基于增强回归树与遥感数据的决策支持研究论文

简介：
本文探讨了利用增强回归树算法结合遥感数据进行环境监测和预测的应用，并提出了一种新的决策支持系统框架。 由于数据记录、维护、处理及存储方式的不同，大数据分析面临诸多挑战。我们证明了分层多元统计机器学习算法——增强回归树（BRT）能够应对这些挑战，并推动决策的制定。然而，在这项研究中遇到的一个主要问题是缺乏互操作性，因为数据、GIS形状文件集合、遥感图像以及时空信息都存储在不同的硬件组件上，需要聚合和内插处理。 为了建模过程顺利进行，有必要创建一个公共输入文件。通过将各种数据源合并在一起，我们生成了一个虽然结构化但又包含噪声的输入文件，其中存在不一致性和冗余现象。本研究证明了BRT能够处理不同粒度的数据、异构数据以及缺失值问题。 特别地，BRT的一个显著优点在于它默认支持通过对缺失值进行区分来处理它们，并且在模型中自动执行变量选择。此外，通过考虑使用变量在树中定义拆分的频率，提供了多种关于结果解释的可能性。 与两种类似回归方法（随机森林和最小绝对收缩算子LASSO）相比，在这种情况下BRT的表现更优。此外，BRT还可以作为复杂层次建模的基础模型应用于实际场景当中。例如，可以利用现有的模型来测试单一或整体的BRT策略以改善各种数据驱动决策及应用的结果。