XiaoMi-AI文件搜索系统
World File Search SystemRMSE
引用本文：Modeste Meliho、Abdellatif Khattabi、Driss Zejli、Collins Ashianga Orlando 和 Caleb E. Dansou (2022) 人工智能和遥感用于每日气温的空间预测：以摩洛哥苏斯流域为例，地理空间信息科学，25:2，244-258，DOI：10.1080/10095020.2021.2014765
摘要 气温（Tair）是气候研究和气候影响管理中的一个基本变量。由于气象站分布稀疏且不均匀，传统的实地观测无法准确捕捉其空间分布，尤其是在局部变异性较高的偏远地区。为了解决这个问题，本研究利用遥感和气象站数据估算了摩洛哥苏斯流域的 Tair。采用两种统计方法（包括线性回归和偏最小二乘 (PLS)）和四种机器学习算法（即 k-最近邻、随机森林 (RF)、极端梯度提升和立体主义）对 Tair 进行建模和预测，并使用随机子集和交叉验证评估其性能。中分辨率成像光谱仪预测因子包括 Terra 波段 32 发射率、Terra 夜间地表温度、Terra 当地夜间观测时间、Aqua 波段 31 发射率、Aqua 白天地表温度和 Aqua 夜间地表温度 (ALSTN)，以及辅助输入包括天空视野、海拔、坡度和山体阴影，被用作建模的输入。结果表明，Cubist 和 RF 是最准确的模型（RMSE = 2.09°C 和 2.13°C，R 2 = 0.91 和 0.90），而 PLS 的预测能力最低（RMSE = 2.71°C；R 2 = 0.83）。模型在研究区域估算 Tair 的整体性能普遍令人满意，所有模型的 RMSE 都在 3°C 以下。尽管如此，站点数据的可靠性仍然是一个问题，七个站点中只有四个站点拥有完整的气象数据。
软件包“预测”
divide_polygons。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6信封。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>7接下来。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。9 Hull_model。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10最大。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11混乱。。。。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>14部分响应。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>16 pa_o_valuate。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>17情节。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。。。。。。。。。。。。。。。。。19预测。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 pwd_sample。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。21 pycnophy。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>22 RMSE。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>24 SDM。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。24阈值。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24变量。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。25
艾克斯-马赛大学 - Théses.fr
图 6-5：使用行为数据集、驾驶时间和参与者信息训练的模型的实际时间和估计时间之间的误差分布（左图）和相关性（右图）的频率直方图。................................................ . ................................................. ................................... 119 图 6-6：训练模型的实际时间和估计时间之间的误差分布频率直方图（左图）和相关性（右图）具有行为、汽车和生理数据集。................................................ . ................................................. ...................................................... 119 图 7-1 :用于新驾驶员疲劳驾驶检测和预测模型泛化的数据集划分（训练/验证/测试）...... 129 图 7-2：检测模型泛化的数据源并预测新驾驶员驾驶时的困倦................................................................ ................................................... 130 图 7-3：REQM用于检测困倦程度的不同数据源的验证集和测试集。星号代表重要性程度（NS：p>0.05；*：p<0.05；**：p<0.01；***：p<0.001）。................................................ . ...................................................... 132 图 7-4：验证集和测试集的 REQM用于检测睡意水平的不同数据源。星号代表重要性程度（NS：p>0.05；*：p<0.05；**：p<0.01；***：p<0.001）。................................................ . ................................................... 133 图 8-1：传统机器学习与迁移之间的说明图学习（改编自 Pan & Yang，（2010））....................................... ……………………………… ...................................... 140 图 8-2：数据集划分。 ……………………………… ...................................................... 143 图 8-3：用于调整模型以进行检测和处理的数据源预测新驾驶员驾驶时的困倦...................................................... ......................... 143 图 8-4：Oktal® 的静态驾驶模拟器。A 代表 3 个视频屏幕上显示的道路场景。B 代表仪表板。C 是faceLAB® 硬件。D 是用于心电图的三个电极中的两个，E 是呼吸带。。F 是 EDA 的电极（由于信号损失严重，本研究中未使用）。........................................................................................................... 149 图 8-5：具有不同类型道路和相关交通的场景图 ................................ 150 图 8-6：用于调整 ANN 的训练方法。圆柱体代表不同的数据集。小数字圆圈代表第 2.7 部分使用 ANN 进行自适应学习的方法中定义的流程步骤。矩形代表流程中的步骤。.................................................................... 155 图 8-7：基于 AdANN 验证数据集，针对不同信息源，在调整前后检测到的困倦程度的均方根误差 (RMSE) 和标准误差。星号代表显著性水平（NS：p>.05；*：p<.05；**：p<.01；***：p<.001）。158 图 8-8：基于 AdANN 验证数据集，针对不同信息源，在适应前后预测的嗜睡等级 1.5 发生时间的 RMSE 和 SD 平均值。星号表示均值差异的显著性水平（NS：p>.05；*：p<.05；**：p<.01；***：p<.001）。................................................................................................................................................ 159 图 8-9：检测：不同数据集（ANN 训练集、ANN 验证集、AdANN 训练集、AdANN 验证集）的 RMSE 平均值和 SD，作为用于调整 ADANN 训练数据集的数据量（τ，以分钟为单位）的函数。................................................................................................ 160 图 8-10：调整后，Ad-ANN 验证数据集的不同 τ 之间的 RMSE 均值 P 值比较。.................................................................................................................... 161 图 8-11：预测：不同数据集（ANN 训练集、ANN 验证集、AdANN 训练集、AdANN 验证集）的 RMSE 平均值和 SD 作为用于调整 AdANN 训练数据集的数据量（τ，以分钟为单位）的函数。............................................................................................. 162 图 8-12：调整后，将 AD-ANN 验证数据集中每个 τ 与另一个 τ 进行比较的 RMSE 平均值的 P 值。................................................................................................................... 163 图 8-13：困倦程度检测：用于适应的参与者（A）和 ANN 从未遇到过的其他参与者（B）的 RMSE 平均值和 SD，前后
评估 GEDI 的 LiDAR 数据对巴西桉树人工林冠层高度和木材体积的估算
摘要 — 过去二十年来，星载激光雷达系统凭借其准确估算树冠高度和地上生物量的能力，在遥感领域获得了发展势头。本文旨在利用最新的全球生态系统动态调查 (GEDI) 激光雷达系统数据来估算巴西桉树人工林的林分尺度优势高度 (H dom) 和林分体积 (V)。这些人工林由于树冠覆盖均匀且可进行精确的实地测量，因此提供了有价值的案例研究。基于几个 GEDI 指标，使用了几个线性和非线性回归模型来估计 H dom 和 V。 H dom 和 V 估计结果表明，在低坡度地形上，使用逐步回归方法可获得最准确的 H dom 和 V 估计值，均方根误差 (RMSE) 分别为 1.33 m（R 2 为 0.93）和 24.39 m 3 .ha − 1（R 2 为 0.90）。解释 H dom 和 V 超过 87% 和 84% 变异性 (R 2 ) 的主要指标是表示 90% 的波形能量发生于地面以上高度的指标。对六种可用的不同处理算法发出的后处理 GEDI 指标值进行测试表明，H dom 和 V 估计的准确性取决于算法，使用算法 a5 相对于 a1，两个变量的 RMSE 均增加了 16%。最后，选择最后检测到的模式或最后两个模式中较强的模式的地面回波也会影响 H dom 估计精度，使用后者会导致 12 厘米 RMSE 降低。
白质与年龄之间的脑范围范围的关联突出了林基微观结构在大脑衰老中的作用
注意：R 2，RMSE，MAE以格式平均值（标准偏差）显示，Pearson的相关性以格式相关评分为95％置信区间（下限，上限）。平均多模式是指所有六种扩散方法在骨骼上平均的扩散指标。完整的多模式是指从六种扩散方法中的所有扩散数据，即，除了在JHU地图集区域平均的指标外，平均多模式数据。缩写：Bria，贝叶斯旋转不变的方法； MAE =平均绝对错误； r 2 =解释的方差； rmse =根平方错误。a对于每种扩散方法中包含的指标的概述，请参见表S10。b关于最小相关的详细信息：BRIA校正了预测年龄相关性r = 0.89173，MCSMT校正了预测时代相关性r = 0.89176。*所有相关性在p <.001时都显着。
使用机器学习算法进行最终键强度估计的比较评估
摘要。腐蚀引起的粘结强度降低是基础设施维持和维修的关键问题。这项研究研究了几种机器学习技术，即SVR，XG增强和随机森林，以预测腐蚀加固与混凝土之间的最终键合行为。在这项研究中，作者采用了218个数据集，这些数据集是从过去的研究中收集的，其中包含用于预测模型的输入和输出参数。使用各种性能指标，即MAE，RMSE，MAPE和MASE评估并比较模型的性能。结果表明，随机森林算法可以可靠地估计最终键强度，而SVR和XG增强模型的RMSE值为1.26。这项研究有助于有效的结构评估和维护计划，以实现腐蚀的钢筋混凝土建筑物。关键字：腐蚀，债券强度，随机森林，支持向量回归，XG提升，机器学习
通过机载激光扫描估计树木年轮宽度的周期性年增量
摘要：大多数使用机载激光扫描 (ALS) 的森林生长研究都考虑了在重复的 ALS 数据采集中如何观察到森林属性的变化，但从 ALS 数据预测未来森林生长仍然是一个很少讨论的话题。本研究考察了 10 年内树木年轮宽度周期性年增量 (PAI) 的预测。这种方法的要求是在生长期开始时获取 ALS 数据。然后在给定的生长期后通过钻探对生长进行现场测量。使用基于区域的方法的原理，根据 ALS 指标对 PAI 进行建模。与强度相关的指标作为预测因子特别重要，而有效叶面积指数则不是。预测的均方根误差 (RMSE) 略高于 21%。额外的现场信息（土壤类型、管理操作）将 RMSE 提高了 2.7 个百分点。
使用机器学习模型绘制高山谷（意大利北部）中的土壤有机碳库存和不确定性
摘要：在这项研究中，我们对两个土壤层（0-10 cm和0–30 cm; Soc股票10和SOC 10和SOC 30）的土壤有机碳库存（SOC库存）和相关的不确定性进行了全面分析。，我们在不同的机器学习模型中采用了数字土壤图（DSM）方法，包括多元自适应回归花纹（MARS），随机森林（RF），支持向量回归（SVR）和Elastic Net（ENET）。我们的数据集包含来自110个Pro文件的土壤数据，考虑到存在岩石碎片的存在，所有基于散装密度（BD）的所有采样点的SOC库存计算，无论是测量还是估计。作为我们研究的环境协变量，我们使用了环境变量，尤其是从数字高程模型（具有20 m像素分辨率），土地覆盖数据和气候图中得出的地貌学参数。为了评估模型的有效性，我们使用确定的系数评估了他们预测SOC股票10和SOC股票30的能力（R 2）。SOC股票10的结果如下：火星0.39，ENET 0.41，RF 0.69和SVR 0.50。对于SOC库存30，相应的R 2值为：MARS 0.45，ENET 0.48，RF 0.65和SVR 0.62。此外，我们计算了均方根误差（RMSE），平均绝对误差（MAE），偏差和Lin的一致性相关系数（LCCC），以进行进一步评估。使用RF模型的由此产生的SOC库存图显示了SOC股票10的RMSE = 1.35 kg m -2的精度，而SOC库存的RMSE = 3.36 kg m -2的精度。为了绘制SOC库存的空间分布并解决两个土壤层中的不确定性，我们选择了RF模型，因为它的性能更好，如最高R 2和最低的RMSE和MAE所示。为了进一步评估和说明土壤图的精度，我们通过分析了表现最佳的RF模型的50个迭代的标准偏差（SD），进行了不确定性评估和映射。该分析有效地强调了我们土壤图中获得的高精度。不确定性的地图表明，与SOC股票相比，RF模型可以更好地预测SOC股票10。预测SOC股票的正确范围是该方法论的主要局限性。
X-ippgnet：一种基于深度可分离卷积的新颖的一阶段深度学习结构，用于基于视频的脉冲率估计
脉搏率（PR）是评估一个人健康的最重要标记之一。随着对长期健康监测的需求不断增长，使用成像光电学（IPPG）对非接触式PR估计的关注非常关注。这种非侵入性技术基于肤色细微变化的分析。尽管可以改善IPPG，但现有算法容易受到较不受约束的场景（即头部移动，面部表情和环境条件）。在本文中，我们提出了一个新颖的端到端时空网络，即X-ippgnet，直接从面部视频记录中直接进行瞬时PR估计。不像大多数现有系统一样，我们的模型从头开始学习IPPG概念，而无需结合任何先验知识或通过提取血液体积脉冲信号的提取。受Xception网络体系结构的启发，颜色通道解耦用于学习其他照相学信息信息，并概念地降低计算成本和内存重新质量。此外，X-ippGnet可以从短时间窗口（2秒）中预测脉搏率，该脉冲率具有较高且明显的脉搏率的优点。实验结果揭示了在所有条件下的高性能，包括头部运动，面部表情和肤色。我们的AP-PRACH明显优于三个基准数据集上的所有当前最新方法：MMSE-HR（MAE = 4。10; RMSE = 5。32; r = 0。85），ubfc-rppg（Mae = 4。99; RMSE = 6。26; r = 0。67），mahnob-hci（Mae = 3。17; RMSE = 3。93; r = 0。88）。
使用trnsys
温室能源建模是优化温室能源消耗的普遍工具。然而，要使模型用于其预期用途，必须对其前命令的精确度具有很高的信心。在本文中，开发了一个经过验证的温室能量模型，用于寒冷气候中典型的小型温室。该模型是使用TRNSYS（一种建筑物性能模拟工具）创建的，具有详细的能量建模组件和用户定义的作物模型。该模型已校准以固定不确定的参数。首先使用灵敏度分析来识别明智的不确定参数，然后进行多阶段自动校准。自动校准方法使用多目标遗传算法来调整不确定的参数，从而校准测得的室内空气温度和相对湿度的模型。该模型在自由浮动和通风阶段（56天）期间表现良好，室内空气温度的均方根误差（RMSE）合并为1.6℃，空气相对湿度为8.3％。验证过程涉及使用两个附加数据集评估校准模型的适用性。在所有情况下，将模拟结果与室内环境测量结果进行比较，气温的RMSE小于2℃，空气相对湿度的RMSE小于10％；这些价值观与文献相比有利。该模型在估算最小加热温室的每月能源消耗时达到了3.7％的平均相对误差（MRE）。鉴于这些结果，该模型被认为足够准确，适用于将来的研究。