-
作者
泥萍唐凯王志勇
-
单位
山东科技大学测绘工程国家级实验教学示范中心（山东科技大学）
-
摘要
随着海冰监测需求的不断扩大，合成孔径雷达数据逐渐成为海冰遥感监测的重要数据，但现阶段用于雷达海冰监测的机器学习方法普遍精度不高且鲁棒性较低。针对上述问题，对Sentinel-1影像数据提取多种影像纹理特征，然后将轻量级梯度提升机、随机森林与深度置信神经网络通过Stacking方法集成后对海冰进行监测，并检验其精度。实验结果表明，相较于单一机器学习器，Stacking集成学习器具有更高的分类精度，证明集成学习可以提高海冰分类精度。
-
关键词
反向神经网络随机森林轻量级梯度提升机Stacking集成机器学习
-
文章目录
1 研究区与研究数据
2 基学习器介绍
2.1 深度置信神经网络
2.1.1 受限玻尔兹曼机
2.1.2 反向传播神经网络
2.1.3 深度置信网络
2.2 随机森林分类模型
2.3 轻量级梯度提升机
2.3.1 梯度提升决策树
2.3.2 梯度提升决策树优化
3 Stacking集成机器学习海冰监测算法
3.1 数据预处理
3.2 输入特征提取与构建
3.2.1 灰度共生矩阵计算
3.2.2 基于灰度共生矩阵的纹理特征的提取与分析
3.3 Stacking集成方法
3.4 精度评定
4 实验结果
4.1 纹理提取结果
4.2 分类结果定性分析
4.3 分类结果定量分析
5 结 论
-
引用格式
泥萍,唐凯,王志勇.基于Stacking集成机器学习法的Sentinel-1海冰分类研究[J].矿山测量,2022,50(01):70-77.
矿山测量 
2022年第01期 
