基于遥感和机器学习的内陆水体水深反演技术

• 作者: 李勇 杨传训 杨骥 温开祥 王华 荆文龙
• 来源期刊: 热带地理
• 学科: 地球科学
• 关键词: 机器学习 水深反演 无人船测深 多光谱遥感 内陆水体
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: “地理空间智能技术及应用”专题
• 页码范围: 314-322
• 页数: 9页
• 分类号: P715.7
• 字数: 6253字
• 语种: 中文
• DOI: 10.13284/j.cnki.rddl.003237

摘要

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Sentinel_2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.