Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos

  1. Pérez-Planells, Ll.
  2. Delegido, J.
  3. Rivera-Caicedo, J. P.
  4. Verrelst, J.
Revista:
Revista de teledetección: Revista de la Asociación Española de Teledetección

ISSN: 1133-0953

Año de publicación: 2015

Número: 44

Páginas: 55-65

Tipo: Artículo

DOI: 10.4995/RAET.2015.4153 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista de teledetección: Revista de la Asociación Española de Teledetección

Resumen

Los métodos de regresión no paramétricos son una gran herramienta estadística para obtener parámetros biofísicos a partir de medidas realizadas mediante teledetección. Pero los resultados obtenidos se pueden ver afectados por los datos utilizados en la fase de entrenamiento del modelo. Para asegurarse de que los modelos son robustos, se hace uso de varias técnicas de validación cruzada. Estas técnicas permiten evaluar el modelo con subconjuntos de la base de datos de campo. Aquí, se evalúan dos tipos de validación cruzada en el desarrollo de modelos de regresión no paramétricos: hold-out y k-fold. Los métodos de regresión lineal seleccionados fueron: Linear Regression (LR) y Partial Least Squares Regression (PLSR). Y los métodos no lineales: Kernel Ridge Regression (KRR) y Gaussian Process Regression (GPR). Los resultados de la validación cruzada mostraron que LR ofrece los resultados más inestables, mientras KRR y GPR llevan a resultados más robustos. Este trabajo recomienda utilizar algoritmos de regresión no lineales (como KRR o GPR) combinando con la validación cruzada k-fold con un valor de k igual a 10 para hacer la estimación de una manera robusta.

Referencias bibliográficas

  • Arlot, S., Celisse, A. 2010. A Survey of Cross-validation Procedures for Model Selection. Statistics Surveys, 4, 40-79. http://dx.doi.org/10.1214/09-SS054
  • Bazi, Y., Alajlan, N., Melgani, F., AlHichri, H., Yager, R.R. 2014. Robust estimation of water chlorophyll concentrations with gaussian process regression and IOWA aggregation operators. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(7), 3019-3028. http://dx.doi. org/10.1109/JSTARS.2014.2327003
  • Delegido, J., Verrels, J., Rivera, J.P., Ruiz-Verdú, A., Moreno, J. 2015. Brown and green LAI mapping through spectral indices. International Journal of Applied Earth Observation and Geoinformation, 35, 350-358. http://dx.doi.org/10.1016/j. jag.2014.10.001
  • Guerschman, J.P., Scarth, P.F., McVicar, T.R., Renzullo, L.J., Malthus, T.J., Stewart, J.B., Rickards, J.E., Trevithick, R. 2015. Assessing the effects of site heterogeneity and soil properties when unmixing photosynthetic vegetation, non-photosynthetic vegetation and bare soil fractions from Landsat and MODIS data. Remote Sensing of Environment, 161, 12-26. http://dx.doi.org/10.1016/j.rse.2015.01.021
  • Hawkins, D.M., Basak, S.C., Mills, D. 2003. Assessing Model Fit by Cross-Validation. Journal of Chemical Information and Computer Sciences, 43(2), 579- 586. http://dx.doi.org/10.1021/ci025626i
  • Jung, Y., Hu, J. 2015. A k-fold averaging crossvalidation procedure. Journal of Nonparametric Statistics, 27(2), 167-179. http://dx.doi.org/10.1080/1048525 2.2015.1010532
  • Kozak, A., Kozak, R. 2003. Does cross validation provide additional information in the evaluation of regression models? Canadian Journal of Forest Research, 33(6), 976-987. http://dx.doi.org/10.1139/ x03-022
  • Lázaro-Gredilla, M., Verrelst, J., Camps-Valls, G. 2014. Retrieval of Biophysical Parameters With Heteroscedastic Gaussian Processes. IEEE Geoscience and Remote Sensing Letters, 11(4), 838- 842. http://dx.doi.org/10.1109/LGRS.2013.2279695
  • Rasmussen, C.E., Williams, C.K.I. 2006. Gaussian Processes for Machine Learning. The MIT Press, New York, US.
  • Rivera, J.P., Verrelst, J., Delegido, J., Veroustraete, F., Moreno, J. 2014a. On the Semi-Automatic Retrieval of Biophysical Parameters Based on Spectral Index Optimization. Remote Sensing, 6, 4927-4951. http:// dx.doi.org/10.3390/rs6064927
  • Rivera, J.P., Verrelst, J., Muñoz-Marí, J., Moreno, J., Camps-Valls, G. 2014b. Toward a Semiautomatic Machine Learning Retrieval of Biophysical Parameters. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (4), 1249-1259. http://dx.doi.org/10.1109/ JSTARS.2014.2298752
  • Shao, J. 1993. Linear Model Selection by CrossValidation. Journal of the American Statistical Association, 88(422), 486-494. http://dx.doi.org/ 10.1080/01621459.1993.10476299
  • Verrelst, J., Alonso, L., Camps-Valls, G. 2012. Retrieval of Vegetation Biophysical Parameters Using Gaussian Process Techniques. IEEE Transactions on Geoscience and Remote Sensing, 50(5), 1832-1843. http://dx.doi.org/10.1109/TGRS.2011.2168962
  • Verrelst, J., Rivera, J.P., Leonenko, G., Alonso, L., Moreno, J. 2014a. Optimizing LUT-Based RTM Inversion for Semiautomatic Mapping of Crop Biophysical Parameters from Sentinel-2 and -3 Data: Role of Cost Functions. IEEE Transactions on Geoscience and Remote Sensing, 52(1), 257-269. http://dx.doi.org/10.1109/TGRS.2013.2238242
  • Verrelst, J., Alonso, L., Rivera, J.P., Moreno, J., Camps-Valls, G. 2014b. Gaussian Process Retrieval of Chlorophyll Content from Imaging Spectroscopy Data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(2), 867-874. http://dx.doi.org/10.1109/ JSTARS.2012.2222356
  • Verrelst, J., Rivera, J.P., Moreno, J., Camps-Valls, G., 2014c. Gaussian Processes uncertainty estimates in experimental Sentinel-2 LAI and leaf Chlorofyll content retrieval. ISPRS Journal of Photogrammetry and Remote Sensing, 86, 157-167. http://dx.doi. org/10.1016/j.isprsjprs.2013.09.012
  • Verrelst, J., Camps-Valls, G., Muñoz-Marí, J., Rivera, J.P., Veroustraete, F., Clevers, J., Moreno, J. 2015. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical attributes – A review. ISPRS Journal of Photogrammetry and Remote Sensing, 108, 273-290. http://dx.doi.org/10.1016/j. isprsjprs.2015.05.005
  • Wittenberghe, S.V., Verrelst, V., Rivera, J.P., Alonso, L., Moreno, J., Samson, R. 2014. Gaussian processes retrieval of leaf parameters from a multi-species reflectance, absorbance and fluorescence dataset. Journal of Photochemistry and Photobiology B: Biology, 134, 37-48. http://dx.doi.org/10.1016/j. jphotobiol.2014.03.010
  • Yang, Y. y Huang, S., 2014. Suitability of five cross validation methods for performance evaluation of nonlinear mixed-effecs forest models – a case study. Forestry, 87, 654-662. http://dx.doi.org/10.1093/ forestry/cpu025
Fuente de los datos: Dialnet