CatBoost模型在水深反演中的应用

doi:10.13474/j.cnki.11-2246.2022.0199

测绘通报 ›› 2022, Vol. 0 ›› Issue (7): 33-37.doi: 10.13474/j.cnki.11-2246.2022.0199

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

收稿日期:2022-01-25 出版日期:2022-07-25 发布日期:2022-07-28
通讯作者: 谢涛。E-mail:xietao@nuist.edu.cn
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
基金资助:
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)

Application of CatBoost model in water depth inversion

KONG Ruiyao¹, XIE Tao^1,2, MA Ming³, KONG Ruilin⁴

1. School of Remote Sensing &Geomatics Engineering, Nanjing University of Information Science & Technology, Nanjing 210044, China;
2. Laboratory for Regional Oceanography and Numerical Modeling, Qingdao National Laboratory for Marine Science and Technology, Qingdao 266237, China;
3. Beijing Institute of Applied Meteorology, Beijing 100029, China;
4. School of Software, Northwestern Polytechnical University, Xi'an 710129, China

Received:2022-01-25 Online:2022-07-25 Published:2022-07-28

摘要/Abstract

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。

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

Abstract: In multispectral remote sensing water depth inversion research, the traditional water depth inversion models have some limitations due to many factors affecting the accuracy of water depth inversion. Machine learning algorithms are more advantageous in solving nonlinear and highly complex problems, and their application in some specific areas of water depth inversion can improve the inversion accuracy. In this paper, using Sentinel-2 multispectral remote sensing images and LiDAR bathymetry data, it constructs CatBoost water depth inversion model with Oahu as the study area and compares the inversion accuracy with traditional water depth inversion models as well as XGBoost and LightGBM models in Boosting. It's showed in the experimental results that R-Square, root mean square error, mean absolute error, and mean relative error of the tuned CatBoost water depth inversion model are 96.19%, 1.09 m, 0.77 m and 9.61%, and the accuracy of the model is the highest, and the effect is more better.

Key words: water depth inversion, multispectral remote sensing, Sentinel-2, machine learning, CatBoost model

中图分类号:

P237

孔瑞瑶, 谢涛, 马明, 孔瑞林. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022, 0(7): 33-37.

KONG Ruiyao, XIE Tao, MA Ming, KONG Ruilin. Application of CatBoost model in water depth inversion[J]. Bulletin of Surveying and Mapping, 2022, 0(7): 33-37.

参考文献

[1] LYZENGA D R.Passive remote sensing techniques for mapping water depth and bottom features[J].Applied Optics, 1978, 17(3):379.
[2] PAREDES J M,SPERO R E.Water depth mapping from passive remote sensing data under a generalized ratio assumption[J].Applied Optics,1983,22(8):1134-1135.
[3] STUMPF R P,HOLDERIE D K,SINCLAI R M.Determination of water depth with high resolution satellite imagery over variable bottom types[J].Limnology and Oceanography,2003,48(1):547-556.
[4] 马毅,张杰,张靖宇,等.浅海水深光学遥感研究进展[J].海洋科学进展,2018,36(3):331-351.
[5] 王艳姣,张鹰.基于BP人工神经网络的水体遥感测深方法研究[J].海洋工程,2005,23(4):37-42.
[6] 曹斌,邱振戈,朱述龙,等.BP神经网络遥感水深反演算法的改进[J].测绘通报,2017(2):40-44.
[7] MISRA A,VOJINOVIC Z,RAMAKRISHNAN B,et al.Shallow water bathymetry mapping using support vector machine (SVM) technique and multispectral imagery[J].International Journal of Remote Sensing,2018,39(13):4431-4450.
[8] SAGAWA T,YAMASHITA Y,OKUMURA T,et al.Satellite derived bathymetry using machine learning and multi-temporal satellite images[J].Remote Sensing,2019,11(10):1155.
[9] 温开祥,李勇,王华,等.基于遥感和机器学习的内陆水体水深反演技术[J].热带地理,2020,40(2):314-322.
[10] LENG Z H,ZHANG J,MA Y,et al.Underwater topography inversion in Liaodong Shoal based on GRU deep learning model[J].Remote Sensing,2020,12(24):4068.
[11] 胡鹏,赵露露,高磊,等.XGBoost算法在多光谱遥感浅海水深反演中的应用[J].海洋科学,2021,45(4):83-89.
[12] 孟然,沈蔚,纪茜,等.GBDT模型在遥感水深反演中的应用[J].环境生态学,2021,3(5):1-5.
[13] PROKHORENKOVA L,GUSEV G,VOROBEV A,et al.CatBoost:unbiased boosting with categorical features[EB/OL].[2022-01-25].https://arxiv.org/abs/1706.09516.
[14] DOROGUSH A V,ERSHOV V,GULIN A.CatBoost:gradient boosting with categorical features support[EB/OL].[2022-01-25].https://arxiv.org/abs/1810.11363.
[15] 袁超,张靖宇,肖洁,等.基于哨兵2号卫星遥感影像的2018年苏北浅滩漂浮绿藻时空分布特征研究[J].海洋学报,2020,42(8):12-20.
[16] 刘菲燕.基于CatBoost模型的异常故障根因定位应用[D].兰州:兰州大学,2020.
[17] 张旭春.基于CatBoost模型实现对污水处理厂排污情况的监测预警[D].兰州:兰州大学,2021.
[18] CHEN T Q,GUESTRIN C.XGBoost:a scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,Association for Computing Machinery.New York:ACM,2016:785-794.
[19] 李占山,姚鑫,刘兆赓,等.基于LightGBM的特征选择算法[J].东北大学学报(自然科学版),2021,42(12):1688-1695.

CatBoost模型在水深反演中的应用

Application of CatBoost model in water depth inversion

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[2]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[3]	王刚, 丁华祥. Sentinel-2A数据支持下的雷州半岛植被类型识别[J]. 测绘通报, 2022, 0(3): 76-82.
[4]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[5]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[6]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[7]	穆超, 刘振宇, 孟丹. 基于Sentinel-2卫星数据的内陆湖泊水体大气校正[J]. 测绘通报, 2021, 0(9): 9-14.
[8]	陶莉, 胡召玲. 利用Sentinel-2A数据提取长江中下游丘陵地带农作物种植信息[J]. 测绘通报, 2021, 0(7): 39-43.
[9]	叶烨星, 杨飞. 基于介数中心性的交通拥堵指数计算[J]. 测绘通报, 2021, 0(5): 86-90.
[10]	于淼, 马洪兵, 王宏伟. 基于Sentinel-2影像的雄安新区2016—2019年土地利用分析[J]. 测绘通报, 2021, 0(12): 6-9,32.
[11]	张鹏, 马庆勋, 吕杰, 季金亮, 李紫微. 机器学习算法在森林地上生物量估算中的应用[J]. 测绘通报, 2021, 0(12): 28-32.
[12]	王腾军, 方珂, 杨耘, 张祥东. 随机森林回归模型用于土壤重金属含量多光谱遥感反演[J]. 测绘通报, 2021, 0(11): 92-95.
[13]	夏汉庸, 尹和军, 徐教煌, 王嘉伟, 黄毅. 基于机器学习的多施工参数盾构施工姿态预测[J]. 测绘通报, 2021, 0(1): 157-160,164.
[14]	王晓静, 唐超, 杨晓飞. 激光点云在地铁盾构隧道病害诊断中的应用[J]. 测绘通报, 2020, 0(9): 33-37.
[15]	张宏涛, 黄宏胜, 魏康宁, 钟海燕. 基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例[J]. 测绘通报, 2020, 0(6): 111-117.