地表不透水面比例遥感反演研究综述

左家旗, 王泽根, 边金虎, 李爱农, 雷光斌, 张正健

A review of research on remote sensing for ground impervious surface percentage retrieval

Jiaqi ZUO, Zegen WANG, Jinhu BIAN, Ainong LI, Guangbin LEI, Zhengjian ZHANG

表2 不透水面机器学习反演模型对比

Tab.2 Comparison of machine learning retrieval models of impervious surface

模型 模型机理 必要参数 模型优点 区域 反演精度 决策树[36] 一个二分递归的树结构模型。算法根据训练数据产生的规则将输入样本集分成多类或连续的目标变量,由每个规则定义多变量线性回归模型建立的条件 叶节点所需最小样本数、树的最大深度 不需输入数据满足统计分布要求,将输入变量和目标变量的关系简化为多元变量的线性关系 北京市 AE=12.7% RE=0.39 R=0.86 SVM[42] 基于统计学习理论和结构风险最小原理的二分类模型,其基本思想是求解能够正确划分训练数据集且几何间隔最大的分离超平面 核函数类型、核参数、惩罚因子 具有较好的泛化能力,对较少的训练样本和高空间维度的输入数据具有较强的鲁棒性 柏林市 MAE=12.4% R2=0.52 MLP[43] 包含输入层、输出层和隐藏层的网络,整个网络是通过一个调整节点间互连权重强度的迭代学习过程来建立预测模型 网络架构、学习算法、训练迭代的次数 能够逼近任意的非线性函数,可以处理系统内难以解析的规律性,学习收敛速度快 印第安纳州波利斯市 RMSE=12.3% R2=0.77 RF[14] 改良版的袋装回归树。其每一次分裂生长过程中对输入变量的选择都是随机的,且在分裂过程中允许输入其他变量。算法将对节点上的变量和输入变量进行比较,选择影响最大的变量进行分裂生长 训练样本的大小、树的棵数、每个节点选取的随机变量个数 泛化误差有限,不会因为树木棵数的增大而出现过拟合的情况 武汉市 总体精度为 97.06%