遥感学报
遙感學報
요감학보
JOURNAL OF REMOTE SENSING
2008年
5期
707-715
,共9页
格数据%时空建模%分区%K-means聚类%神经网络%边界效应
格數據%時空建模%分區%K-means聚類%神經網絡%邊界效應
격수거%시공건모%분구%K-means취류%신경망락%변계효응
区域数据表现为两种尺度的空间特性:反映全局特征的空间依赖性和反映局域特征的空间波动性.空间波动性表现为空间数据在局部地区的聚集或高低交错现象.在研究区域数据时空预测性建模时,从降低数据的空间波动和不平稳性对模型预测能力的影响角度出发,提出了一种基于分区的局域神经网络时空非线性建模的思路.分区过程由基于空间邻接关系的K-means聚类算法完成.不同的分区方案通过相关性、波动性、紧凑性等指标进行评价和优选.在确定最优分区方案的基础上,对各子区分别采用两层前馈网络进行建模,模型的输入不仅要考虑本区内单元的作用,而且要考虑相邻子区的边界效应.各神经网络模型的时空预测能力通过平均相均差和动态相似率等指标进行衡量.最后,通过对法国94个县每周流感报告病例的时空建模分析表明,与全局神经网络模型相比,基于分区的局域神经网络模型具有更好的预测能力.
區域數據錶現為兩種呎度的空間特性:反映全跼特徵的空間依賴性和反映跼域特徵的空間波動性.空間波動性錶現為空間數據在跼部地區的聚集或高低交錯現象.在研究區域數據時空預測性建模時,從降低數據的空間波動和不平穩性對模型預測能力的影響角度齣髮,提齣瞭一種基于分區的跼域神經網絡時空非線性建模的思路.分區過程由基于空間鄰接關繫的K-means聚類算法完成.不同的分區方案通過相關性、波動性、緊湊性等指標進行評價和優選.在確定最優分區方案的基礎上,對各子區分彆採用兩層前饋網絡進行建模,模型的輸入不僅要攷慮本區內單元的作用,而且要攷慮相鄰子區的邊界效應.各神經網絡模型的時空預測能力通過平均相均差和動態相似率等指標進行衡量.最後,通過對法國94箇縣每週流感報告病例的時空建模分析錶明,與全跼神經網絡模型相比,基于分區的跼域神經網絡模型具有更好的預測能力.
구역수거표현위량충척도적공간특성:반영전국특정적공간의뢰성화반영국역특정적공간파동성.공간파동성표현위공간수거재국부지구적취집혹고저교착현상.재연구구역수거시공예측성건모시,종강저수거적공간파동화불평은성대모형예측능력적영향각도출발,제출료일충기우분구적국역신경망락시공비선성건모적사로.분구과정유기우공간린접관계적K-means취류산법완성.불동적분구방안통과상관성、파동성、긴주성등지표진행평개화우선.재학정최우분구방안적기출상,대각자구분별채용량층전궤망락진행건모,모형적수입불부요고필본구내단원적작용,이차요고필상린자구적변계효응.각신경망락모형적시공예측능력통과평균상균차화동태상사솔등지표진행형량.최후,통과대법국94개현매주류감보고병례적시공건모분석표명,여전국신경망락모형상비,기우분구적국역신경망락모형구유경호적예측능력.
