基于机器学习的沟谷地貌识别模型对比——以黄土高原典型流域为例OACSTPCD
Comparing the Performance of Machine Learning Models for Identifying Gully Landforms-A Case Study of a Typical Watershed on the Chinese Loess Plateau
探索沟谷地貌空间分布与环境控制特征之间的联系并构建沟谷地貌准确提取模型,对大尺度范围沟谷提取具有重要意义.基于人工提取黄土高原典型流域沟谷地貌样本,结合不同时期的 Landsat8 OLI 影像数据和DEM数据,建立随机森林模型确定黄土高原沟谷地貌提取最佳影像时期和最佳组合特征,基于最优模型参数,对比其与支持向量机和人工神经网络沟谷提取模型效果,验证模型泛化能力.结果表明:(1)黄土高原沟谷提取的最佳影像时期为 12 月,最佳组合特征集为 Red、Blue、H、SWIR1、PNT、Coastal、GLCM4 和 NIR;(2)3 种方法提取测试区域的沟谷空间分布一致,从定性和定量角度进行比较,随机森林模型提取效果最好,验证样区平均总体精度为 80.48%,相较于支持向量机模型和人工神经网络模型分别提高 4.00 和 8.63 个百分比;(3)测试区域中,沟谷地貌面积约占总面积的 56.91%,且呈现西北至东南方向逐渐集中的特点.研究表明随机森林模型在黄土高原地区高精度沟谷地貌识别研究中综合表现最佳,可大范围推广.
范天程;汪珍亮;李云飞;贾云飞;袁可;赵建林
长安大学地质工程与测绘学院,西安 710054长安大学地质工程与测绘学院,西安 710054长安大学地质工程与测绘学院,西安 710054长安大学地质工程与测绘学院,西安 710054长安大学地质工程与测绘学院,西安 710054长安大学地质工程与测绘学院,西安 710054
测绘与仪器
沟谷分布机器学习遥感影像地形特征黄土高原
gully distributionmachine learningremote sensing imagetopographical charactersChinese Loess Plateau
《水土保持学报》 2023 (4)
黄土高原淤地坝土壤有机碳埋藏效率及其环境控制因子研究
205-213,9
国家自然科学基金项目(41907048)中央高校基本科研费专项(300102260206)
评论