基于特征优选的GF-3全极化数据积雪识别
发布时间：2021-09-15 07:33
以新疆阿尔泰山南麓克兰河流域典型区为研究区,利用GF-3全极化数据进行积雪探测,提出了一种基于特征优选的积雪识别方法。首先通过极化分解获取了GF-3数据的22个极化特征,并利用随机森林方法计算各特征的重要性,构建特征优选规则生成最优特征集,然后基于最优特征集对积雪进行识别。分析特征的重要性发现,同极化后向散射系数对积雪识别的贡献比交叉极化的贡献大,面散射和体散射对积雪识别的贡献比二面角散射贡献大。将该方法与最大似然法、支持向量机、BP神经网络3种分类器的对比发现,使用最优特征集并且利用随机森林方法的积雪识别精度最高（F指数为0.86,总体精度为0.79）。结果表明:基于特征优选进行积雪识别,不仅使得积雪识别效率得到提高,而且保持精度不变甚至有所增加,证明了该方法在积雪识别中的有效性。
【文章来源】：遥感技术与应用. 2020,35(06)北大核心CSCD
【文章页数】：11 页
【部分图文】：
不同下垫面类型积雪、无积雪覆盖地表后向散射系数分布
表2为精度评价结果。随机森林的F指数和总体精度均是最高的，达到了0.86和0.79。最大似然法的F指数和总体精度为0.83和0.75，识别效果次于随机森林。支持向量机的准确率最高，达到了0.90，但召回率仅有0.74，说明支持向量机的识别结果中虚警率低、漏检率高，导致识别结果中积雪范围有所低估。BP神经网络的识别结果最差，各指标均比其他分类器低。从积雪的初步识别结果来看，随机森林的识别精度最高。4.2 特征优选
特征优选是一个根据特定规则筛选特征的过程，包括特征的重要性评估和特征的筛选两个步骤。首先，对参与积雪识别的22个特征进行重要性评估，各特征的重要性在特征优选前进行积雪识别时产生，排序结果如图5所示。HH和VV极化后向散射系数的重要性最高，分别为0.88和0.64。其次，H-A-α极化分解中第3分量的重要性为0.58，剩余特征的重要性在0.3～0.5之间。说明同极化后向散射系数对积雪识别的贡献比交叉极化后向散射系数的大。面散射分量（A3、F3、Y3）和体散射分量（A2、F2、Y2）对积雪识别的贡献比对应极化分解中二面角散射分量（A1、F1、Y1）的大。进行特征重要性评估后，根据特征的重要性大小筛选最优特征集。随着特征数量的增加，总体精度的变化如图6所示。使用HH一个特征，总体精度仅为0.73；使用HH和VV两个特征，总体精度为0.77；使用重要性最高的3个特征时，总体精度达到最高值0.79。此后，总体精度在0.76～0.79之间变化。因此确定最优特征集为同极化后向散射系数(HH、VV）和H-A-α分解的平均散射角分量（H3）组成的集合。
【参考文献】：
期刊论文
[1]基于GF-1和Sentinel-1A的漓江流域典型地物信息提取[J]. 唐廷元,付波霖,何素云,娄佩卿,闭璐. 遥感技术与应用. 2020(02)
[2]综合多特征的极化SAR图像随机森林分类算法[J]. 徐乔,张霄,余绍淮,陈启浩,刘修国. 遥感学报. 2019(04)
[3]新疆天山玛纳斯河流域高分辨率积雪遥感研究进展[J]. 肖鹏峰,冯学智,谢顺平,都金康. 南京大学学报(自然科学). 2015(05)
[4]玛纳斯河流域山区积雪的C波段SAR图像表征[J]. 贺广均,冯学智,肖鹏峰,耶楠,汪左,陈妮,李敏. 南京大学学报(自然科学). 2015(05)
[5]2002-2011年新疆积雪时空分布特征研究[J]. 娄梦筠,刘志红,娄少明,戴睿. 冰川冻土. 2013(05)
[6]国内外雪崩灾害研究综述[J]. 王世金,任贾文. 地理科学进展. 2012(11)
[7]基于MODIS的祁连山区积雪时空变化特征[J]. 蔡迪花,郭铌,王兴,张小文. 冰川冻土. 2009(06)
[8]新疆阿尔泰山区克兰河上游水文过程对气候变暖的响应[J]. 沈永平,王国亚,苏宏超,韩萍,高前兆,王顺德. 冰川冻土. 2007(06)
[9]塔里木河上游地区积雪长期变化趋势及其对径流量的影响[J]. 崔彩霞,魏荣庆,李杨. 干旱区地理. 2005(05)
[10]SAR干涉测量的相干性特征分析及积雪划分[J]. 李震,郭华东,李新武,王长林. 遥感学报. 2002(05)
本文编号：3395666
【文章来源】：遥感技术与应用. 2020,35(06)北大核心CSCD
【文章页数】：11 页
【部分图文】：
不同下垫面类型积雪、无积雪覆盖地表后向散射系数分布
表2为精度评价结果。随机森林的F指数和总体精度均是最高的，达到了0.86和0.79。最大似然法的F指数和总体精度为0.83和0.75，识别效果次于随机森林。支持向量机的准确率最高，达到了0.90，但召回率仅有0.74，说明支持向量机的识别结果中虚警率低、漏检率高，导致识别结果中积雪范围有所低估。BP神经网络的识别结果最差，各指标均比其他分类器低。从积雪的初步识别结果来看，随机森林的识别精度最高。4.2 特征优选
特征优选是一个根据特定规则筛选特征的过程，包括特征的重要性评估和特征的筛选两个步骤。首先，对参与积雪识别的22个特征进行重要性评估，各特征的重要性在特征优选前进行积雪识别时产生，排序结果如图5所示。HH和VV极化后向散射系数的重要性最高，分别为0.88和0.64。其次，H-A-α极化分解中第3分量的重要性为0.58，剩余特征的重要性在0.3～0.5之间。说明同极化后向散射系数对积雪识别的贡献比交叉极化后向散射系数的大。面散射分量（A3、F3、Y3）和体散射分量（A2、F2、Y2）对积雪识别的贡献比对应极化分解中二面角散射分量（A1、F1、Y1）的大。进行特征重要性评估后，根据特征的重要性大小筛选最优特征集。随着特征数量的增加，总体精度的变化如图6所示。使用HH一个特征，总体精度仅为0.73；使用HH和VV两个特征，总体精度为0.77；使用重要性最高的3个特征时，总体精度达到最高值0.79。此后，总体精度在0.76～0.79之间变化。因此确定最优特征集为同极化后向散射系数(HH、VV）和H-A-α分解的平均散射角分量（H3）组成的集合。
【参考文献】：
期刊论文
[1]基于GF-1和Sentinel-1A的漓江流域典型地物信息提取[J]. 唐廷元,付波霖,何素云,娄佩卿,闭璐. 遥感技术与应用. 2020(02)
[2]综合多特征的极化SAR图像随机森林分类算法[J]. 徐乔,张霄,余绍淮,陈启浩,刘修国. 遥感学报. 2019(04)
[3]新疆天山玛纳斯河流域高分辨率积雪遥感研究进展[J]. 肖鹏峰,冯学智,谢顺平,都金康. 南京大学学报(自然科学). 2015(05)
[4]玛纳斯河流域山区积雪的C波段SAR图像表征[J]. 贺广均,冯学智,肖鹏峰,耶楠,汪左,陈妮,李敏. 南京大学学报(自然科学). 2015(05)
[5]2002-2011年新疆积雪时空分布特征研究[J]. 娄梦筠,刘志红,娄少明,戴睿. 冰川冻土. 2013(05)
[6]国内外雪崩灾害研究综述[J]. 王世金,任贾文. 地理科学进展. 2012(11)
[7]基于MODIS的祁连山区积雪时空变化特征[J]. 蔡迪花,郭铌,王兴,张小文. 冰川冻土. 2009(06)
[8]新疆阿尔泰山区克兰河上游水文过程对气候变暖的响应[J]. 沈永平,王国亚,苏宏超,韩萍,高前兆,王顺德. 冰川冻土. 2007(06)
[9]塔里木河上游地区积雪长期变化趋势及其对径流量的影响[J]. 崔彩霞,魏荣庆,李杨. 干旱区地理. 2005(05)
[10]SAR干涉测量的相干性特征分析及积雪划分[J]. 李震,郭华东,李新武,王长林. 遥感学报. 2002(05)
本文编号：3395666
本文链接：https://www.wllwen.com/projectlw/qxxlw/3395666.html
