基于XGBoost和组合权重方法的桂林市野火灾害风险性评估

野火灾害风险性评估工作可以定量评估野火灾害对社会经济和自然生态造成损失的风险。以桂林市为研究区,以2017—2021年的历史野火数据为基础。首先,基于XGBoost算法结合所选取的15项评价因子进行野火易发性分析。其次,对选取的8项灾害易损性因子利用主客观组合权重法对野火易损性进行评估。最后,基于所构建的易发和易损性评估模型,开展桂林市野火灾害风险性评估分析。结果表明:(1)野火易发性模型AUC为0.993,预测准确率为0.9698,表明该易发性预测模型拥有优秀的预测性能,气温、高程、坡度和风速因子是影响野火灾害发生的最重要因素;(2)野火灾害易损性评估结果与客观事实相符合,具有良好的可信度;(3)桂林市野火灾害风险性评价结果与桂林市的野火灾害的空间发生概率和社会承灾能力吻合程度高,验证了所提模型的可行性和有效性,为桂林市灾害管理部门的防灾减灾提供了决策支持。

基于Relief F-RFE特征优选的桉树人工林提取

针对信息冗余导致机器学习分类精度下降的问题,该文提出了一种结合Relief F和递归特征消除法(RFE)进行特征优选的桉树人工林面积提取方法。首先将Zhuhai-1和Sentinel-1卫星影像进行融合,通过结合Relief F和RFE进行特征优选,以减少信息冗余的影响。其次,基于光谱、红边指数、纹理特征、植被指数和后散射系数等特征,采用简单非迭代聚类(SNIC)面向对象和随机森林(RF)算法进行桉树人工林面积提取。最后,为验证Relief F-RFE模型在分类方面的性能表现,将其与无特征优选下基于Zhuhai-1和融合数据以及基于RF特征优选的分类结果进行对比分析。结果表明:利用Relief F-RFE优选特征能有效提高桉树人工林分类精度,总体精度达到96.43%,相比于无特征优选下基于Zhuhai-1和融合数据分类结果,总体精度分别提高14.95%和8.43%。在与RF特征选择方法进行对比时,总体精度有所增长,提高了7.55%。