[發(fā)明專利]基于特征優(yōu)選隨機森林的冰川表磧遙感識別方法

在審

• 申請?zhí)枺?/td>: 202210980915.8
• 申請日: 2022-08-16
• 公開（公告）號: CN115346134A
• 公開（公告）日: 2022-11-15
• 發(fā)明（設(shè)計）人: 許民;周衛(wèi)永;宋軒宇;李振中;王鵬壽;侯志康
• 申請（專利權(quán)）人: 中國科學院西北生態(tài)環(huán)境資源研究院
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/764;G06V10/774
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于特征優(yōu)選隨機森林的冰川表磧遙感識別方法，該方法主要步驟如下：對哨兵2號（Sentinel?2）遙感影像進行輻射定標、大氣校正、重采樣，并將影像的合成光譜波段拆分為單波段影像；構(gòu)建光譜信息、遙感指數(shù)、影像紋理、地形特征四類特征向量，并對所有的特征變量進行重要性排序；重要性排序結(jié)果依次疊加特征向量訓練RF模型，找到表磧識別精度達到最高時的特征向量個數(shù)N；以獲得最高的表磧識別精度為準則，優(yōu)選前N個特征向量構(gòu)成最優(yōu)特征組合，訓練RF模型并進行影像分類，得到冰川表磧范圍。本發(fā)明將隨機森林與特征優(yōu)選方法相結(jié)合，提供了一種能避免表磧與巖石錯分、精度高、具有推廣性的冰川表磧識別算法。

技術(shù)領(lǐng)域

本發(fā)明屬于機器學習方法的地物信息遙感提取領(lǐng)域，具體來說涉及使用特征優(yōu)選隨機森林方法對冰川表磧進行識別。

背景技術(shù)

在冰川運動和堆積過程中挾帶的沉積物稱為冰磧，由于冰川消融加劇導致內(nèi)磧暴露或巖石風化、沉積形成碎屑物落于冰川表面，即形成表磧。隨著全球氣候的劇烈變化，高山冰川出現(xiàn)明顯的消融加快和邊界退縮，對鄰近區(qū)域的水文和生態(tài)環(huán)境產(chǎn)生了深遠的影響。區(qū)別于無表磧冰川，表磧覆蓋型冰川在消融、徑流的過程中，表磧會對其產(chǎn)生隔熱、阻滯作用，因而呈現(xiàn)出獨特的物質(zhì)平衡狀態(tài)。識別冰川表磧覆蓋范圍對監(jiān)測冰川水文和物質(zhì)平衡狀態(tài)具有重要意義。但由于表磧的光譜特性與巖石相近，且易與積雪混雜，冰川表磧的遙感半自動或自動解譯成為一個難題。

目前的研究中，使用熱紅外和SAR（Synthetic Aperture Radar）影像進行表磧識別具有可行性，但精度普遍較低。將光譜信息與地形、紋理等特征結(jié)合，識別表磧的精度能有明顯提升，但該方法在不同的研究區(qū)需憑經(jīng)驗挑選特征組合，通過試錯法確定特征的閾值，具有較大主觀性，普適程度不高。

隨機森林（Random Forest，RF）是一種經(jīng)典的機器學習算法，在遙感領(lǐng)域主要用于進行土地覆蓋分類以及目標檢測。特征優(yōu)選隨機森林在原有算法的基礎(chǔ)上引入了特征向量重要性的概念，能夠找出分類精度最高、成本最低的特征組合方案，并通過構(gòu)建決策樹極大簡化了特征閾值的判定過程。

本發(fā)明針對目前遙感方法識別表磧研究中遇到的問題，提出了一種基于特征優(yōu)選隨機森林的冰川表磧遙感識別方法，能夠準確、快速、低成本的識別冰川表磧范圍。

發(fā)明內(nèi)容

本發(fā)明目的是提供一種能避免表磧與巖石錯分、精度高、具有推廣性的冰川表磧識別算法，解決傳統(tǒng)遙感分類方法精度低、區(qū)分表磧與巖石效果差的問題。

為了實現(xiàn)上述目的，本發(fā)明提出一種基于特征優(yōu)選隨機森林的冰川表磧遙感識別方法，依次包括以下步驟。

（1）獲取研究區(qū)的哨兵2號（Sentinel-2）衛(wèi)星遙感影像，進行輻射定標、大氣校正，并將影像的分辨率重采樣至（10m），并將影像的合成光譜波段拆分為單波段影像。

（2）構(gòu)建光譜信息、遙感指數(shù)、影像紋理、地形特征四類特征向量，并對所有的特征變量進行重要性排序。

（3）選擇好訓練樣本和驗證樣本，按重要性排序結(jié)果依次疊加特征向量訓練RF模型，分類精度和Kappa系數(shù)會隨特征個數(shù)的增加而變化，找到表磧識別精度達到最高時的特征向量個數(shù)N。

（4）以獲得最高的表磧識別精度為準則，優(yōu)選前N個特征向量構(gòu)成最優(yōu)特征組合，訓練RF模型并進行影像分類，得到冰川表磧范圍。

上述過程中步驟（2）對特征變量進行重要性排序的的具體處理過程如下：由于同類特征向量之間具有較高相關(guān)性，在訓練模型時會產(chǎn)生信息冗余，導致訓練成本增加的同時還會對分類精度產(chǎn)生影響。不用于構(gòu)建分類模型的剩余數(shù)據(jù)稱為袋外數(shù)據(jù)（Out-Of-Bag，OBB），通過計算OOB預測錯誤率可對每一種特征向量的重要性進行評分。