |
1.4.4 基于连续小波变换的土壤全氮含量光谱估测研究 |
1.4.5 果园土壤全氮含量的高光谱估测流程优选 |
1.5 研究技术路线 |
2 研究区概况与数据处理 |
2.1 研究区概况 |
2.2 土壤样本的采集 |
2.3 光谱数据采集与化验分析 |
2.3.1 土壤样本的预处理 |
2.3.2 土壤光谱数据的采集 |
2.3.3 土壤样本的化验分析 |
2.4 光谱数据预处理 |
2.4.1 土壤光谱断点矫正及边缘噪声波段的去除 |
2.4.2 SG平滑 |
2.4.3 光谱变换 |
2.4.4 数据求导 |
2.4.5 连续统去除 |
2.4.6 结果分析 |
3 苹果园地不同施肥期土壤全氮特征谱段及光谱参量的筛选 |
3.1 不同施肥期土壤含氮量及其光谱特征 |
3.1.1 不同施肥期土壤全氮含量统计特征 |
3.1.2 不同施肥期土壤光谱的变化特征 |
3.2 土壤全氮的特征谱段提取 |
3.2.1 特征谱段的提取方法 |
3.2.2 结果分析 |
3.3 苹果园地土壤全氮含量的光谱特征指数筛选 |
3.3.1 数据处理 |
3.3.2 基于全波段范围内的光谱特征指数 |
3.4 小结 |
4 苹果园地土壤全氮含量的光谱估测研究 |
4.1 数据处理与方法 |
4.1.1 数据处理 |
4.1.2 建模方法 |
4.2 不同施肥期土壤全氮含量高光谱估测模型 |
4.2.1 一元回归分析 |
4.2.2 多元回归分析 |
4.2.3 基于思维进化算法优化的BP神经网络估测模型研究 |
4.2.4 基于光谱指数的模型优选 |
4.3 全施肥期土壤全氮含量高光谱估测模型 |
4.4 小结 |
5 基于小波分析的土壤全氮含量的高光谱估测及模型优选 |
5.1 数据处理与方法 |
5.1.1 数据处理 |
5.1.2 小波分析 |
5.2 基于小波分析的土壤全氮含量的高光谱估测 |
5.2.1 光谱分析 |
5.2.2 相关性分析 |
5.2.3 分解尺度的确定 |
5.2.4 基于连续小波变换的土壤全氮含量高光谱估测模型的研究 |
5.3 模型的优选 |
5.4 小结 |
6 结论与讨论 |
6.1 结论 |
6.2 研究特色与创新 |
6.3 讨论 |
参考文献 |
致谢 |
攻读学位期间发表论文情况 |
参与的科研项目 |
(10)基于数据融合的丰满水库长期径流预报研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和目标 |
1.1.1 研究背景 |
1.1.2 研究目标 |
1.2 国内外研究进展 |
1.2.1 三大尺度因子径流预报研究 |
1.2.2 因子相关性分析 |
1.2.3 传统统计预报模型 |
1.2.4 现代水文预报模型 |
1.2.5 研究进展的总结 |
1.3 本文研究介绍 |
1.3.1 研究问题 |
1.3.2 研究方法 |
1.3.3 研究内容 |
1.3.4 技术路线图 |
第二章 径流预报技术的系统分析 |
2.1 来水丰枯的影响机理 |
2.1.1 热量与引力作用 |
2.1.2 地形和海陆分布作用 |
2.2 来水预报基于的基本特性 |
2.2.1 周期性 |
2.2.2 有序性 |
2.2.3 遥相关性 |
2.2.4 结构特性 |
2.3 来水与极端来水预报的思路 |
2.3.1 预报因子基于空间尺度的分类 |
2.3.2 预报因子基于时间尺度的分类 |
2.3.3 预报值基于预报特征的分类 |
2.3.4 基于信息融合的流域来水预报 |
2.4 研究流域分析 |
2.4.1 流域介绍 |
2.4.2 流域丰枯机理 |
2.5 小结 |
第三章 三大尺度因子与径流的统计分析 |
3.1 天文尺度因子相位与流域来水规律分析 |
3.1.1 太阳黑子相对数 |
3.1.2 月球赤纬角 |
3.1.3 24节气阴历日期 |
3.2 全球尺度因子相位与流域来水规律分析 |
3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
3.3 流域尺度因子相位与流域来水规律分析 |
3.3.1 谚语机理分析 |
3.3.2 气象因子与来水属性级别统计分析 |
3.4 因子数值与流域来水统计分析方法 |
3.4.1 基础数据处理 |
3.4.2 相关性分析的方法 |
3.5 因子相关性分析结果 |
3.5.1 天文因子相关性分析 |
3.5.2 气象因子相关性分析 |
3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
3.6 结果分析 |
3.6.1 因子相位与流域来水规律 |
3.6.2 因子数值与流域来水相关性 |
3.7 小结 |
第四章 基于智能学习的预报因子融合的径流预报 |
4.1 预报方法 |
4.1.1 神经网络 |
4.1.2 决策树和随机森林 |
4.1.3 支持向量机 |
4.2 数据处理的方法 |
4.2.1 预报因子的处理 |
4.2.2 预报值的处理 |
4.2.3 预报值的评判指标 |
4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
4.3 建模预报 |
4.4 结果统计分析 |
4.4.1 流域水量回归预报结果分析 |
4.4.2 流域来水量7级分类预报结果分析 |
4.4.3 流域来水量3级分类预报结果分析 |
4.4.4 33个因子方案分析 |
4.4.5 预报结果的最优方案 |
4.4.6 最优方案的预报结果分析 |
4.5 小结 |
第五章 基于相似性分析的预报因子融合的径流预报 |
5.1 相位对比法 |
5.1.1 基本原理 |
5.1.2 预报结果分析 |
5.2 相似模糊推理法 |
5.2.1 模糊推理法的基本原理 |
5.2.2 相似度的计算方法 |
5.2.3 主成分分析法计算权重 |
5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
5.2.5 预报模型的建立 |
5.3 模糊推理法预报 |
5.3.1 因子组合分析 |
5.3.2 误差评定与优选判别 |
5.4 模糊推理法因子二次筛选 |
5.4.1 因子进出法寻优 |
5.4.2 因子进出法实例分析 |
5.5 模糊推理法预报结果 |
5.6 结果分析 |
5.7 小结 |
第六章 基于天文因子对比法的预报结果融合的径流预报 |
6.1 天文因子对比法机理分析 |
6.2 预报方法1-单一天文因子对比法 |
6.2.1 24节气阴历日期对比法 |
6.2.2 太阳黑子相对数对比法 |
6.2.3 月球赤纬角对比法 |
6.3 预报方法2-天文因子对比法预报结果的融合 |
6.3.1 天文因子预报结果的线性融合 |
6.3.2 天文因子融合法-主次因子对比法 |
6.3.3 天文因子融合法的修正 |
6.3.4 天文因子融合法定量预报 |
6.4 小结 |
第七章 基于点聚图法的预报结果融合的径流预报 |
7.1 点聚图法 |
7.1.1 点聚图的制作 |
7.1.2 预报方案 |
7.2 24节气阴历日期点聚图预报 |
7.2.1 极端来水年24节气阴历日期的聚类特性 |
7.2.2 24节气阴历日期聚类预报方法 |
7.2.3 24节气阴历日期聚类分析建模 |
7.2.4 基于聚类分析的来水预报 |
7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
7.3.1 月球赤纬角聚类预报方法 |
7.3.2 太阳黑子相对数聚类预报方法 |
7.4 海洋大气因子与流域气象因子点聚图预报 |
7.5 多尺度因子点聚图预报结果融合 |
7.6 小结 |
第八章 基于来水结构融合的极端径流预报 |
8.1 基本定义 |
8.2 预报方法 |
8.2.1 一般来水结构预报-多方法预报结果融合 |
8.2.2 极端来水结构预报 |
8.2.3 基于改进可公度网络结构的极值点结构预报 |
8.2.4 极端来水年预报 |
8.3 实例应用 |
8.3.1 一般来水结构分析 |
8.3.2 极端来水结构分析 |
8.3.3 极值点结构的确定及极端来水年预报分析 |
8.3.4 连续极端来水年预报分析 |
8.4 讨论 |
8.5 小结 |
第九章 结论与展望 |
9.1 结论 |
9.2 展望 |
9.3 创新性 |
附表 |
参考文献 |
科研及发表论文情况 |
致谢 |
四、小样本多元逐步回归的最优筛选分析(论文参考文献)
- [1]有机过氧化物自加速分解温度的预测模型研究[D]. 赵朝阳. 大连理工大学, 2021(01)
- [2]结合Sentinel-2与SAR数据的龙南县针叶林蓄积量估测模型研究[D]. 叶子林. 中南林业科技大学, 2021
- [3]基于多源遥感数据的旺业甸林场森林蓄积量估测方法研究[D]. 肖越. 中南林业科技大学, 2021(01)
- [4]基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算[D]. 郭新龙. 东北林业大学, 2021(08)
- [5]矿区水体pH值与土壤Zn含量高光谱定量反演研究[D]. 朱菊蕊. 中国地质大学(北京), 2020(04)
- [6]贮期鸡蛋蛋白质含量品质的光谱无损检测方法及装置研发[D]. 付丹丹. 华中农业大学, 2020
- [7]多尺度精细化电量预测及主导因素研究[D]. 臧振东. 东南大学, 2020(01)
- [8]基于无人机多光谱遥感的大田玉米土壤含水率估算模型研究[D]. 谭丞轩. 西北农林科技大学, 2020
- [9]苹果园地土壤全氮含量的高光谱参数及估测模型研究[D]. 王文倩. 山东农业大学, 2020(09)
- [10]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)