水文模型输入和输出关系(测绘通报孔瑞瑶)

水文模型输入和输出关系(测绘通报孔瑞瑶)(1)

本文内容来源于《测绘通报》2022年第7期,审图号:GS京(2022)0341号

CatBoost模型在水深反演中的应用

孔瑞瑶1, 谢涛1,2, 马明3, 孔瑞林4

1. 南京信息工程大学遥感与测绘工程学院, 江苏 南京 210044;

2. 青岛海洋科学与技术国家实验室区域海洋动力学与数值模拟功能实验室, 山东 青岛 266237;

3. 北京应用气象研究所, 北京 100029;

4. 西北工业大学软件学院, 陕西 西安 710129

基金项目:国家重点研发计划(2021YFC2803302);国家自然科学基金(42176180);江苏省应急管理科技项目(YJGL-YF-2020-16);江苏省自然资源发展专项资金(海洋科技创新)(JSZRHYKJ202114)

关键词:水深反演, 多光谱遥感, Sentinel-2, 机器学习, CatBoost模型

水文模型输入和输出关系(测绘通报孔瑞瑶)(2)

水文模型输入和输出关系(测绘通报孔瑞瑶)(3)

引文格式:孔瑞瑶, 谢涛, 马明, 等. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022(7): 33-37.doi: 10.13474/j.cnki.11-2246.2022.0199.

摘要

摘要:在多光谱遥感水深反演研究中,由于影响反演精度的因素较多,传统的水深反演模型具有一定局限性。机器学习算法在解决非线性高复杂问题上较有优势,将其应用在某些特定区域水深反演可提高反演精度。本文利用Sentinel-2多光谱遥感影像和LiDAR测深数据,以瓦胡岛为研究区域,构建CatBoost水深反演模型,与传统水深反演模型及Boosting中的XGBoost和LightGBM模型的反演精度进行比较。试验结果表明,经过参数优化后的CatBoost水深反演模型的决定系数、均方根误差、平均绝对误差和平均相对误差分别为96.19%、1.09 m、0.77 m和9.61%,准确性最高,效果更佳。

作者简介

作者简介:孔瑞瑶(1997—),女,硕士生,主要研究方向为海洋遥感。

E-mail:kongruiyao@126.com

通信作者:谢涛。E-mail:xietao@nuist.edu.cn

初审:杨瑞芳

复审:宋启凡

终审:金 君

资讯

,

免责声明:本文仅代表文章作者的个人观点,与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺,请读者仅作参考,并自行核实相关内容。文章投诉邮箱:anhduc.ph@yahoo.com

    分享
    投诉
    首页