基于Sentinel-1 A数据的多种机器学习算法识别冰山的比较
冰山识别对于海洋环境监测和船只安全运行等具有重要的意义,是北极航道开通和北极开发过程中的重要内容.采用合成孔径雷达(SAR)影像进行冰山识别具有独特的优势,多种机器学习算法均可用于SAR影像的冰山识别中.为了最大限度地发挥机器学习算法的性能,有必要对不同机器学习算法及其搭配使用的特征与特征标准化方法进行评估,从而进行最优冰山识别方法的选择.因此,本文基于Sentinel-1A SAR影像,采用多种机器学习方法、多种特征组合及多种特征标准化方法进行冰山识别,并比较各流程方法的识别性能差异.采用的机器学习算法包括贝叶斯分类器(Bayes)、反向神经网络(BPNN)、线性判别分析(LDA)、随机森林(RF)以及支持向量机(SVM);特征标准化方法包括Min-max标准化、Z-score标准化及log函数标准化;数据集是含有12个SAR影像特征的969个冰山与非冰山样本,样本主要位于格陵兰岛东海岸.分类效果采用接收者操作特性(ROC)曲线下的面积(AUC)进行衡量.结果显示,最佳搭配下的RF的AUC值最高,达到了0.945,比最差的Bayes高出0.09.从识别率上来看,RF在冰山查全率为80％的情况下非冰山查全率达到92.6％,效果最好,比第2位的BPNN高出1.4％,比最差的Bayes高出2.6％;BPNN在冰山查全率为90％的情况下非冰山查全率达到87.4％,比第2位的RF高出0.8％,比最差的Bayes高出2.7％.上述结果表明,对冰山识别而言,选择最优的机器学习算法和最佳的特征与特征标准化方法都是十分重要的.
冰山、机器学习、Sentinel-1A、SAR
49
P237(摄影测量学与测绘遥感)
国家重点研发计划;国家自然科学基金
2020-04-26（万方平台首次上网日期，不代表论文的发表时间）
共13页
509-521
