基于模糊隶属度的多核SVR遥感水深融合探测

《基于模糊隶属度的多核SVR遥感水深融合探测》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于模糊隶属度的多核SVR遥感水深融合探测王锦锦马毅张靖宇山东科技大学测绘科学与工程学院国家海洋局第一海洋研究所摘要：遥感是海岸带浅海和岛礁周边水深探测的重要手段，支持向量回归（SVR）是广泛应用于数据回归的机器学习模型。木文将SVR引入多光谱遥感水深探测，针对单核SVR模型在浅水区水深反演中误差较大的问题，以单核SVR模型反演不同水深段的模糊隶属度作为决策融合因子，提出了基于模糊隶属度的多核SVR遥感水深融合探测方法，并以我国西沙群岛中的北岛为实验区，与单核SVR模型和传统的对数线性水深遥感模型开展对比实验。实骑结果表明:1）基于模

2、糊隶属度的多核SVR融合模型在25m以浅的水域，平均绝对误差0.99m,平均相对误差&2%;2）融合模型的平均相对误差分别比以RBF、Sigmoid.多项式、线性为核函数的四种单核SVR模型提高了1.7%、4%、4.4%、4.8%,比对数线性模型提高T5.5%;3）对于不同水深段，多核SVR融合模型在$5ni的3个水深段内平均相对误差比四种单核SVR模型提高了0.7%至54.9%不等，在025m的5个水深段内比对数线性模型提高了1.1%至20.4%不等。关键词：水深遥感探测;多核SVR;模糊隶属度;决策融合;作者简介：王锦锦（1992

3、-），女，山东济宁人，硕士研究生，主要研究方向为海岛海岸带遥感与测绘，E-ma订:wjin926@126.com作者简介：马毅（1973-）,男，博-上，研究员，主要从事海岛海岸带遥感与应用研究，E-mail:mayimail@fio.org.cn收稿日期：2017-06-08基金：国家重点研发计划项目（2016YFC1402701）MultipiekernelsupportvectorregressionbasedonfuzzymembershipforremotesensingwaterdepthfusiondetectionWA

4、NGJin-jinMAYiZHANGJing-yuCollegeofGeomatics,ShandongUniversityofScienceandTechnology;FirstInstituteofOceanography,StateOceanicAdministration;Abstract：Remotesensingisanimportantmeansofwaterdepthdetectionincoastalshallowwatersandreefs.Supportvectorregression(SVR)isamachin

5、elearningmodelwhichiswidelyusedindataregression.Inthispaper,SVRisintroducedintomulti-spectralremotesensingwaterdepthdetection.Aimingattheproblemthatthesingle-kernelSVRmodelhasalargeerrorinshallowwaterdepthinversion,thefuzzymembershipdegreeofdifferentwaterdepthisretrieve

6、dasadecisionfusionfactorwithsinglekernelSVRmodel,cimultikernelSVRremotesensingwaterdepthfusiondetectionbasedonfuzzymembershipdegreeisputforward.AndtakingtheNorthIslandoftheXishaIslandsinChinaasanexperimentdtionarea,thecomparisonexperimentswiththesinglekernelSVRmodelsand

7、thetraditionallog-linearbathymetricremotesensingmodelarecarriedout.Theresultsshowthat:1)IntangeofOto25meters,themeanabsoluteerror(MAE)ofthemultikernelSVRremotesensingwaterdepthis0.99m,themeanrelativeerror(MRE)is&2%;2)ComparedtotheRBF-SVRmodeKSigmoid-SVRmode1>Po1y-SVRmod

8、elandLine-SVRmodel,theMREofthefusiondetectionmodelimproved1.7%、4%、4.4%.4.8%,comparedtotraditionallog-linearmod