CN115376002A - 一种基于stacking集成模型的多光谱卫星遥感测深方法 - Google Patents

一种基于stacking集成模型的多光谱卫星遥感测深方法 Download PDF

Info

Publication number
CN115376002A
CN115376002A CN202211041206.XA CN202211041206A CN115376002A CN 115376002 A CN115376002 A CN 115376002A CN 202211041206 A CN202211041206 A CN 202211041206A CN 115376002 A CN115376002 A CN 115376002A
Authority
CN
China
Prior art keywords
layer
multispectral satellite
model
remote sensing
water depth
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211041206.XA
Other languages
English (en)
Inventor
沈蔚
陈沐崟
王家琦
郝李华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ocean University
Original Assignee
Shanghai Ocean University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Ocean University filed Critical Shanghai Ocean University
Priority to CN202211041206.XA priority Critical patent/CN115376002A/zh
Publication of CN115376002A publication Critical patent/CN115376002A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于stacking集成模型的多光谱卫星遥感测深方法，属于海洋遥感探测领域。该算法包括：获取待测水域的多光谱卫星影像及对应的实测样本数据集；建立stacking集成模型，包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；将预处理后的所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的整体水深信息；并对其进行质量评估和水深制图。本发明所提出的将多个训练数据集和机器学习模型相结合的方法，在针对遥感影像估计水深方面是有效的，优于单一模型。与传统声学测深方法相比，具有成本更低、广泛性更强的优点。

Description

一种基于stacking集成模型的多光谱卫星遥感测深方法
技术领域
本发明涉及海洋遥感探测领域，特别涉及一种基于stacking集成模型的多光谱卫星遥感测深方法。
背景技术
水深是重要的地形要素，水深测量是获取海底信息的关键，水下地形是海洋建设管理和沿海环境监测的关键数据。通过水深测量，可以探测水下地形地貌、水下航道障碍物，为近海经济建设和军事斗争服务。
海洋水深作为重要的水文特征之一，一直是海洋调查与测绘中最为基础的一项工作，浅海水深测量一直是海洋调查测绘领域的难点。使用基于船只的声学回声探测绘制地图，这种方法能够沿横断面生成精确的点测量或深度剖面，但受到效率低、费用高和不易获取的限制。因浅海水域制约了航行安全，尤其是在超差较大区域，传统的船载声呐测深无法适用于近岸浅水水域，另一种替代方法是，结合实测水深数据和卫星遥感数据，以实测改进遥感水深的预测，并且随着光学传感器空间分辨率和光谱分辨率的提高而更为准确，其中空间分辨率高于30m的卫星图像，如Landsat卫星、SPOT和WorldView卫星的出现，使得机载卫星测深(Satellite Derived Bathymetry，SDB)已经渐渐成为可以实际应用的测深方式。
作为水深反演探测方法，当前已经开发了经验方法和基于物理的半经验方法，用于卫星测深研究。尽管底部反射率的变化和水柱光学特性的变化会影响精确的深度提取，但使用多个波段可以提高深度估计的稳健性。然而，仅仅基于多光谱传感器的测深在实际应用中仍存在问题。卫星测深需要一定卫星图像的监督训练数据，并且测深误差较大。因此需要结合实测数据，通过机器学习模型反演水深数据，来提高测深精度。
近些年来，国内外学者在利用机器学习模型对多光谱遥感进行水深反演的研究上做了多方面研究。当前前已有多列机器学习方法被应用在遥感水深反演上，张鹰、王艳娇等引入动量BP神经网络模型，反演长江口南港河段的水深，发现模型在5米以浅水域反演精度较高； Vanesa Mateo-Pérez等使用支持向量机模型对Sentinel-2遥感图像在西班牙的Luarca和Candás港口的水深进行计算，得出接近实测的反演结果；T atsuyukiSagaw等人使用随机森林机器学习和多时相卫星图像创建广义深度估计模型,使用Google Earth引擎分析了总共135幅 Landsat-8图像和五个区域的大量训练测深数据。通过与参考测深数据的比较，评估了SDB的精度。五个试验区最终估计水深的均方根误差为1.41m，深度为0至20m,可见随机森林模型的计算适用于高透明度条件下的各种浅水区域；Hassan Mohamed利用最小二乘增强 (LSB)的集成学习拟合算法，从高分辨率卫星图像和生态测深仪的水深测量样本中计算浅水湖泊水深图的方法，并将其与主成分分析 (PCA)和广义线性模型(GLM)的回归方法做比较，可见集成学习算法相比单一模型有着更高的潜力。
现有的机器学习模型大多使用同一种分类器，或是多个相同来源的分类器共同集成，这种集成方法可以叫做同源集成。对于同源集成而言，有一个需要注意也十分重要的点：那就是相同来源的模型的误差是相关的，也就是引起每个模型误差的原因都是相同的，各个模型引发误差的因素是比较相似的，那么通过组合仍然不能有效的提高模型的效果。又因为每个模型在不同水深范围都有其表现优秀的擅长领域，因此，很难找到一种机器学习模型适应所有的水深反演条件。
发明内容
针对现有的技术缺陷，本发明提出使用Stacking的集成方法，针对不同的模型进行不同的加权输出，这样可以发挥各个模型的特性，得到更好的反演结果。
为了达到上述目的，本发明提供了一种基于stacking集成模型的多光谱卫星遥感测深方法，包括如下步骤：
(1)获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
(2)建立stacking集成模型，所述stacking集成模型有两层，包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
(3)将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的整体水深信息；
(4)针对所述待测水域的整体水深信息进行质量评估和水深制图。
进一步的，所述针对所述多光谱卫星影像进行预处理包括：辐射校正、几何配准以及耀斑消除。
进一步的，所述基学习层的多个基础学习器包括：随机森林、支持向量机、GBDT以及神经网络四种水深反演机器学习模型。
进一步的，所述泛化层的学习器为MARS多重自适应回归样条算法。
进一步的，所述stacking集成模型的训练方法包括：
(2.1)将预处理后所述多光谱卫星影像及所述训练集数据输入到所述基学习层的多个基础学习器进行水深反演机器学习，其结果作为所述基学习层的输出；
(2.2)使用所述验证集数据针对所述基学习层的输出进行验证评估；
(2.3)将所述基学习层的输出作为所述泛化层的训练数据集进行训练，并使用所述验证集数据进行验证评估，获取所述待测水域的整体水深信息。
本发明还提供了一种基于stacking集成模型的多光谱卫星遥感测深装置，包括：
预处理模块：用于获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
集成模型建模模块：用于建立stacking集成模型，所述stacking 集成模型包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
水深计算模块：用于将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的水深信息；
评估及制图模块：用于针对所述待测水域的整体水深信息进行质量评估和水深制图。
本发明还提供了一种设备，包括存储器、处理器以及存储在存储器中并能在存储器上执行的计算机程序，所述处理器执行计算机程序时实现上述基于stacking集成模型的多光谱卫星遥感测深方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述基于 stacking集成模型的多光谱卫星遥感测深方法。
本发明的有益效果：
本发明所提出的将多个训练数据集和机器学习模型相结合的方法，在针对遥感影像估计水深方面是有效的，并且该模型方法结果优于单一模型。它可以成功地从观测到的卫星图像中估计水深，与传统声学测深方法相比，具有成本更低、广泛性更强的优点。除此以外，考虑到机器学习方法的非参数性质，该集成模型可以不仅应用于沿海水深的估计，还可用于其他可观测的沿海量化数值。
附图说明
图1是本发明实施例基于stacking集成模型的多光谱卫星遥感测深方法流程示意图。
图2是本发明实施例实测深度与一种机器学习方法的反演结果对比图((a)随机森林(RF)；(b)GBDT；(c)神经网络；(d)支持向量回归(SVR))。
图3是基于卫星图像数据和多重自适应回归样条(MARS)的多个训练集的实测深度和水深估计结果之间的相关性示意图。
图4是不同方法不同水深范围下的RMSE值结果图。
图5是基于卫星图像数据多训练集和多重自适应回归样条 (MARS)的水深图估计图。
图6是三亚南山港地区实测水深影像图。
具体实施方式
下面结合附图和实施例对本发明做进一步的解释。
如图1所示，本发明实施例提供了一种基于stacking集成模型的多光谱卫星遥感测深方法，包括如下步骤：
S101、获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
对于多光谱卫星影像进行预处理，包括：辐射校正、几何配准以及耀斑消除。
辐射校正：遥感图像的储存格式是没有任何量纲的，不具有任何物理意义，所以必须经过辐射校正来转换成地表反射率或辐亮度，才能继续使用。考虑到是研究区域主要是海洋，表面平坦，不考虑地形因素产生的辐射畸变。因此对研究区域影像进行辐射校正时，主要包括辐射定标、大气校正两部分。本专利中使用ENVI软件完成对影像的处理。
1)辐射定标
辐射定标就是将传感器记录的电压或数字值(DN，Digital Number，也称数字量化值)转换成绝对辐射亮度的过程。辐射定标可分为相对辐射定标和绝对辐射定标，相对辐射定标目的是消除传感器各个探测元件的对目标物响应不一致性。相对辐射定标需要处理时同一成像范围内每个目标的响应差异，还要处理成像后各个扫描带之间的原始DN值之间的响应差异，GF-6号影像利用如下公式进行相对的辐射定标。
Figure BDA0003820415960000071
式中q(λ)：表示的为相对辐射校正后的灰度值，p(λ)处理前的灰度值，A(λ)时暗目标的偏置，B(λ)时目标物之间的相对增益。
2)大气校正
前面通过辐射定标已经获得了大气层顶辐亮度，而大气校正是将大气顶层辐亮度转换到地表辐亮度的过程。大气校正主要目的是削弱的卫星传感器接收到的大气散射和反射能量，尽可能多的获得地表的真实反射率信息。
几何配准：几何校正是对遥感图像上的坐标移位产生的几何误差进行纠正。共线方程从理论上严密的描述了图像的成像关系，利用其进行几何校正是最精确的。但对于一些高分辨率的商业遥感卫星，如 WorldView、IKONOS等传感器的信息都是保密的成像方式卫星轨道也是不公开的，在不知道其成像方式和轨道参数的情况下，几何校正不可能通过严格的几何模型完成。而有理函数模型(Rational Function Model，RFM)能够获得与严格成像模型精度近乎一致的新型传感器成像模型，它是一种广义的数学校正模型，将影像的像点坐标(r,c)与其对应的地面点的坐标(X,Y,Z)用比值多项式联系起来。RPC模型公式为：
Figure BDA0003820415960000081
式中：P(X,Y,Z)为多项式函数，具体表达式为：
Figure BDA0003820415960000091
式中：a0,a1,a2……，a19是有理函数的系数。
耀斑消除：当浅海区域受到风浪影响时，太阳光在粗糙海面发生菲涅耳反射，而在遥感图像的就产生白色的耀斑，这对浅海水深的反演精度会产生一定的影响。根据Lyzenga等提出的理论，水体对近红外波段具有强吸收的特性，可认为在近红外波段的辐射亮度只有大气散射和太阳耀斑组成，在经过大气校正后的图像上，只受太阳耀斑的影响。在图像上选择不包含水体信息的深水区中的N个样本点，可见光波段i与近红外波段j之间的协方差ρij表示为：
Figure BDA0003820415960000092
其中Lin代表第n个样本点在波段i上的辐射亮度值，Ljn则代表第n个样本点在近红外波段上的辐射亮度值。
Lyzenga等人的理论将耀斑去除的公式表示为：
Figure BDA0003820415960000093
其中：Li'是波段i去除太阳耀斑后的辐射亮度，Li是波段i受到耀斑污染的辐射亮度值，Lj是近红外波段辐射亮度值，
Figure BDA0003820415960000094
是样本点在近红外波段的平均辐射亮度。
S102、建立stacking集成模型，所述stacking集成模型有两层，包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
基学习层包括随机森林、支持向量机、GBDT以及神经网络四种水深反演机器学习模型；泛化层为MARS多重自适应回归样条算法。
机器学习是一种通过先验信息来提升模型能力的方式。具体来说，对于给定的任务和性能度量标准，使用先验信息，通过某种计算方式改进初始模型，来获得一个性能更好的改进模型。通过若干带有标注的样本数据构造出一个预测模型，使得预测模型的预测输出尽可能符合真实值，我们称这个预测模型为回归模型。用来建立模型的样本点称为训练样本，用来检查模型结果的样本点称为检查样本。使用机器学习的本质就是寻找一个从输入数据到输出数据的映射，并将该映射作为预测模型。在本发明中前后用到五大机器学习模型：
1)随机森林模型(RandomForest，RF)
随机森林模型是一种集成式的监督学习方法，在其算法中，同时生成多个预测模型，并综合分析每个模型的预测结果来提升预测准确度。随机森林算法设计对样本和变量进行抽样，从而生成大量决策树，对于每棵树进行自助抽样，利用袋外样本数据进行误差估计。在生成决策树的时候，随机选择变量，因此随机森林不会随着树数目的增多而产生过度拟合。随机森林算法能够在大数据集的情况下仍有高效的学习速率，可以计算变量的相对重要度，对结果具有可解释性。随机森林是对Bagging思想的演化，随机森林在Bagging的样本随机采样基础上，又加上了特征的随机选择，其基本思想没有脱离Bagging的范畴。
2)支持向量机(Support Vector Machine,SVM)
支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器(generalized linear classifier)。对于线性情况，回归由决策函数直接执行。对于非线性情况，线性回归是通过在高维空间中构造决策函数来实现的，适用于构造多维小样本回归模型。在本实验中，选择了核方法(kernel method) 进行非线性分类。
SVR模型的回归函数为：
Figure BDA0003820415960000111
注：φ(x)为非线性映射函数，w为超平面的权值向量，b为偏置向量。为提高对测试样本的计算速度，引入拉格朗日乘子，通过建立其函数，式子如下：
Figure BDA0003820415960000112
Figure BDA0003820415960000113
Figure BDA0003820415960000121
注：ai为引入的拉格朗日系数；C为惩罚因子，ai和a为最优解向量，将所得的ai和a带入方程式，便可求解参数回归系数w和截距项b，最终即可求得回归函数。
支持向量回归主要通过提升维度，构造线性函数，从而取代非线性函数，从而实现线性回归，是支持向量机函数在回归方向的应用。
3)GBDT模型(GradientBoosting Decision Tree，GBDT)
GBDT算法也被称为MART(MultipleAddictiveRegressionTree)，是一类集成学习算法，其通过将许多弱学习器进行组合从而生成一个强学习器。其每次计算都是为了减少上一次的残差，因此GBDT的每个预测函数必须采用一个序列，以串行的方式顺序产生，后一个模型参数需要上一轮模型的结果。这符合Boosting反复降低残差提升模型效果的思想。
其具体工作原理为对输入模型的训练样本 {(x1,y1),(x2,y2),…,(xn,yn)}，统计其损失函数为L(y,f(x))，迭代次数为 n＝1,2,3…,N。
对每个样本i＝1,2，…，I计算残差：
Figure BDA0003820415960000122
将上步得到的残差作为样本新的真实值，并将(xi,Tin)作为下棵树的训练数据，从而更新回归得到新的回归树。对回归树的每个叶子节点，范围为Ekn，k＝1,2,…K计算损失函数，得到最优的拟合值：
Figure BDA0003820415960000131
通过更新学习器：
Figure BDA0003820415960000132
得到最终的学习器：
Figure BDA0003820415960000133
4)神经网络(Back-Propagation Network，BP)
BP神经网络(Back-Propagation Network)是多层前馈神经网络，其误差是按照逆向传播算法训练的。在训练过程中，BP神经网络能不断地修改网络权值和阈值，从而使误差函数沿着梯度方向的反方向下降，进而使输出的数值接近期望。本文选择MLP(多层感知器)神经网络是常见的ANN(即Artificial Neuro Network人工神经网络) 算法，它由一个输入层，一个输出层和一个或多个隐藏层组成。在 MLP中的所有神经元都差不多，每个神经元都有几个输入(连接前一层)神经元和输出(连接后一层)神经元，该神经元会将相同值传递给与之相连的多个输出神经元。
5)多重自适应回归样条(MARS)
多重自适应回归样条(MARS)算法是一种使用自适应选择样条函数的非参数多重回归方法。虽然在这种方法中假设线性，但可以用依赖于预测变量的系数来构建模型。
S103、将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的整体水深信息；
训练过程如下：
(1)将预处理后所述多光谱卫星影像及所述训练集数据输入到所述基学习层的多个基础学习器进行水深反演机器学习，其结果作为所述基学习层的输出；
(2)使用所述验证集数据针对所述基学习层的输出进行验证评估；
(3)将所述基学习层的输出作为所述泛化层的训练数据集进行训练，并使用所述验证集数据进行验证评估，获取所述待测水域的整体水深信息。
本发明使用python语言中的“SCIKIT-LEARN”包，并使用与所选波段对应的训练样本点用作数据集，输入到随机森林、支持向量机、GBDT以及神经网络四种水深反演机器学习模型，以此作为堆栈泛化中的基学习器输出结果。
之后使用“SCIKIT-LEARN”包中的stacking模块，将第一层结果作为数据集输入到“py-earth”包中的MARS多重自适应回归样条算法，将其作为元学习器再度训练，得到最终输出结果。利用验证集对模型进行精度比较与比较，得到优化后的水深反演模型。
S104、针对所述待测水域的整体水深信息进行质量评估和水深制图。
下面以三亚南山港地区为例，基于多个数据集获得的深度估计优于基于单个数据集的深度估计，RMSE值减小，R2值增大。如图2 所示，在试验中，使用一个训练数据集的情况下，随机森林算法的回归效果最好，而神经网络的回归结果相对较差。如图3所示，使用多个数据集的集成结果优于其他单独的数据模型。如图4所示，即使二次集成的Stacking模型整体趋势与随机森林模型非常接近，但是 Stacking模型在4-9.5m的范围内相比随机森林有着更好的数据表现，在0.5m以下和9.5m以上的范围内随机森林模型表现更好。
与实测数据相比，卫星地形图能更好地反映水深变化趋势，但在细节上存在一些小误差。将图4与图5对比，两者水深趋势非常接近。除此以外，图4在码头西北侧有一块较深的水域，推测是一条水道，这一点在反演的图5上也有体现，但深度相比实测偏低。码头附近的水较深，有明显挖掘疏浚过的痕迹，在图上也有体现。
综上所述，将多个训练数据集和机器学习方法相结合的方法在从卫星图像估计水深方面是有效的，并且该方法确实优于基于单个训练数据集的方法。由于机器学习方法的非参数性质，它可以从观测的卫星图像中成功地检索水深，与声学方法估计的深度相比，具有相对较高的相干度和一致性。在未来的工作中，可以通过高分辨率遥感图像的大气校正算法来提高水深估计精度。这些算法可以与集成学习一起应用，以处理不同深度的沿海浊水。
根据另一方面的实施例，还提供了一种基于stacking集成模型的多光谱卫星遥感测深装置，包括：
预处理模块：用于获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
集成模型建模模块：建立stacking集成模型，所述stacking集成模型包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
水深计算模块：用于将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的水深信息；
评估及制图模块：用于针对所述待测水域的整体水深信息进行质量评估和水深制图。
根据另一方面的实施例，还提供了一种设备，包括存储器、处理器以及存储在存储器中并能在存储器上执行的计算机程序，所述处理器执行计算机程序时实现上述基于stacking集成模型的多光谱卫星遥感测深方法。
根据再一方面的实施例，还提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述基于stacking集成模型的多光谱卫星遥感测深方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本说明书实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，包括如下步骤：
(1)获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
(2)建立stacking集成模型，所述stacking集成模型有两层，包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
(3)将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的整体水深信息；
(4)针对所述待测水域的整体水深信息进行质量评估和水深制图。
2.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述针对所述多光谱卫星影像进行预处理包括：辐射校正、几何配准以及耀斑消除。
3.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述基学习层的多个基础学习器包括：随机森林、支持向量机、GBDT以及神经网络四种水深反演机器学习模型。
4.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述泛化层的学习器为MARS多重自适应回归样条算法。
5.根据权利要求1所述的基于stacking集成模型的多光谱卫星遥感测深方法，其特征在于，所述stacking集成模型的训练方法包括：
(2.1)将预处理后所述多光谱卫星影像及所述训练集数据输入所述基学习层的多个基础学习器进行水深反演机器学习，其结果作为所述基学习层的输出；
(2.2)使用所述验证集数据针对所述基学习层的输出进行验证评估；
(2.3)将所述基学习层的输出作为所述泛化层的训练数据集进行训练，并使用所述验证集数据进行验证评估，获取所述待测水域的整体水深信息。
6.一种基于stacking集成模型的多光谱卫星遥感测深装置，其特征在于，应用于权利要求1-5中任一项所述的基于stacking集成模型的多光谱卫星遥感测深方法，包括：
预处理模块：用于获取待测水域的多光谱卫星影像及对应的实测样本数据集，针对所述多光谱卫星影像进行预处理；针对所述实测样本数据集划分为训练集和验证集；
集成模型建模模块：用于建立stacking集成模型，所述stacking集成模型包括第一层的基学习层和第二层的泛化层，所述基学习层包括多个基础学习器；
水深计算模块：用于将预处理后所述多光谱卫星影像及所述实测样本数据集输入到stacking集成模型进行训练，获取所述待测水域的水深信息；
评估及制图模块：用于针对所述待测水域的整体水深信息进行质量评估和水深制图。
7.一种设备，包括存储器、处理器以及存储在存储器中并能在存储器上执行的计算机程序，其特征在于：所述处理器执行计算机程序时实现如权利要求1-5中任一项所述的基于stacking集成模型的多光谱卫星遥感测深方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：当所述计算机程序在计算机中执行时，令计算机执行权利要求1-5中任一项所述的基于stacking集成模型的多光谱卫星遥感测深方法。
CN202211041206.XA 2022-08-29 2022-08-29 一种基于stacking集成模型的多光谱卫星遥感测深方法 Pending CN115376002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211041206.XA CN115376002A (zh) 2022-08-29 2022-08-29 一种基于stacking集成模型的多光谱卫星遥感测深方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211041206.XA CN115376002A (zh) 2022-08-29 2022-08-29 一种基于stacking集成模型的多光谱卫星遥感测深方法

Publications (1)

Publication Number Publication Date
CN115376002A true CN115376002A (zh) 2022-11-22

Family

ID=84068818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211041206.XA Pending CN115376002A (zh) 2022-08-29 2022-08-29 一种基于stacking集成模型的多光谱卫星遥感测深方法

Country Status (1)

Country Link
CN (1) CN115376002A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116884631A (zh) * 2023-09-06 2023-10-13 杭州生奥信息技术有限公司 基于ai和相似患者分析的综合肝衰竭预测与治疗参考***
CN117274831A (zh) * 2023-09-04 2023-12-22 大连海事大学 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274831A (zh) * 2023-09-04 2023-12-22 大连海事大学 一种基于机器学习与高光谱卫星遥感影像的近岸浑浊水体水深反演方法
CN116884631A (zh) * 2023-09-06 2023-10-13 杭州生奥信息技术有限公司 基于ai和相似患者分析的综合肝衰竭预测与治疗参考***
CN116884631B (zh) * 2023-09-06 2023-12-12 杭州生奥信息技术有限公司 基于ai和相似患者分析的综合肝衰竭预测与治疗参考***

Similar Documents

Publication Publication Date Title
CN115376002A (zh) 一种基于stacking集成模型的多光谱卫星遥感测深方法
Ai et al. Convolutional neural network to retrieve water depth in marine shallow water area from remote sensing images
Manessa et al. Determination of the best methodology for bathymetry mapping using SPOT 6 imagery: A study of 12 empirical algorithms
Maxwell et al. Land-surface parameters for spatial predictive mapping and modeling
Lee et al. Confidence measure of the shallow-water bathymetry map obtained through the fusion of Lidar and multiband image data
CN112013822A (zh) 基于改进gwr模型的多光谱遥感水深反演方法
Wang et al. A side scan sonar image target detection algorithm based on a neutrosophic set and diffusion maps
Mohamed et al. Assessment of proposed approaches for bathymetry calculations using multispectral satellite images in shallow coastal/lake areas: a comparison of five models
Wan et al. Multi-scale spectral-spatial remote sensing classification of coral reef habitats using CNN-SVM
Moniruzzaman et al. Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey
CN114297938A (zh) 一种基于神经网络的光学浅水水底深度的反演方法
Zhao et al. Side scan sonar image segmentation based on neutrosophic set and quantum-behaved particle swarm optimization algorithm
Cheng et al. Integration of hyperspectral imagery and sparse sonar data for shallow water bathymetry mapping
Ashphaq et al. Analysis of univariate linear, robust-linear, and non-linear machine learning algorithms for satellite-derived bathymetry in complex coastal terrain
Mukherjee et al. CNN-based InSAR denoising and coherence metric
Bakirman et al. Assessment of machine learning methods for seagrass classification in the Mediterranean
Manessa et al. Optimization of the random forest algorithm for multispectral derived bathymetry
Lowell et al. Operational performance of a combined Density-and Clustering-based approach to extract bathymetry returns from LiDAR point clouds
Ashphaq et al. Evaluation and performance of satellite-derived bathymetry algorithms in turbid coastal water: a case study of Vengurla rocks
Mohamed et al. Assessment of Machine Learning Approaches for Bathymetry Mapping in Shallow Water Environments using Multispectral Satellite Images.
Zheng et al. Detecting water depth from remotely sensed imagery based on ELM and GA-ELM
CN115060656B (zh) 基于稀疏先验实测点的卫星遥感水深反演方法
CN109784209A (zh) 利用高分辨率遥感影像的高寒山区积雪提取方法
CN112782690B (zh) 星载雷达高度计的近岸非海洋波形检测分类方法及***
Elshazly et al. Evaluating remote sensing approaches for mapping the bathymetry of Lake Manzala, Egypt

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination