乌苏里江水深遥感反演

文中在分析卫星遥感测深机理的基础上,利用SVCHR-1024高光谱成像仪确定了可见光反演水深的最佳波段,通过对HJ星CCD数据各波段反射率、波段比值组合对水体、水深的敏感性分析,建立了适合于乌苏里江的单波段对数水深反演模型,从而快速获取乌苏里江河道地形信息,并探测了河道深泓线,整体精度达到80%以上.遥感反演水深可快速探测河道深泓线的方法,为乌苏里江河势演变研究提供了新的思路.     

WorldView-2影像在南海岛礁浅海水深反演中的应用

针对南海岛礁浅海水域遥感探测研究较少且常用的中、低空间分辨率遥感影像难以满足该区域浅海水深高精度探测的问题,利用高空间分辨率WorldView-2多光谱影像和现场实测数据,对南海北岛岛礁浅海水域进行了水深反演研究。通过对WorldView-2和实测数据进行相关性分析,选择出相关性较高的数据构建了单因子、双因子、多因子线性回归模型和BP神经网络模型,利用实测数据对各个模型进行了测试与比较。结果显示,各个模型反演值与实测值的相关系数均在0.9以上,均方根误差约等于1.0,其中BP网络模型的相关系数最高,具有较高精度。研究表明,利用WorldView-2数据反演中国南海岛礁周边浅海水深的方法有效可行。     

基于遥感的随机森林农田水肥等级分级算法

农田水肥诊断对农作物增产与维持生态平衡稳定有重要意义。针对农作物航空遥感图像,提出用于农田水肥等级分级的随机森林分类模型,并讨论随机森林分类模型用于农田水肥等级分级的适用性。提出的模型基于随机森林分类器,通过对遥感图像进行特征提取与降维,将不同区域的遥感图像特征和对应的水、肥等级标签输入随机森林,训练分类模型,得到不同区域的分级结果。实验结果表明,在植被覆盖密度较高的区域中,随机森林分类模型能够为农作物含水量分级提供较好的分级参考,具有一定的适用性。     

基于"网格搜索+XGBoost"算法的浅海遥感水深反演

传统船载水深测量受船只吃水影响,难以在浅水区域开展,遥感水深反演作为传统方法的有益补充,其重要性日益凸显.以GF-1多光谱影像为数据源,以船载声呐实测水深点作为训练样本和检测样本,以相关系数、均方根误差和平均绝对误差作为评价指标,首次将网格搜索+XGBoost模型应用于启东恒大威尼斯浅海区域水深反演.实验表明,网格搜索...     

基于TM遥感图像的近海岸带水深反演研究

以江苏南通小洋口港外辐射沙脊群海域为研究区,在TM数据地表反射率反演的基础上,通过实测水深数据与TM4波段反射率、TM4/TM2波段反射率比值因子的相关研究,分别建立了线性、对数、指数和幂指数的水深反演模型,研究不同模型对该研究区0~5m、5~10m、10~15m不同水深的适用情况以及水深反演精度分析。研究结果表明:针对本研究区,以TM4/TM2波段反射率比值建立的线性水深反演模型的精度最好,并依据该模型对研究区进行遥感水深制图。     

基于多源遥感数据协同反演森林地表土壤水分研究

土壤水分在土壤监测中是一项重要的指标,对于农业生产、生态环境以及水资源管理有着重要的影响.随着遥感建模与反演理论的不断成熟,其逐渐成为分析土壤指标的重要技术与手段.因此,利用光学影像与雷达影像数据,以大兴安岭地区漠河市为研究区域,分别建立以Landsat 8为数据源的土壤水分反演模型和由Landsat 8影像数据与GF...     

滩海水深遥感反演模型应用研究

研究船舶准确探测滩海水深的信息问题。由于海水深度不同,散射特征和输入均有信号衰减,影响准确探测定位。传统探测方法利用船载声纳测深方法测量难度大,更新速度慢。为了弥补不足,提出了遥感探测滩海水深的方法,利用遥感的水深探测技术可快速获取大面积的滩海水深信息,根据遥感反演水深的基本原理,采用我国渤海滩海光学数据和实测水深资料,结合半理论半经验模型和统计相关模型,进行水深探测模型仿真,得到平均标准误差为2.7m。实验结果表明了方法的快速有效,可为渤海湾滩浅海水深地形研究提供可靠的依据。     

基于随机森林的高分辨率 PM2.5 遥感反演 ——以广东省为例

细颗粒物(PM2.5)监测是大气污染治理的重要手段,受限于地面观测点的数量,从遥感反演 PM2.5 是常规地面观测的有效补充,是当前的研究热点。通常遥感反演 PM2.5 的思路是先反演大气气溶胶光学厚度,然后基于统计关系由大气气溶胶光学厚度反演 PM2.5。该方法容易造成误差传递,从而 导致反演模型的不稳定。该文提出了一种基于随机森林算法(一种机器学习算法)的 PM2.5 遥感反演方法,直接建立中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)影像与地 面实测 PM2.5 的关系,可以避免传统反演 PM2.5 时先反演大气气溶胶光学厚度带来的误差,最终得到精度更高的 PM2.5 反演结果。该方法先用随机森林算法对 MODIS 影像和经过克里金插值后的地面监测站PM2.5 数据进行训练和测试;然后,根据测试的均方根误差从多个模型中选取最优(均方根误差最小)的模型;最后,将此模型用于整幅 MODIS 影像,得到整个区域的 PM2.5 反演结果。实验选取了广东省 四个季节多幅 MODIS 影像数据进行验证,并通过决定系数和均方根误差两个表现指标进行对比和分析,验证了所提算法的优越性。     

基于随机森林和投票机制的大数据样例选择算法

针对大数据样例选择问题,提出了一种基于随机森林（RF）和投票机制的大数据样例选择算法。首先,将大数据集划分成两个子集,要求第一个子集是大型的,第二个子集是中小型的。然后,将第一个大型子集划分成q个规模较小的子集,并将这些子集部署到q个云计算节点,并将第二个中小型子集广播到q个云计算节点。接下来,在各个节点用本地数据子集训练随机森林,并用随机森林从第二个中小型子集中选择样例,之后合并在各个节点选择的样例以得到这一次所选样例的子集。重复上述过程p次,得到p个样例子集。最后,用这p个子集进行投票,得到最终选择的样例子集。在Hadoop和Spark两种大数据平台上实现了提出的算法,比较了两种大数据平台的实现机制。此外,在6个大数据集上将所提算法与压缩最近邻（CNN）算法和约简最近邻（RNN）算法进行了比较,实验结果显示数据集的规模越大时,与这两个算法相比,提出的算法测试精度更高且时间消耗更短。证明了提出的算法在大数据处理上具有良好的泛化能力和较高的运行效率,可以有效地解决大数据的样例选择问题。     

基于二次随机森林的不平衡数据分类算法

不平衡数据集的分类问题是现今机器学习的一个热点问题。传统分类学习器以提高分类精度为准则导致对少数类识别准确率下降。本文首先综合描述了不平衡数据集分类问题的研究难点和研究进展,论述了对分类算法的评价指标,进而提出一种新的基于二次随机森林的不平衡数据分类算法。首先,用随机森林算法对训练样本学习找到模糊边界,将误判的多数类样本去除,改变原训练样本数据集结构,形成新的训练样本。然后再次使用随机森林对新训练样本数据进行训练。通过对UCI数据集进行实验分析表明新算法在处理不平衡数据集上在少数类的召回率和F值上有提高。     

基于改进随机森林的海量结构化数据异常辨识算法

结构化数据同时具备现海量与复杂的特征,导致其异常辨识难度上升,为此提出基于改进随机森林的海量结构化数据异常辨识算法。凭借互补集合经验模态分解,获得海量结构化数据的本征模态函数,去除噪声点。随机选择特征子集分裂决策树节点,采用AdaBoost算法对随机森林进行加权,完成随机森林改进。将改进随机森林的扩展空间范围定义为异常值范围,结合局部敏感哈希算法度量去除噪声点后的数据异常度,实现海量结构化数据异常辨识。通过实验表明,所提算法的海量结构化数据异常辨识精准度最高达到了95.8%,结构化数据量为400 G时的辨识耗时为2.52 min,说明该算法的海量结构化数据异常辨识精准率高、耗时短,具有较高的应用价值。     

基于WorldView-2数据的单木长势监测初探

单株木的定量、定位监测是森林资源监测调查与经营管理的重要内容.本文以WorldView-2为数据源,应用传统的基于像素分类方法对单木长势进行了初步分析,表明WorldView-2的2m多光谱数据对于中龄林的长势监测有着极大的潜力,可为森林资源管理决策提供快速、高效的单木长势信息.     

基于高分一号WFV影像的随机森林算法反演水稻LAI

叶面积指数(Leaf Area Index,LAI)是植被生长状况的重要指标,反映了农田生态系统的生产力水平。以江苏省东台市水稻田为研究区,基于多时相高分一号WFV影像提取的水稻植被指数数据,结合样区同步测量的不同生长期水稻叶面积指数数据,利用随机森林算法构建研究区水稻LAI反演模型。研究结果表明:随机森林算法反演的研究区水稻LAI与实测验证值相关性较好,R2达到0.88,RMSE仅为1.03,能准确反映研究区水稻LAI生长季的变化趋势,不同时段LAI测量值与反演值相对误差均值为15%,且GF-1WFV影像对研究区水、路网的分辨能力较高,总体上适用于农田LAI的反演。     

基于KNN方法的森林蓄积量遥感估计和反演概述

K-邻近距离法(KNN)作为一种非参数方法,多适用于非正态分布和密度函数未知的遥感数据分类和参数估计,已被广泛地用于寒带和亚寒带地区的多源林业调查和森林蓄积量估计反演。从KNN方法的基本原理出发,在与传统蓄积量遥感估计方法进行对比的基础上,详细地介绍了KNN方法的特点以及与K\|mean方法的区别,总结了KNN法森林蓄积量估计误差的评价模型和度量参数。还对KNN法森林蓄积量遥感估计的国内外研究动态进行了总结,表明了多源信息在KNN法森林蓄积量遥感估计中的重要性,总结出KNN方法进行森林蓄积量遥感估计的两种方法：基于样地点级和基于林分级。最后详细阐述了影响KNN法森林蓄积量估计的众多因素,提出了在低纬度地区利用KNN法对森林蓄积量遥感估计和反演进行系统研究的建议。     

珊瑚礁区多光谱遥感水深反演研究

珊瑚礁区水深反演对于珊瑚礁区域工程建设与珊瑚礁保护具有重要意义。遥感影像辐亮度值与水深具有很好的相关性,据此波段比值法和线性组合算法被应用到珊瑚礁区的水深反演中,并根据复杂的珊瑚礁地形地貌对以上2种模型均做了优化。结果表明:经过改进的波段比值算法在3~5m、10~15m的水深反演中精度较高。而本文用到的模型在5~10m水深范围内的精度均较差,初步得到的结论是珊瑚礁区特殊的地形地貌导致的。     

基于随机森林的高维数据可视化

目前对高维数据进行挖掘的方法大多是基于数学理论而非可视化的直觉。为便于直观分析和评价高维数据,提出引入随机森林(RF)方法对高维数据进行数据可视化。首先,采用RF进行有监督学习得到样本间的相似度度量,并采用主坐标分析法对其进行降维,将高维数据的关系信息变换到低维空间;然后,在低维空间中采用散点图进行可视化。在高维基因数据集上实验结果表明,基于RF有监督降维的可视化能够较好地展现高维数据的类分布规律,且优于传统的无监督降维后的可视化效果。     

基于随机森林的哈希检索算法

从海量数据中进行近似数据的检索是数据挖掘领域许多应用的关键。尤其近年来,数据的规模出现爆炸式增长,数据检索需面对海量数据和"维度灾难"的叠加考验,这使得传统最近邻算法效率降低,而近似最近邻算法发挥了越来越重要的作用。其中哈希算法以其在存储空间和计算时间上的优势受到了广泛关注。提出了一种基于随机森林的哈希算法。该算法通过构建随机森林,将原始空间的样本映射为海明空间的二进制哈希码,并在哈希空间上定义了顺序敏感的海明距离,以最大程度保持数据在原空间的近邻关系不变。由于随机森林中不同决策树所使用的特征空间和学习过程是独立的,可以以增量的方式灵活地确定哈希码的长度。此外基于随机森林的哈希编码算法天然适合并行部署,从而可以大大提高算法速度。最后,在MNIST和CIFAR-10数据集对所提算法进行了实验验证,结果表明了算法的有效性和出色性能。     

基于遥感和气象数据的东南亚森林动态变化分析

为进一步了解热带森林动态变化与人类活动及气候变化之间的关系,利用MODIS遥感数据和ERA-Interim再分析气象数据,通过时间序列分析和相关性分析,得到2001～2013年东南亚地区11个国家的森林净初级生产力(NPP)时空变化情况及其与植被覆盖率(VCF)、温度、降水和光合有效辐射(PAR)的相关关系。结果表明:①东南亚地区森林NPP呈现由赤道向南北两极方向增加的趋势;②研究区大部分区域NPP呈减少趋势,NPP变化较剧烈的地区变异系数一般较大,生态系统的固碳能力不稳定;③研究区整体森林覆盖率较高(60%～80%),2001～2013年间大部分区域VCF呈增加趋势,部分地区VCF与NPP的偏相关系数较相关系数高,表明NPP受人类活动影响大;④东南亚地区温度、降水和PAR都较高,热带雨林气候国家较热带季风气候国家森林NPP与气候因子具有更好的相关性,一般与温度呈负相关,与降水和PAR呈正相关。     

基于空间变换的随机森林算法

随机森林是机器学习领域中一种常用的分类算法,具有适用范围广且不易过拟合等优点.为了提高随机森林处理多分类问题的能力,提出一种基于空间变换的随机森林算法(space transformation based random forest algorithm, ST-RF).首先,给出一种考虑优先类别的线性判别分析方法(priority class based linear discriminant analysis, PCLDA),利用针对优先类别的投影矩阵对样本进行空间变换,以增强优先类别样本与其他类别样本的区分效果.进而,将PCLDA方法引入随机森林构建过程中,在为每棵决策树随机选择一个优先类别保证随机森林多样性的基础上,利用PCLDA方法创建侧重于不同优先类别的决策树,以提高单棵决策树的分类准确性,从而实现集成模型整体分类性能的有效提升.最后,在10个标准数据集上对ST-RF算法与7种典型随机森林算法进行比较分析,验证所提算法的有效性,并将基于PCLDA的空间变换策略应用到对比算法中,对改进前后的算法性能进行比较分析.实验结果表明：ST-RF算法在处理多分类问题方面具有明显优势,所提出的空间变换策略具有较强的普适性,可以显著提升原算法的分类性能.