10.3969/j.issn.1000-2375.2020.04.007
基于XGBoost特征选取和迭加权相关权重矩阵的高分五号遥感影像变化检测
提出一种基于迭加权相关权重矩阵(IR-CWM),使用XGBoost机器学习模型训练选取特征变化波段,训练预测变化检测结果的方法(IR-CWM-XGB).以国产高分五号(GF-5)高光谱遥感影像为数据源,经过预处理后,通过迭代加权得到迭加权相关权重矩阵(IR-CWM),然后经过XGBoost算法选取特征波段,选取随机样本进行模型训练,使用最终模型生成变化的结果.实验结果表明:本研究方法与变化矢量分析(CVA)变化检测方法、主成分变化矢量分析(PCA-CVA)变化检测方法、迭加权多元(IR-MAD)方法、卷积神经网络(CNN)等方法进行对比,本研究方法变化检测结果的Kappa系数和总体精度较高,误检率较低.
高分五号(GF-5)、高光谱、变化检测、迭加权相关权重矩阵(IR-CWM)、极端梯度提升树(XGBoost)
42
TP751(遥感技术)
国家自然科学基金;地球信息工程国家重点实验室开放基金;空间数据挖掘与信息共享教育部重点实验室开放基金;测绘遥感信息工程国家重点实验室开放基金
2020-07-17(万方平台首次上网日期,不代表论文的发表时间)
共7页
398-403,410