不同数据类型和降维对钙华高光谱识别精度的影响
徐梦辉1
王卫红2
田硕娟3
訾应昆3
吴周航1
王晓梦3
向红瑶4
范静5
1.西南科技大学环境与资源学院,四川绵阳 621000;国家遥感中心绵阳科技城分部,四川绵阳 6210002.西南科技大学环境与资源学院,四川绵阳 621000;国家遥感中心绵阳科技城分部,四川绵阳 621000;西南科大四川天府新区创新研究院,四川成都 6102993.西南科技大学环境与资源学院,四川绵阳 6210004.西南科技大学土木工程与建筑学院,四川绵阳 6210005.国家遥感中心绵阳科技城分部,四川绵阳 621000
摘要：钙华是研究地壳运动、古气候等地质环境的重要载体,大规模的钙华景观不仅有利于研究地质演变,作为自然遗产具有很高的旅游价值和保护意义,由于全球气候变化与人为因素影响,钙华容易出现被破坏、退化等现象.为方便保护和修复钙华资源,本研究提出区别于传统实地勘察的高光谱识别方法,利用原始数据(OD)、多元散射(MSC)后数据、一阶导后(FD)数据、二阶导(SD)后数据经过主成分分析(PCA)、线性判别分析(LDA)方法降维后与支持向量机(SVM)、随机森林(RF)、BP神经网络、卷积神经网络(CNN)四种方法建立识别模型,并讨论了不同降维效果和数据类型对识别模型总体分类精度(OA)的影响,发现原始数据中PCA降维的效果比LDA降维效果好,其在PCA降维下的分类模型普遍精度要比LDA下的模型精度高;在本研究中,以MSC数据为输入的识别模型精度均值为88％,在四种数据的模型精度均值大小中位居第二,仅比第一位低0.1％,但其方差与标准差分别为0.043、0.042,远远小于其他三种数据的模型,说明MSC数据的识别模型要更加稳定;其次经过粒子群算法(PSO)优化的SVM分类模型在F1-score、kappa系数、OA三种性能指标的评价下性能显示优良,其中SD-PCA-PSO-SVM获得了 98％的高精度.综上,在钙华识别过程中,未经优化的分类器选择MSC数据或PCA降维的原始数据作为输入,更容易获取高精度识别模型,选择合适的理论来优化模型也可提升模型的识别性能.
关键词：钙华高光谱数据降维与变换粒子群算法支持向量机
分类号：P237(摄影测量学与测绘遥感)P931(部门自然地理学)
资助基金：国家自然科学基金(U21A2016)
论文发表日期：2024-06-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 585-594 )
英文信息