排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
高分辨率地表冻融监测对研究根河地区碳氮循环、水土流失和土壤冻融侵蚀非常重要。本文采用Kou等(2017)提出的被动微波亮温降尺度方法和1 km空间分辨率的温度数据,将0.25°空间分辨率的被动微波亮温降尺度至0.01°空间分辨率。利用通过模型模拟与实验数据发展得到的冻融判别式算法DFA_Zhao(Discriminant Function Algorithm)和改进的冻融判别式算法DFA_Kou(Improved Discriminant Function Algorithm),基于降尺度前后的被动微波亮温监测根河地区的地表冻融。以根河地区2013年7月—2015年12月的地下0—5 cm深度的实测土壤温度检验这两种冻融判识算法的分类精度。结果显示,降尺度前后两种冻融判识算法整体判对率差异在6.72%内;DFA_Zhao算法融化判对率的均值比DFA_Kou算法高10%,DFA_Kou算法冻结判对率均值比DFA_Zhao算法高1%。两种冻融判别式算法的冻结判对率均在90%以上,升轨期的融化判对率均在80%以上,但两算法降轨期的融化判对率较低,在40%—82%之间。同时,还进一步讨论并分析了两种冻融判别式算法和被动微波亮温降尺度方法可能存在的问题,指出了可能的改进方向。 相似文献
2.
随机森林决策树分裂易受数据集不平衡性及变异性的影响,导致权重分配和预测结果出现偏差。山区洪灾风险评估影响因素众多、数据差异性大,如何降低数据不平衡性以及变异性的影响,直接关系各因素重要性的科学排序以及评价结果的准确性。该文依据流域灾害系统理论,从致灾因子和孕灾环境选取9个风险指标,构建山区铁路洪灾风险评估数据集,在此基础上,分别采用基于Gini指数和Sigmoid函数两种分裂方式的随机森林模型进行对比分析,之后采用最优模型对朔黄铁路原平段沿线洪灾风险进行预测,并利用实地调研结果对预测结果进行验证。研究发现：地形要素(高程、坡度、坡向)与洪灾风险密切相关,孕灾环境作为产生暴雨洪灾风险的内因,在山区铁路洪灾风险评估中起决定性作用;基于Sigmoid函数分裂方式的随机森林模型在分裂过程中可以降低信息不纯度和数据变异性对结果的影响,精度更优,预测结果与实际吻合度较高,方法适用性较强。研究成果可为山区铁路暴雨洪灾风险评估提供方法参考。 相似文献
1