从高光谱数据多任务学习植被生物化学

统计模型在从反射光谱准确估算植被生化成分含量方面已取得成功。然而，当缺乏足够数量的地面真值数据来对光谱与生化量之间存在的复杂非线性关系进行建模时，其性能会下降。我们提出一种新颖的基于高斯过程的多任务学习方法，通过从已学习的预测相关生化成分的模型中迁移知识来改进对某一生化成分的预测。当感兴趣的生化成分的地面真值数据很少，但相关生化成分的地面真值数据充足时，该方法最具优势。所提出的多任务高斯过程假设，通过使用两个或多个协方差函数和任务间相关矩阵的组合，可以更好地对生化量之间的相互关系进行建模。在实验中，我们的方法在两个真实世界数据集上优于当前方法。