结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

doi:10.13474/j.cnki.11-2246.2023.0373

测绘通报 ›› 2023, Vol. 0 ›› Issue (12): 136-141.doi: 10.13474/j.cnki.11-2246.2023.0373

• 技术交流 • 上一篇

结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

刘燕君^1,2,3, 刘凯^1,2,3,4, 曹晶晶^1,2,3,4

1. 中山大学地理科学与规划学院, 广东广州 510006;
2. 广东省公共安全与灾害工程技术研究中心, 广东广州 510006;
3. 广东省城市化与地理环境空间模拟重点实验室, 广东广州 510006;
4. 南方海洋科学与工程广东省实验室(珠海), 广东珠海 519000

收稿日期:2023-03-24 发布日期:2024-01-08
通讯作者: 曹晶晶。E-mail:caojj5@mail.sysu.edu.cn
作者简介:刘燕君(2000-),女,硕士生,主要研究方向为湿地遥感。E-mail:liuyj269@mail2.sysu.edu.cn
基金资助:
国家自然科学基金(42201353);广东省自然科学基金(2021A1515011462);南方海洋科学与工程广东省试验室(珠海)创新团队建设项目(311021004)

Classification of coastal wetlands in the Pearl River Estuary using Zhuhai-1 hyperspectral imagery and XGBoost algorithm

LIU Yanjun^1,2,3, LIU Kai^1,2,3,4, CAO Jingjing^1,2,3,4

1. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510006, China;
2. Guangdong Provincial Engineering Research Center for Public Security and Disaster, Guangzhou 510006, China;
3. Guangdong Key Laboratory for Urbanization and GeoSimulation, Guangzhou 510006, China;
4. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519000, China

Received:2023-03-24 Published:2024-01-08

摘要/Abstract

摘要： 由于湿地类别多样且结构复杂,湿地遥感分类工作极具挑战性。本文以珠江口滨海湿地为研究区,基于珠海一号高光谱影像获取的光谱特征、形状特征、纹理特征和指数特征构建优选特征集,采用极端梯度提升(XGBoost)算法和面向对象技术提取湿地类型和空间分布,并对比分析基于支持向量机(SVM)算法和随机森林(RF)算法的湿地分类结果。结果表明:①珠海一号高光谱影像能够有效应用于湿地分类,且光谱特征在湿地分类中发挥了重要作用;②使用的机器学习算法中XGBoost算法的湿地分类效果最佳,总体精度为87.2%,Kappa系数为0.84;③优选的影像特征能够保证更高的湿地类型识别精度,验证了特征筛选有助于提高分类效果。本文发展了一种基于珠海一号高光谱影像和集成学习的大区域湿地类型识别方法,可为湿地资源调查提供有效的技术参考,服务于湿地的保护与开发利用。

关键词: 湿地分类, 红树林, 遥感, 极端梯度提升(XGBoost), 珠海一号, 高光谱影像

Abstract: Remote sensing classification of wetlands is still challenging due to the diversity of wetland types and complex composition. Taking the Pearl River Estuary as the study area, based on Zhuhai-1 hyperspectral imagery, we extracted the wetland type information with the spectral features, shape features, texture features, and spectral indices, using the eXtreme gradient boosting (XGBoost) algorithm, and compared with support vector machine (SVM) and random forest (RF). Results showed that Zhuhai-1 imagery can be used to identify wetland types accurately. Among three machine learning algorithms, the XGBoost gave the best wetland classification effect (OA=87.2%, Kappa coefficient=0.84). Moreover, the selected features gave higher classification accuracy, which verified the importance of feature selection for Zhuhai-1 imagery. This study proposed a new method suitable for large-area wetland classification, which can provide a practical technical reference for wetland resource investigation, protection, and development.

Key words: wetland classification, mangrove, remote sensing, XGBoost, Zhuhai-1, hyperspectral imagery

中图分类号:

P237

刘燕君, 刘凯, 曹晶晶. 结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类[J]. 测绘通报, 2023, 0(12): 136-141.

LIU Yanjun, LIU Kai, CAO Jingjing. Classification of coastal wetlands in the Pearl River Estuary using Zhuhai-1 hyperspectral imagery and XGBoost algorithm[J]. Bulletin of Surveying and Mapping, 2023, 0(12): 136-141.

参考文献

[1] 李玉凤,刘红玉. 湿地分类和湿地景观分类研究进展[J]. 湿地科学,2014,12(1): 102-108.
[2] 牟晓杰,刘兴土,阎百兴,等. 中国滨海湿地分类系统[J]. 湿地科学,2015,13(1): 19-26.
[3] 杜文,国斯恩,刘津如,等. 基于Landsat8 OLI遥感数据的辽河口湿地分类与动态监测研究[J]. 沈阳农业大学学报,2022,53(4): 432-443.
[4] 程丽娜,钟才荣,李晓燕,等. Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类[J]. 遥感学报,2022,26(2): 348-357.
[5] 黎丰收,刘凯,刘洋,等.基于WorldView-2数据的基塘系统遥感分类研究[J]. 湿地科学,2018,16(5): 587-596.
[6] XU Bing,GONG Peng. Noise estimation in a noise-adjusted principal component transformation and hyperspectral image restoration[J]. Canadian Journal of Remote Sensing,2008,34(3): 271-286.
[7] 张雅春,那晓东,臧淑英. 基于HJ-1A高光谱影像的湿地精细分类[J]. 地理科学进展,2018,37(12): 1705-1712.
[8] 李晓敏,张杰,马毅,等. 基于无人机高光谱的外来入侵种互花米草遥感监测方法研究: 以黄河三角洲为研究区[J]. 海洋科学,2017,41(4): 98-107.
[9] 谢静,王宗明,毛德华,等. 基于面向对象方法和多时相HJ-1影像的湿地遥感分类: 以完达山以北三江平原为例[J]. 湿地科学,2012,10(4): 429-438.
[10] YAN Dan,WERNERS S E,LUDWIG F,et al. Hydrological response to climate change: the Pearl River,China under different RCP scenarios[J]. Journal of Hydrology: Regional Studies,2015,4: 228-245.
[11] 莫利江,曹宇,胡远满,等. 面向对象的湿地景观遥感分类: 以杭州湾南岸地区为例[J]. 湿地科学,2012,10(2): 206-213.
[12] 吴庆双,汪明秀,申茜,等. Sentinel-2遥感图像的细小水体提取[J]. 遥感学报,2022,26(4): 781-794.
[13] 陈磊士,高霞霞,廖玉芳,等. 基于CART决策树的高分二号洞庭湖区湿地分类方法[J]. 测绘通报,2021(6): 12-15.
[14] 黄慧萍,吴炳方. 地物提取的多尺度特征遥感应用分析[J]. 遥感技术与应用,2003,18(5): 276-281.
[15] THOMAS N,HENDRIX C,CONGALTON R G. A comparison of urban mapping methods using high-resolution digital imagery[J]. Photogrammetric Engineering & Remote Sensing,2003,69(9): 963-972.
[16] DRǍGUŢ L,TIEDE D,LEVICK S R.ESP:a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J].International Journal of Geographical Information Science,2010,24(6):859-871.
[17] 姚博,张怀清,刘洋,等. 面向对象CART决策树方法的湿地遥感分类[J].林业科学研究,2019,32(5): 91-98.
[18] 孙宁青. 基于神经网络和CFS特征选择的网络入侵检测系统[J].计算机工程与科学,2010,32(6): 37-39.
[19] HALL M,SMITH L A. Feature subset selection: a correlation based filter approach[EB/OL]. [2023-02-02].https://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=1EAD7EDD7630EDF0CBD195FAC5906B23?doi=10.1.1.52.217&rep=rep1&type=pdf.
[20] CHEN Tianqi,GUESTRIN C. XGBoost: a scalable tree boosting system[EB/OL]. [2023-02-02].https://arxiv.org/abs/1603.02754.pdf.
[21] 叶倩怡,饶泓,姬名书. 基于Xgboost的商业销售预测[J]. 南昌大学学报(理科版),2017,41(3): 275-281.
[22] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报,2000,26(1): 32-42.
[23] 范怀刚,岳彩荣,王栋. 基于支持向量机的宜良县遥感分类与土地覆盖变化研究[J]. 林业调查规划,2014,39(2): 51-56.
[24] BREIMAN L. Random forests[J]. Machine Language,2001,45(1): 5-32.
[25] 方匡南,吴见彬,朱建平,等. 随机森林方法研究综述[J]. 统计与信息论坛,2011,26(3): 32-38.

结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

Classification of coastal wetlands in the Pearl River Estuary using Zhuhai-1 hyperspectral imagery and XGBoost algorithm

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]	杨传训, 李勇, 杨骥, 舒思京. 机器学习模型的珠江口悬浮泥沙遥感反演与规律分析[J]. 测绘通报, 2023, 0(9): 117-123.
[2]	贺秋华, 邹娟, 余姝辰, 余德清, 唐晖, 梅金华, 罗建强, 赵动, 邹聪. 基于高分辨率遥感影像的荆江河段南部洪道崩岸监测——以戥盘洲弯道为例[J]. 测绘通报, 2023, 0(9): 124-128.
[3]	杜玉柱. 铁路安全遥感新技术动态监测[J]. 测绘通报, 2023, 0(9): 129-134.
[4]	赵菊花, 杨永崇, 王涛, 杨梅焕, 谢艳玲, 郭志炜, 陈佳旺. 黄土高原2000—2020年生态网络演变及关键修复区识别[J]. 测绘通报, 2023, 0(8): 19-23,77.
[5]	麻德明, 张秀林, 田梓文, 王佳新. 无人机遥感影像浒苔信息提取方法[J]. 测绘通报, 2023, 0(8): 24-28.
[6]	王蕾, 张恒璟, 高小明, 邢晨, 马海超. 一种高光谱遥感影像无损压缩方法与应用[J]. 测绘通报, 2023, 0(8): 120-125.
[7]	王斌, 徐佳沅, 唐力明, 周立鹏. 小型斜坡隐患识别“空天地”图谱几何遥感方法[J]. 测绘通报, 2023, 0(8): 136-141.
[8]	张戬, 高雅. 深度学习遥感影像解译技术在耕地保护中的应用[J]. 测绘通报, 2023, 0(8): 142-145.
[9]	王滢, 李代伟, 张帆, 朱会子, 李龙伟, 李楠. 基于Google Earth Engine的巢湖流域生态环境质量时空动态变化及影响因素分析[J]. 测绘通报, 2023, 0(7): 7-13.
[10]	温亚飞, 刘宇, 王光辉, 张秋昭. Landsat 9数据的地表温度反演算法优化[J]. 测绘通报, 2023, 0(7): 74-79.
[11]	王冬梅, 吴勇锋, 石一凡, 梁文广, 王轶虹, 潘思远. 利用Sentinel-2遥感影像分析水葫芦时空分布规律[J]. 测绘通报, 2023, 0(6): 44-49.
[12]	王俪璇, 叶成名, 眭天波, 魏瑞龙, 李洪富. 川藏交通廊道冰川和地表水遥感监测及耦合分析[J]. 测绘通报, 2023, 0(6): 50-55.
[13]	杨佳欣, 李佳田, 陆美, 胡明洪, 李文, 金维, 胡浩. 云南地区积雪遥感监测及气候响应分析[J]. 测绘通报, 2023, 0(6): 56-60.
[14]	沈鑫甦, 嵇灵. 面向遥感地类变化检测的U型深度学习神经网络改进方法[J]. 测绘通报, 2023, 0(6): 93-97,103.
[15]	范忻, 丁来中, 李莹, 王文杰, 程明, 宋会传, 高爽, 耿丽艳, 李春意. 黄河下游藕节形河道游荡趋势演变遥感分析[J]. 测绘通报, 2023, 0(6): 150-154.