摘要
受气候变暖影响,青藏高原的多年冻土正在发生广泛的退化,主要表现为融冻泥流事件的频繁发生,对生态系统和当地基础设施造成深刻影响.融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制.近年来尽管基于深度学习的融冻泥流识别取得了进展,但机器学习算法在该领域的识别能力仍有待探究.本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法,引入了纹理和几何等空间信息来辅助识别融冻泥流,并基于面向对象技术改善了识别模型的错分问题.此外,基于集成学习整合不同机器学习模型的优势,以获得不低于常用深度学习模型的识别精度.结果表明,基于递归特征消除(RFE)特征选择算法剔除了多维特征数据集中的冗余特征,证明了纹理和几何信息是融冻泥流识别的有效数据补充.在优化后的面向对象机器学习模型中,随机森林(RF)的识别精度最高,总体精度为87.43%.McNemar检验表明,与单一模型相比,集成机器学习模型显著提高了融冻泥流识别精度,其总体精度为93.14%.对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3200～3500 m之间,坡度介于5°～25°,并且以东北、北和西北为主要的坡向朝向.本研究提出的集成机器学习模型为青藏高原多年冻土区日益频繁的融冻泥流事件提供了有效的识别方法,并可为基于卫星遥感影像的深度学习识别模型制作标签数据.
基金项目
"西部之光"人才培养计划交叉团队重点实验室合作研究专项()
国家自然科学基金(42001071)
国家自然科学基金(42001072)
NETL
NSTL
维普
万方数据