【技术实现步骤摘要】
一种基于机器学习的绿潮面积遥感监测方法
[0001]本专利技术涉及一种基于机器学习的绿潮面积遥感监测方法,属于绿潮高光谱遥感监测领域。
技术介绍
[0002]在绿潮高光谱遥感监测领域,由于实际获取的高光谱地物图像存在着大量混合像元,所以依靠经验得出的阈值分割法常常不能适应实际的分类需要,机器学习算法完成像元识别和分类工作已经有了许多成熟的案例。然而,常规的监督学习分类算法易收到训练集的限制,陷入对训练集的过拟合,从而往往在训练集内具有极高的分类准确率,而在利用模型进行预测时预测精度不高,这一点在通过小数据构建模型对大数据进行预测时更为明显。投票分类器可以聚合每个分类器预测的类别,然后选其中投票最多的类别。
[0003]现阶段的绿藻遥感监测多基于卫星多光谱数据,在机载平台上也多搭载多光谱成像仪,受限于实验设备和数据来源,基于机载高光谱数据的绿藻监测研究较少。利用机载平台带来的高空间分辨率和高光谱成像仪采集的丰富、连续的光谱信息,可以显著提高绿潮监测的频率和精度。
[0004]由于高光谱数据的光谱维具有上百个波段 ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的绿潮面积遥感监测方法,其特征在于:包括如下步骤:1)获取实验海域的高光谱图像:在实验海域的沙滩上铺设反射率校正布用于反射率校正,使用搭载高光谱成像仪的无人机在有大量绿潮的近海海域进行航拍实验,飞行高度为100m,获取实验海域的高光谱图像;2)对航拍得到的高光谱图像进行预处理工作:对航拍得到的高光谱图像进行人工目视检查,裁剪图像扭曲和受传感器暗角效应影响的部分,对裁剪后的图像进行反射率校正、平滑降噪和光谱增强处理;3)构建数据集,利用数据集构建分类模型:人工目视选择绿潮藻像元和其他地物像元,提取光谱曲线,进行波段选择提炼光谱信息;分类算法使用以随机森林、支持向量机和K最近邻法为三输入集成的投票分类器;4)利用分类模型预测全幅高光谱图像的全部像元:将全幅的2150500个样本导入步骤3)构建的投票分类器模型,得到分类器预测的各像元的类别标签,将分类结果整理后以表格记录并在Matlab中以图片显示,然...
【专利技术属性】
技术研发人员:毕卫红,孙琳,芦鑫,刘丰,赵吉,付广伟,付兴虎,
申请(专利权)人:燕山大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。