基于遥感和机器学习的内陆水体水深反演技术

发布时间：2021-03-09 07:04

　　文章主要根据机器学习算法（随机森林算法和极端梯度提升算法）和遥感水深反演的原理,利用Sentinel₂多光谱卫星数据和无人船实测水深数据,对内陆水体——梅州水库建立了随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）水深反演模型,并对反演结果进行对比分析。结果表明:1) RF的训练精度为97%,测试精度为0.80;XGBoost模型的训练精度为97%,测试精度为0.79;SVM的训练精度为90%,测试精度为0.78。说明了在水深预测方面RF模型和XGBoost模型比SVM模型表现更好,对各个区段的水深值较为敏感。2)根据运行时间考察各个模型的效率,其中RF模型从读取数据至输出结果耗时3.92 s;XGBoost模型4.26 s;SVM模型6.66 s。因此,在反演精度和效率上RF模型优于XGBoost模型优于SVM模型,且RF模型的预测结果图细节更加丰富,轮廓更加分明;XGBoost模型次之,但总体效果也较好;SVM模型表现最差。由此可知,机器学习水深反演模型获得的水深结果精度明显提高,解决了传统水深反演模型精度不高的问题。 

【文章来源】：热带地理. 2020,40(02)北大核心

【文章页数】：9 页

【文章目录】：
1 研究区域与数据源
    1.1 研究区域概况
    1.2 数据源
        1.2.1 水深数据
        1.2.2 影像数据
2 研究方法
    2.1 随机森林模型（RF）
    2.2 极端梯度提升模型（XGBoost）
    2.3 支持向量机模型（SVM）
3 结果分析
4 结论与讨论


【参考文献】：
期刊论文
[1]基于机器学习方法的非编码RNA-蛋白质相互作用的预测[J]. 程淑萍,谭建军,门婧睿.  北京生物医学工程. 2019(04)
[2]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东.  计算机系统应用. 2018(04)
[3]基于模糊隶属度的多核SVR遥感水深融合探测[J]. 王锦锦,马毅,张靖宇.  海洋环境科学. 2018(01)
[4]基于WorldView-2遥感影像的龙湾港浅海水深反演[J]. 郭晓雷,邱振戈,沈蔚,栾奎峰,曹彬才,吴忠强.  海洋学研究. 2017(03)
[5]水深可见光遥感方法研究进展[J]. 王艳姣,董文杰,张培群,闫峰.  海洋通报. 2007(05)
[6]基于BP人工神经网络的水体遥感测深方法研究[J]. 王艳姣,张鹰.  海洋工程. 2005(04)

博士论文
[1]遥感测深数据处理方法研究[D]. 曹彬才.战略支援部队信息工程大学 2017



本文编号：3072467