基于三种机器学习算法的山洪灾害风险评价

依据洪灾风险概念模型,从触发因子、孕灾环境和承灾体3方面选取江西省的12个洪灾风险指标,采用k近邻、随机森林、AdaBoost 3种机器学习算法构建洪灾风险评价模型。利用精度、Kappa系数、ROC曲线（AUC值）3种定量评估指标评价洪灾风险模型,基于随机森林和Boruta特征提取算法共同分析指标重要性,最后对比3种模型绘制的江西省山洪灾害风险分区图并分析山洪灾害分布特征。结果表明：① AdaBoost模型的精度、Kappa系数和AUC值的平均值为别为0.902、0.870和0.826,精度和Kappa系数略优于随机森林,AUC值与随机森林相当,而k近邻模型的3种性能指标均低于前2种算法;② 农田生产潜力、年最大6 h暴雨均值、年最大1 h暴雨均值、归一化差值植被指数、年降雨量均值这5个指标对最终的洪灾风险形成具有非常重要作用;③ 江西省较高风险区与最高风险区的面积和约占江西省总面积的34.4%,且主要分布于高降雨量、高暴雨量、农田生产潜力大的山区。     

基于多源遥感与地形信息的北极城镇用地信息提取

北极城镇空间信息对于研究北极,认识北极,利用北极都有重要意义。本文以北极圈内的城市特罗姆瑟为例,使用Landsat影像、DMSP/OLS夜间灯光、ASTER-GDEM2数据,通过特征提取得到属于光谱特征、纹理特征、夜间灯光特征、地形特征等18个特征,识别最优特征组合后基于AdaBoost算法提取1990、2004、2016年研究区的城镇用地,并将提取结果与最大似然法进行了对比,在此基础上进行了扩张分析。研究结果表明：引入地形与夜间灯光特征都可以在光谱纹理特征的基础上提高提取精度。基于光谱与纹理特征得到的总体精度与kappa值分别为86.20%和0.68;加入地形特征后精度分别提高2.70%（OA）和6.21%（kappa）;加入夜间灯光特征后精度分别提高2.10%和0.50;加入地形与夜间灯光特征精度分别提高3.70%和8.55%,因此光谱、纹理、地形与夜间灯光的组合是最优特征组合。通过最优特征组合进行AdaBoost城镇提取,比最大似然法对城镇的两分类总体精度高10%左右、kappa值高20%左右。计算结果显示,研究区城镇扩张强度为5.5×10^-4左右,属于缓慢扩张;扩张的平均动态度水平为0.018,是全球水平（0.0325）的一半左右;2004-2016年的动态度水平低于1990-2004年的动态度水平,说明研究区目前由高速发展期向平稳发展期过渡。     

一种飞机目标的遥感识别方法

高空间分辨率遥感影像通常具有数据量大、背景复杂及地物占比较少等特点。如果直接将RCNN模型应用于高空间分辨率遥感影像目标识别,计算量大且效率低。级联AdaBoost算法识别率高、速度快,但又会产生较多的虚假目标。本文结合RCNN模型和级联AdaBoost算法,提出了一种由粗到精的飞机目标识别方法。首先使用基于HOG特征的级联AdaBoost算法快速提取飞机目标候选区域,然后利用基于卷积神经网络特征的SVM对飞机目标候选区域进行精细识别。试验表明,本文提出的方法在保证准确率的同时,还有效提高了计算效率。