刘付程,杨毅,张林,魏陶荣馨,王宇涵,夏量.沉积物粒度组分空间预测的神经网络残余 kriging 方法[J].海洋通报,2020,(3):363-371
沉积物粒度组分空间预测的神经网络残余 kriging 方法
A generalized regression neural network residual kriging method for spatial prediction of sediment grain size compositions
投稿时间:2019-09-15  修订日期:2019-11-10
DOI:
中文关键词:  广义回归神经网络残余 kriging  沉积物粒度组分  空间预测  底质制图
英文关键词:generalized regression neural network residual kriging(GRNNRK)  sediment grain size composition  spatial prediction  sediment type mapping
基金项目:国家自然科学基金 (41976187;41801316);淮海工学院自然科学基金 (Z2014017);江苏省大学生创新训练计划项目(SD201711641107004)
作者单位E-mail
刘付程 江苏海洋大学 测绘与海洋信息学院江苏 连云港 222005 iliufucheng@126.com 
杨毅 江苏海洋大学 测绘与海洋信息学院江苏 连云港 222005  
张林 江苏海洋大学 测绘与海洋信息学院江苏 连云港 222005  
魏陶荣馨 江苏海洋大学 测绘与海洋信息学院江苏 连云港 222005  
王宇涵 江苏海洋大学 测绘与海洋信息学院江苏 连云港 222005  
夏量 江苏海洋大学 测绘与海洋信息学院江苏 连云港 222005  
摘要点击次数: 127
全文下载次数: 46
中文摘要:
      针对近海表层沉积物粒度组分空间变异的尺度差异性,提出了基于广义回归神经网络残余 kriging 的沉积物粒度组分空间预测方法,并以海州湾沉积物粒度数据为基础,分析了其在沉积物粒度组分空间预测和底质类型制图中的应用效果。结果表明,广义回归神经网络残余 kriging 方法能够获得比普通 kriging 方法更高的沉积物粒度组分空间预测精度,并且其底质类型的总体空间预测精度达到 85 %以上,相应的 Kappa 系数也在 0.8 以上,显示底质制图的预测类型与样本的实测类型具有较高的一致性。新方法对于开展定量化的沉积物粒度组分空间预测和底质类型制图具有参考价值。
英文摘要:
      In view of spatial variability of grain size compositions in offshore surface sediments at different scales, a generalized regression neural network residual kriging (GRNNRK) method is proposed and its application effect is also analyzed and evaluated in spatial prediction of grain size compositions and sediment types based on the surface sediment grain size composition data of Haizhou Bay. The results show that GRNNRK can obtain a higher spatial prediction accuracy of sediment grain size components than the ordinary kriging method and its overall predictive mapping accuracy of sediment types reaches up to 85 % and the corresponding Kappa coefficient is also more than 0.8, indicating that the mapping types of sediments are highly consistent with their actual types. So the new method of GRNNRK has a certain degree of reference value for quantitative sediment mapping.
查看全文    下载PDF阅读器
关闭