基于模糊隶属度的多核SVR遥感水深融合探测

遥感是海岸带浅海和岛礁周边水深探测的重要手段,支持向量回归(SVR)是广泛应用于数据回归的机器学习模型。本文将SVR引入多光谱遥感水深探测,针对单核SVR模型在浅水区水深反演中误差较大的问题,以单核SVR模型反演不同水深段的模糊隶属度作为决策融合因子,提出了基于模糊隶属度的多核SVR遥感水深融合探测方法,并以我国西沙群岛中的北岛为实验区,与单核SVR模型和传统的对数线性水深遥感模型开展对比实验。实验结果表明:1)基于模糊隶属度的多核SVR融合模型在25 m以浅的水域,平均绝对误差0.99 m,平均相对误差8.2%;2)融合模型的平均相对误差分别比以RBF、Sigmoid、多项式、线性为核函数的四种单核SVR模型提高了1.7%、4%、4.4%、4.8%,比对数线性模型提高了5.5%;3)对于不同水深段,多核SVR融合模型在0~15 m的3个水深段内平均相对误差比四种单核SVR模型提高了0.7%至54.9%不等,在0~25 m的5个水深段内比对数线性模型提高了1.1%至20.4%不等。     

一种自适应学习率的卷积神经网络模型及应用——以滨海湿地遥感分类为例

滨海湿地是重要的生态系统,开展滨海湿地类型分布监测,对滨海湿地的保护与利用具有重要意义。传统卷积神经网络（CNN）模型中的学习率为人工设置的固定值,本文提出一种自适应学习率的CNN模型,以代价函数为目标函数自动计算学习率的优化值,从而使CNN模型具有自适应性。应用黄河口滨海湿地的CHRIS高光谱遥感影像数据,开展本文提出的CNN模型分类方法验证与优化。实验结果表明:对于不同的学习率搜索区间,自适应学习率CNN模型在[0,1]区间的整体分类精度最高,说明在学习率优化过程中只需在小区间[0,1]内进行微调就能保证较好的分类精度;对于不同的学习率初值,自适应学习率CNN模型的分类精度和稳定性都高于传统CNN模型,说明本文提出的模型对初值敏感性较低;在训练样本数目减少的情况下,两模型分类精度的稳定性都有不同程度的降低,但在保证训练样本占全部样本1.35%以上的条件下,自适应学习率CNN模型稳定性高,说明本文提出的模型对小样本具有一定的适应能力。     

水深被动光学遥感反演模型适用性研究

目前常用的水深遥感反演模型有对数线性模型和对数转换比值模型,近年新发展了一种改进的对数转换比值模型。本文分别选取不同水体类型的蜈支洲岛和槟城为研究区,基于GeoEye-1多光谱影像开展如下水深反演研究:首先对改进的对数转换比值模型进行水深反演能力验证,然后从三个维度对三种模型反演能力进行剖析与比较。研究表明:（1）改进的对数转换比值模型基本可以真实的反映水下地形变化,且反演水深与真实水深差值绝大部分控制在2 m以内,在10~20 m反演效果尤佳,水深差在1 m水深处上下浮动。（2）多维度剖析:①整体精度评价:在清澈海域蜈支洲岛周边水深反演精度最高的是改进的对数转换比值模型,MAE为1.56 m,MRE为13.5%,对数线性模型MAE为1.71 m,MRE为14.8%,对数转换比值模型次于前两者,在浑浊海域槟城周边水深反演精度最高的亦是改进的对数转换比值模型,而对数线性模型反演精度有所下降;②分水深段精度评价:随着水深值的增加,三种模型在蜈支洲岛反演精度均呈上升的趋势,在槟城研究区,对数转换比值模型和改进的对数转换比值模型反演规律与蜈支洲岛相似,而对数线性模型在15~20 m水深段,反演精度明显下降;③模型稳定性:改进的对数转换比值模型在不同水深段反演精度变化幅度最小且反演精度最高,且在不同的水质环境中具有相对稳定的反演能力,对数转换比值模型其次,而对数线性模型易受海水环境影响,尤其在浑浊水体反演精度不够稳定。