无缝线性回归与预测模型

建立回归模型常采用最小二乘方法并忽略自变量观测误差。尽管同时顾及自变量和因变量观测误差的总体最小二乘方法近年来得到了广泛研究,但在模型预测时,依然忽略了待预测自变量的观测误差。对此,本文提出了一种严格考虑所有变量观测误差的无缝线性回归和预测模型,该模型将回归模型的建立和因变量预测联合处理,在建立回归模型过程中对待预测自变量的观测误差进行估计并修正,从而提高了模型预测效果。理论证明,现有的几种线性回归模型都是无缝线性回归和预测模型的特例。试验结果表明,无缝线性回归和预测模型的预测效果优于现有的几种模型,尤其在变量观测误差相关性较大时,无缝模型对预测效果的改善更为显著。     

福建省地表温度与植被覆盖度的相关性分析

地表温度（Land surface Tenperature, LST）和植被覆盖度（Fractional Vegetation Coverage, FVC)是生态环境变化的重要指标因子,研究两者的时空变化及相互关系对评价区域生态环境建设、改善区域生态环境具有重要意义。本文以福建省为研究区域,利用2001-2015年MODIS 11A2 LST和13Q1 NDVI数据,在时序数据重构的基础上对福建省LST时空变化及LST与FVC的相互关系进行分析。结果表明：①2001-2015年福建省LST总体呈轻微下降趋势,尤其是2010年之后其LST明显降低。LST与FVC的空间分布具有较好的负相关一致性：在FVC较高的区域,LST值较低;在FVC较低的区域,LST较高。② LST与FVC、DEM和纬度均成负相关关系,且负相关性在一年之中随着月份的变化而呈规律性增加或降低。夏季FVC对LST的负相关性最大为0.7,冬季FVC对LST的负相关性降低为0.4。③LST随着FVC增加而降低的趋势呈现分段线性关系,存在“FVC拐点”。“FVC拐点”前后随着FVC增加LST的降低速率在夏季 “先慢后快”,而在冬季则“先快后慢”。春秋两季,LST随着FVC增加而降低的速率在“FVC拐点”前后差异变小。在夏季,当FVC大于0.4时,FVC每增加0.1可降低LST约0.77 °C,降温效果大约是FVC小于0.4时的2倍。因此如果要有效地降低夏季地表高温,要使地表植被覆盖大于40%,才能较好的发挥植被的降温的作用。④在1-8月份,FVC对LST的负相关作用存在滞后性,FVC变化对滞后一个月的LST时空分布影响更大。研究成果对福建省生态环境建设与评估具有一定的意义,对于发挥植被对区域高温抑制作用提供了重要的参考依据。     

多项式曲面拟合和BP神经网络GPS高程拟合方法的比较研究

为了研究不同GPS高程拟合方法的拟合精度及差异性,选择二次多项式曲面拟合法和BP神经网络法进行比较研究.对已知数据进行分组,采用二次多项式曲面拟合法和BP神经网络法分别对各组数据进行处理、分析,计算精度指标,比较拟合点的分布、拟合点的数量和拟合方法对精度的影响.试验算例表明采用相同方法时拟合点的数量越多、分布越均匀拟合精度越高;在点的数量相同且较多,分布都相对均匀的前提下,BP神经网络法拟合的精度高于二次多项式曲面拟合法;在点的数量相同且较少,分布都相对均匀的前提下,BP神经网络法拟合的精度低于二次多项式曲面拟合法.