基于CatBoost算法的面向对象土地利用分类
2020-11-13姜琦刚杨秀艳杨长保赵振贺
吉林大学学报(信息科学版) 2020年2期
姜琦刚, 杨秀艳, 杨长保, 赵振贺
(1. 吉林大学 地球探测科学与技术学院, 长春 130026; 2. 北方自动控制技术研究所, 太原 030006)
0 引 言
实时精确的获取土地利用的动态变化对社会经济的快速发展至关重要。遥感技术具有快速、动态和综合获取土地利用信息的特点, 目前已被广泛地应用于土地利用规划中[1-3]。传统的监督分类大多是基于像元信息的提取, 利用光谱信息将像元归为某一类, 孤立地考虑单个像元的归属问题, 忽略了影像的拓扑关系和空间特征等信息, 分类结果不可避免地会产生“椒盐”现象[4]。面向对象的遥感信息提取方法以含有更多语义信息的多个相邻像元组成的对象为处理单元, 综合考虑了光谱统计特征、 形状、 大小和纹理等因素, 能有效地区分“同物异谱”和“同谱异物”现象, 实现较高层次的遥感影像分类和目标地物的提取[5-6]。
结合机器学习算法与遥感数据进行土地利用分类一直是国内外学者的研究热点。李爽等[7]基于决策树对遥感影像进行了分类方法研究。决策树在逻辑上易于解释, 而且对于输入数据空间特征和分类标识具有很好的鲁棒性, 但该算法非常容易过拟合, 导致泛化能力不强; Pal等[8]将支持向量机应用于遥感分类中。在小样本数据集上能得到很好的效果, 但是如果数据量很大, 则所需的训练时间较长; Castelluccio等[9]通过卷积神经网络进行了土地利用分类, 研究表明它具有良好的泛化能力, 但是训练需要大量参数, 而且训练网络的效率比较慢;……
登录APP查看全文
