首页|基于集成学习算法的黄河中游采砂信息提取

基于集成学习算法的黄河中游采砂信息提取

Ensemble learning algorithm-based information extraction of sand-mining in Mid-Yellow River

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对大范围快速监管黄河中游采砂情况以维护其生命健康的问题,提出了一种加权平均集成UNet算法和PSPNet算法,改进损失函数,并结合遥感影像特点合理设定参数的集成学习算法.通过利用算法训练得到的采砂信息提取模型对实地调查的5个采砂点进行了信息提取,结果显示:UNet算法提取的找全率(Recall)为79.87％,准确率(Precision)为15.80％,交并比(IoU)为16.75％;PSPNet算法提取的找全率(Recall)为57.57％,准确率(Precision)为27.79％,交并比(IoU)为31.17％;集成学习算法提取的找全率(Recall)为89.57％,准确率(Precision)为55.72％,交并比(IoU)为60.28％.因此,本文算法可以在一定程度上应用于河湖两侧采砂信息的提取,更好地辅助水利行业强监管的执行.

王守志、奚歌、张福坤、刘金玉、耿振云、詹昊、张云姣

展开 >

中水北方勘测设计研究有限责任公司,天津300222

UNet算法 PSPNet算法 改进损失函数 集成学习算法 采砂

##

JGZXSY2019-26

2020

10.13928/j.cnki.wrahe.2020.12.020

水利水电技术(中英文)
水利部发展研究中心

水利水电技术(中英文)

CSTPCD北大核心
影响因子：0.456
ISSN：1000-0860
年,卷(期)：2020.51(12)
  • 2
  • 8