机器学习算法在遥感水深反演中的应用与比较

作     者：饶亚丽 沈蔚 栾奎峰 纪茜 孟然 郝李华 RAO Yali;SHEN Wei;LUAN Kuifeng;JI Qian;MENG Ran;HAO Lihua

作者机构：上海海洋大学海洋科学学院上海201306 上海河口海洋测绘工程技术研究中心上海201306 南通智能感知研究院江苏南通226009 

出 版 物：《海洋湖沼通报（中英文）》 (Transactions of Oceanology and Limnology)

年 卷 期：2024年第46卷第5期

页      面：56-63页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 08[工学] 09[农学] 0804[工学-仪器科学与技术] 0903[农学-农业资源与环境] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划(2016YFC1400904) 上海市科委重点科研计划(17DZ1204902) 上海市海洋局科研项目(沪海科2019-5,沪海科2020-5) 

主　　题：遥感水深反演 机器学习算法 XGBoost模型 多光谱影像 

摘      要：为探究不同机器学习模型对水深反演精度的影响,本文根据遥感水深反演原理,针对极限梯度提升(XGBoost)、支持向量机(SVM)、核岭回归(KRR)和套索回归(LASSO)四种机器学习模型,利用WorldView-2多光谱卫星遥感影像和机载激光雷达(Lidar)测深数据,在训练样本和测试样本相同的情况下,结合网格搜索方法寻找机器学习算法的最优参数组合,对我国南海甘泉岛周边浅水水域进行水深反演实验。通过四类机器学习模型反演结果比较分析得出结果:在20 m以浅水深区域,XGBoost模型的学习能力较强,相关系数(R^(2))为0.97,均方根误差(RMSE)为0.85 m,平均绝对误差(MAE)为0.63 m,平均相对误差(RME)为19%,优于其他三种机器学习模型,总体效果最好,能够用于甘泉岛周边水域的预测,为后续开展水深反演研究提供借鉴意义。