顾及特征优选的机载LiDAR测深海底点云底质分类
Airborne LiDAR bathymetry sediment classification considering the optimal features by using seabed point cloud作者机构:山东科技大学测绘与空间信息学院青岛266590 自然资源部海洋测绘重点实验室青岛266590 自然资源部第二海洋研究所自然资源部海底科学重点实验室杭州310012
出 版 物:《遥感学报》 (NATIONAL REMOTE SENSING BULLETIN)
年 卷 期:2023年第27卷第9期
页 面:2219-2228页
核心收录:
学科分类:07[理学] 08[工学] 0708[理学-地球物理学] 081601[工学-大地测量学与测量工程] 0816[工学-测绘科学与技术]
基 金:国家自然科学基金(编号:52001189,41930535) 自然资源部海底科学重点实验室开放基金(编号:KLSG2106) 自然资源部海洋测绘重点实验室开放基金(编号:2021B05) 山东省自然科学基金(编号:ZR2023QD050) 青岛市关键技术攻关及产业化示范类项目(编号:23-1-3-hygg-1-hy) 青岛市自然科学基金(编号:23-2-1-66-zyyd-jch) 山东科技大学科研创新团队支持计划(编号:2019TDJH103)。
主 题:机载LiDAR测深 底质分类 波形特征 地形特征 Relief-F特征优选模型 图像处理 海洋
摘 要:基于机载LiDAR测深ALB(Airborne LiDAR Bathymetry)技术的海底底质分类能够为浅海水域的海洋资源开发利用、海洋环境保护、海洋工程建设等提供基础数据,对海洋活动与海洋科学研究具有重要意义。针对ALB海底底质分类存在的特征冗余问题,本文提出了一种顾及波形和地形特征优选的底质分类算法。在提取波形和地形特征的基础上,构建Relief-F特征优选模型,通过计算各特征在底质分类中的贡献率,实现多元特征优选;然后,利用随机森林RF(Random Forest)、支持向量机SVM(Support Vector Machine)、BP神经网络BPNN(Back Propagation Neural Network)3种分类器进行监督分类,提取珊瑚礁、砾石、砂、植被、海岸带5类底质。为验证所提分类方法的有效性,利用西沙甘泉岛实测ALB数据进行实验,结果表明:利用Relief-F算法进行特征优选后,RF、SVM与BPNN的分类精度分别提高了1.1%、1.1%和2.7%;其中,随机森林底质分类具有更高的分类精度,其总体分类精度OA(Overall Accuracy)和Kappa系数分别达到了95.36%和0.94。本文研究成果能够为海洋工程等领域的海底底质分类需求提供有效的技术支撑。