典型文献
地表反照率机器学习估算方法
文献摘要：
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％.
文献关键词：
地表反照率;多角度;直接估算方法;多元线性回归;梯度提升决策树
中图分类号：
作者姓名：
吴锦超;吴永静;林超;窦宝成;刘锐
作者机构：
广东省国土资源技术中心,广州 510000;北京吉威数源信息技术有限公司,北京 100043
文献出处：
引用格式：
[1]吴锦超;吴永静;林超;窦宝成;刘锐-.地表反照率机器学习估算方法)[J].遥感信息,2022(01):47-54
A类：
直接估算方法
B类：
地表反照率,率直,非线性特征,机器学习方法,GLASS,global,land,surface,satellite,products,multiple,linear,regression,MLR,算算,梯度提升决策树算法,gradient,boost,decision,tree,GBDT,地面站,测反,RMSE,估算精度,半经验模型,地面验证,V3
AB值：
0.299046
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
