Sep, 2024

一种高效的模型无关方法用于数据受限的土壤特性不确定性估计

HTML
PDF
TL;DR本研究针对土壤特性预测建模中的不确定性估计问题，提出了一种模型无关的方法，旨在应对土壤研究中常见的数据稀缺挑战。通过将回归任务转变为分类问题，该方法不仅能够提供可靠的不确定性估计，还允许应用在土壤测量中尚未使用的成熟机器学习算法。实验证明，该方法在不确定性估计上优于传统模型，具有显著的应用潜力。
发现论文，激发创造
  • 经验法调整回归不确定性分布

    该研究提出了一种用于回归设置的校准方法，称为经验性地校准回归不确定性分布（CRUDE），该方法不假定错误的特定不确定性分布，并展示了它的理论联系以及 CRUDE 的性能优于现有技术。

    May, 2020

  • 空间机器学习模型诊断：一种不依赖于模型的基于距离的方法

    该研究提出了空间预测误差剖面（SPEPs）和空间变量重要性剖面（SVIPs）作为空间预测模型的新型模型无关的评估和解释工具，以预测距离为重点。这些诊断工具为空间数据科学提供了新的工具，可能会改善机器学习模型的解释、选择和设计。

    Nov, 2021

  • 水文反演模型中的不确定性量化

    通过使用降水量和天气数据来逆向建模河流流量和恢复地理特征，我们的模型比现有模型更准确和可解释，能够提供不确定性量化结果，从而改进河流流量的预测。

    Oct, 2023

  • 数据驱动的环境研究与实践中的地理空间建模挑战

    电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

    Nov, 2023

  • 利用符合预测的不确定性定量化地球观测中的概率机器学习

    人工智能系统中使用不可靠的预测会对决策产生负面影响，而基于模型不可知性量化的符合性预测方法可以解决这个问题，特别是在地球观测应用中，该方法可以提供可靠的不确定性信息并增强可靠性。

    Jan, 2024

  • 可持续土壤管理的领域适应性：因果与对比约束最小化

    通过多模式可扩展的框架，结合远程感测数据和稀疏土壤信息，实现有机质估算，提高泛化性和适应性，并确定影响有机质的关键土壤属性，有助于标准化数据收集工作。

    Jan, 2024

  • 利用空间约束贝叶斯网络（SCB-Net）增强岩性绘图: 一种基于现场数据约束预测和不确定性评估的方法

    地质图、地统计技术、空间约束贝叶斯网络、辅助变量、深度神经网络在地理统计学中的应用

    Mar, 2024

  • 基于实证方法的点尺度土壤湿度测量的空间模拟和卫星反演评估

    基于融合时空信息与机器学习的方法，将点尺度的土壤湿度（SM）测量从28个点位上采样到100米的分辨率，实现了较为公平和统计学上更可靠的比较评估，并在交叉验证的基础上验证了该方法对未覆盖点位的区域的湿度空间变化的映射能力。

    Apr, 2024

  • 基于稀疏注意力回归网络的土壤肥力预测

    使用UMAP和LASSO的混合方法，通过整合不均衡数据集中相关特征来改进土壤肥力模型的预测精度。实验结果显示该模型表现出色，达到了98%的预测准确度，以及91.25%的精确度和90.90%的召回率。

    Apr, 2024

  • 利用基于机器学习的步频GPR现场测量进行土壤分析：初步研究

    使用基于机器学习的高分辨率脉冲触发波雷达（SFCW）测量结合地质雷达（GPR）仪器，对应用于农业环境中提取土壤参数的方法进行了广泛的研究，结果表明该方法可在根部深度上以成本效益较高的方式提供深度分辨的土壤参数。

    Apr, 2024