在许多应用问题中，如森林资源监测、林业遥感参数提取和森林生物量估计等，分类和回归方法是探究其内在机理、发现潜在规律的有效方法。在大数据时代背景下，数据分布日趋复杂，且以各种形式呈现，如遥感图像去噪，森林资源趋势预测等都可采用回归的方法加以解决。然而，受制于软件开发周期和用户熟练使用均需要较长时间，且集成软件中的方法针对普遍问题，缺乏有针对性的机器学习方法。同时，由于现实世界中的应用问题绝大多数是非线性的。针对非线性回归，经典的方法有人工神经网络、基于核的支持向量回归、分段线性回归等，但他们存在计算量大、参数选择困难、丧失线性特点等问题。
为此，资源信息研究所符利勇研究员率领研究团队提出了分段/分片线性回归方法，可有效缓解以上问题，其主要特点如下：1）有别于点中心聚类方法，从有利于保持线性特性的平面聚类方法入手，充分考虑了分段线性中的局部线性特点，能够有效缓解拐点处易发生回归错误问题；2）提出了一种保持局部线性特点的簇数选择方法；3）主要计算量集中在一般特征值方法，相对上述方法，计算速度可大大提高；4）公开数据集上的实验，与近10种常用非线性回归方法相比，本研究提出的回归方法在计算效能、回归误差等方面均具有显著优势；5）核心算法均有理论保证，研究中给出了严格的数学证明。此外，该方法不仅能解决上述预测问题，且对于林业研究目标的三维重建和虚拟仿真也有借鉴作用。
在特征值提取方面，符利勇研究员率领研究团队还提出了一种灵活的非贪婪子空间图像学习方法，该方法模型中的距离应用鲁棒Lp范数度量从而保证足够鲁棒，提高了图像特征值提取效率。研究成果“Flexible Non-Greedy Discriminant Subspace Feature Extraction”和“Piecewise Linear Regression Based on Plane Clustering”分别在国际计算机领域一区、TOP期刊《Neural Networks》和二区期刊《IEEE Access》上发表。
研究得到了中央级公益性科研院所基本科研业务费专项资金人才项目“基于无人机平台的荒漠植被信息提取和生物量动态计测”（CAFYBB2019QD003）的资助。（王文泉/资源所）
论文链接：
/science/article/pii/S0893608019301042#d1e1234
/document/8657940/authors#authors
