基于集成学习的海岸带变化检测方法研究

基于集成学习的海岸带变化检测方法研究

P74%TP751; 随着我国自主研发卫星组网的不断完善,利用遥感变化检测技术进行海岸带变化检测成为海岸带监测的重要手段.针对沿海地区的变化信息提取,文章首先利用多特征构建差异影像,在此基础上采用两种集成学习方式:随机森林(Random Forest)和极端梯度提升(XGBoost),进行试验区的变化检测,并与传统的机器学习SVM、经典的变化检测方法CVA和IR-MAD进行对比,结果表明集成学习进行变化信息提取效率远超其余方式,且XGBoost在变化信息提取精度方面具有一定优势.研究成果对海岸带及海域使用开展自动化变化监测和海岸带监督管理具有重要意义....

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:海洋开发与管理 2021, Vol.38 (7), p.48-54
Hauptverfasser: 王娟, 赵吉祥, 单春芝, 高晓慧
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:P74%TP751; 随着我国自主研发卫星组网的不断完善,利用遥感变化检测技术进行海岸带变化检测成为海岸带监测的重要手段.针对沿海地区的变化信息提取,文章首先利用多特征构建差异影像,在此基础上采用两种集成学习方式:随机森林(Random Forest)和极端梯度提升(XGBoost),进行试验区的变化检测,并与传统的机器学习SVM、经典的变化检测方法CVA和IR-MAD进行对比,结果表明集成学习进行变化信息提取效率远超其余方式,且XGBoost在变化信息提取精度方面具有一定优势.研究成果对海岸带及海域使用开展自动化变化监测和海岸带监督管理具有重要意义.
ISSN:1005-9857
DOI:10.3969/j.issn.1005-9857.2021.07.008