基于CART集成学习的城市不透水层百分比遥感估算

利用Landsat ETM^＋遥感数据，提出了一种基于CART集成学习的ISP遥感亚像元估算方法，将Boosting重采样技术引入CART分析中，用于提高ISP估算的精度。实验结果表明，该方法的ISP估算性能优于传统的单一CART学习算法，从ETM^＋影像中估算的ISP值与真实值之间的相关系数达到0．91，平均偏差为11．16％。     

Classifier ensembles for land cover mapping using multitemporal SAR imagery

SAR data are almost independent from weather conditions, and thus are well suited for mapping of seasonally changing variables such as land cover. In regard to recent and upcoming missions, multitemporal and multi-frequency approaches become even more attractive. In the present study, classifier ensembles (i.e., boosted decision tree and random forests) are applied to multi-temporal C-band SAR data, from different study sites and years. A detailed accuracy assessment shows that classifier ensembles, in particularly random forests, outperform standard approaches like a single decision tree and a conventional maximum likelihood classifier by more than 10% independently from the site and year. They reach up to almost 84% of overall accuracy in rural areas with large plots. Visual interpretation confirms the statistical accuracy assessment and reveals that also typical random noise is considerably reduced. In addition the results demonstrate that random forests are less sensitive to the number of training samples and perform well even with only a small number. Random forests are computationally highly efficient and are hence considered very well suited for land cover classifications of future multifrequency and multitemporal stacks of SAR imagery.     

Boosting和Bagging算法的高分辨率遥感影像分类探讨

多分类器集成能够有效地提高遥感分类精度、降低结果中的不确定性,基于样本操作的Boosting和Bagging算法是多分类器系统常用的两种算法。针对高分辨率卫星遥感分类的需求,以Qu ickb ird数据为例,分别以BP神经网络、RBF神经网络和决策树为基分类器,对Boosting和Bagging算法的应用效果进行了实验和分析评价,结果表明Boosting算法和Bagging算法能够用于高分辨率遥感影像分类,具有较好的分类性能。     

赤潮随机梯度回归分析

赤潮的危害日益严重,为了预测赤潮的发生,运用回归树的随机梯度Boosting算法分析渤海赤潮数据, 建立浮游植物总量与环境因子的定量关系,给出各种环境因子对浮游植物总量相对影响的大小以及浮游植物总量和各种环境因子偏相关的图形,有利于探索赤潮的发生机制,指导菌种的培养. 最后,相比其它算法,回归树的随机梯度Boosting对于＂局部剧增＂的赤潮数据是稳健的,而且具有较高的预测精度.     

3种经典机器学习算法在火山岩测井岩性识别中的对比

岩性识别一直是火山岩油气勘探中的重要课题,基于测井数据的岩性识别也逐渐成为火山岩研究的需要,大数据背景下的机器学习算法为测井岩性识别提供了一个新方向。为提高某研究区火山岩岩性识别符合率,本文采用K近邻、支持向量机和自适应增强3种经典机器学习算法,对研究区内的粗面岩、非致密粗面岩、辉绿岩、辉长岩、玄武岩和非致密玄武岩等6类中基性火山岩进行岩性识别。从常规测井系列中优选对研究区岩性敏感的自然伽马、声波时差、补偿中子、深侧向电阻率和补偿密度等5种测井参数作为岩性识别模型的输入向量,从研究区内5口有岩心样品或薄片鉴定资料的目标层中选取测井数据点1 440个,其中960个作为训练样本,其余480个作为测试样本。以识别符合率和时间作为评价指标,对3种算法的识别结果进行对比分析,实验表明：自适应增强算法的分类准确率最高,6类岩性平均识别符合率达到82.10%;支持向量机算法表现良好,平均识别符合率为81.04%;K近邻算法平均识别符合率为76.04%。     

Support vector machines and gradient boosting for graphical estimation of a slate deposit

Critical for an efficient and effective exploitation of a slate mine is to obtain information on its technical quality, in other words, on the exploitability potential of the deposit. We applied support vector machines (SVM) and LS-Boosting to the assessment of the technical quality of a new unexploited area of a mine, and compared the results to those obtained for kriging and neural networks. Firstly we analyzed the relationship between kriging and semi-parametric SVM in a regularization framework and explored the different alternatives for training these networks. Subsequently, in an attempt to combine both radial and projection structures, we formulated a boosting technique for radial basis function (RBF) networks defined over projections in the input space (RBFPP). The application of these techniques to our test drilling data demonstrated a similar level of performance for all the estimators examined, with the main difference occurring in the shape of the respective deposit reconstructions. Therefore, in choosing between the different techniques, an essential aspect will be their ability to reproduce the morphological characteristics of the true process. In this paper we also evaluate the benefits of using the estimated covariogram as the kernel of the SVMs and compare the sparsity of the different solutions. The results obtained show that the selection of a standard kernel that ignores the variability structure of the problem produces poorer results than when the estimated covariogram is used as the kernel.The research of J. Taboada was supported by the European Union, FEDER program, Project 1FD97–0091. The research of W. González-Manteiga was supported by Ministerio de Ciencia y Tecnología of the Spanish Government, Project BFM2002–03213. The authors wish to thank the associate editor and an anonymous referee for stimulating comments.     

基于梯度提升树的大气分层透过率快速计算方法

大气透过率的计算是红外辐射传输计算的核心,RTTOV（Radiative Transfer for TOVS）通过建立大气廓线中温度、水汽、臭氧和其他气体浓度等参数与卫星通道透过率的统计关系,可实现卫星通道透过率和大气顶辐射率的快速准确计算。但在一些复杂吸收波段,如水汽波段,RTTOV的计算误差较大。为提高RTTOV在水汽敏感波段的计算精度,利用机器学习中的梯度提升树（Gradient Boosting Tree,GBT）方法,选取从ECMWF（European Centre for Medium-Range Weather Forecasts）的IFS-137（The Integrated Forecast System,137-level-profile）廓线集中挑选的1406条廓线和由此计算的透过率真值作为样本,选取风云三号气象卫星上搭载的红外分光计（InfraRed Atmospheric Sounder,IRAS）通道12（7.33 μm）进行个例研究,分别建立陆地和海洋晴空大气等压面至大气层顶透过率的快速计算模型（GBT模型）。通过和透过率、亮温真值的比较,验证了GBT模型。比较结果显示,GBT模型预测的透过率平均绝对误差（Mean Absolute Error,MAE）为:陆地0.0012,海洋0.0009;均方对数误差（Mean Squared Logarithmic Error,MSLE）为:陆地0.0215,海洋0.0095,均小于RTTOV直接计算的透过率的误差（陆地、海洋的MAE分别比RTTOV小0.0008和0.0010,MSLE分别比RTTOV小0.0135和0.0227）;由GBT模型计算的亮温MAE分别为:陆地0.0949 K,海洋0.0634 K,均方根误差（Root Mean Square Error,RMSE）分别为:陆地0.1352 K,海洋0.0831 K,也都小于RTTOV直接模拟的晴空亮温误差（陆地、海洋的MAE分别比RTTOV小0.1685 K和0.1466 K,RMSE分别比RTTOV小0.1794 K和0.1685 K）。本研究的结果表明,在IRAS红外水汽波段,GBT预测的透过率和亮温误差比RTTOV小。机器学习有提高水汽波段正演精度的潜力,或可为辐射传输的快速计算提供可行的替代方法。      

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。     

考虑降水时间相关性的地面观测-雷达-卫星遥感逐时降水融合方法研究

以广东省北部山区2018年汛期强降水时段4月23—28日龙舟水、5月7—11日龙舟水和9月16—17日台风“山竹”3次典型暴雨过程的逐时降水为研究对象,研究基于XGBoost算法与地统计学理论的地面观测-前两个时刻逐时降水-雷达-卫星遥感的多源逐时降水融合模型,充分考虑相邻时刻降水的时间相关性,得到空间分辨率为1 km的逐时降水融合数据。此外,分别利用XGBoost与随机森林(RF)算法进行不考虑降水时间相关性的地面观测-雷达-卫星遥感逐时降水融合对比试验,并对试验结果进行精度评价。结果表明：(1) 在3次暴雨过程中,三种融合模型的逐时降水融合结果具有类似的空间分布;(2) 与XGBoost和RF逐时降水融合结果相比,融合了降水时间相关性的逐时降水融合结果在不同暴雨过程的准确性均有明显改进,3次暴雨过程的决定系数(R2)平均提高了7.89%和23.27%;(3) XGBoost逐时降水融合模型的精度整体上优于RF逐时降水融合模型,3次暴雨过程的R2分别提高了7.1%、4.3%和31.4%。     

基于支持向量机无限集成学习方法的遥感图像分类

基于支持向量机的无限集成学习方法(SVM-based IEL)是机器学习领域新兴起的一种集成学习方法。本文将SVM-based IEL引入遥感图像的分类领域,并同时将SVM、Bagging、AdaBoost和SVM-based IEL等方法应用于遥感图像分类。实验表明:Bagging方法可以提高遥感图像的分类精度,而AdaBoost却降低了遥感图像的分类精度;同时,与SVM、有限集成的学习方法相比,SVM-based IEL方法具有可以显著地提高遥感图像的分类精度、分类效率的优势。