基于MA-RF的混凝土坝变形预测模型及其应用

针对传统随机森林算法在参数寻优及性能验证方法方面的不足,提出了一种基于蜉蝣优化算法和随机森林(MA-RF)的混凝土坝变形预测模型。以某混凝土重力坝变形监测为例进行建模分析,发现在参数寻优方面,MA算法的寻优精度明显优于经验法和PSO算法,且收敛速度更快;在预测性能方面,相比EM-RF、PSO-RF、LSTM、SVM,MA-RF模型的预测精度更高、稳定性更强,为高精度预测大坝变形提供了一种新方法。

基于Sentinel-2时间序列数据及物候特征的棉花种植区提取

棉花是中国重要的经济作物,在新疆大面积种植。及时、准确获取棉花种植面积,对农业政策制定与农业经济发展有重要意义。以渭干河—库车河三角洲绿洲棉花为主要研究对象,利用2018—2020年(1景/1月)36景哨兵2号(Sentinel-2)数据,构建归一化植被指数(Normalize difference vegetation index,NDVI)和红边归一化植被指数(Red edge normalize difference vegetation index,RENDVI_(783))时序数据;采用Savitzky-Golay(S-G)滤波法对时序数据进行平滑、重构并提取11个物候特征;利用袋外误差法对11个物候特征进行特征优选;在此基础上利用重构后的时序数据(NDVI Fit)、(RENDVI_(783)Fit)、物候特征(RENDVI_(783)Ph)、物候特征优选组合构建6种不同的特征数据集,利用随机森林分类(RFC)方法分别进行分类和提取,并采用最大似然分类方法和支持向量机分类方法对分类效果进行验证。结果表明:(1)NDVI和RENDVI_(783)时序数据变化趋势较为一致,棉花在5月(苗期)到8月初(开花盛期)有明显的上升趋势,在8月末至9月(花铃期)达到峰值。相比NDVI,红边波段构成的RENDVI_(783)时序曲线峰值从0.7提高到0.9,棉花区分效果更佳。(2)11个物候特征中拟合函数最大值、生长季长度、生长季振幅、生长季结束、生长季大积分和生长季小积分对分类的贡献性最大,重要性得分分别为1.43、1.40、1.23、1.16、1.02和1.01。(3)RFC方法对特征数据集(RENDVI_(783)Fit+物候特征优选组合)分类精度最佳。总体精度和Kappa系数分别为92.20%和0.92。(4)研究区内棉花分类精度达到了91.02%,种植面积约为3424 km^(2),占研究区总面积的24.67%。

基于局部轮廓和随机森林的人体行为识别

基于视频信息的人体行为识别得到了越来越多的关注。针对人体行为的局部表达,提出了一种新的局部轮廓特征来描述人体的外观姿势,可以同时利用水平和竖直方向上的轮廓变化信息。该特征能有效区分不同动作,与轮廓起始点无关,具有平移、尺度和旋转不变性。针对该特征,提出了一种基于随机森林的两阶段分类方法,使用随机森林分类器对行为视频的局部轮廓进行初分类,并根据每个局部轮廓对应决策类的分类树数目占总分类树数目的比例,提出了一种基于袋外(OOB)数据误差加权投票准则的行为视频分类算法。在测试数据集上的实验结果证实了该方法的有效性。

基于Sentinel-2A影像特征优选的随机森林土地覆盖分类

中南半岛地处热带、亚热带地区,由于水热条件适宜,植被生长旺盛,土地利用强度高,地表覆盖类型的光谱特征时空变异复杂,使用传统的基于光谱特征的遥感分类精度难以保证。Sentinel-2A卫星遥感数据具有较丰富的光谱波段和较高的空间分辨率,为土地覆盖遥感分类提供了多维特征空间。但多维特征参与分类容易造成信息冗余,从而导致分类速度和精度降低。因此,如何充分利用Sentinel-2A数据丰富的光谱和空间信息,并通过高维特征空间降维进行特征优选对于提高分类精度具有重要意义。本文以中南半岛典型地区土地覆盖分类为例,利用Sentinel-2A多波段光谱特征,归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、归一化水体指数(NDWI)等指数特征以及对比度、相关性、能量、均值、熵等纹理特征,在随机森林模型框架下,采用平均不纯度减少方法对不同特征在土地覆盖分类中的重要程度进行识别;利用袋外(OOB)误差方法,对重要特征组合进行了优选;利用优选特征进行随机森林土地覆盖分类,并与原始随机森林分类结果进行对比。结果表明:Sentinel-2A影像的光谱特征和纹理特征在土地覆盖分类中具有较为重要的作用,光谱特征中短波红外、可见光、植被红边波段重要性较大,纹理特征中均值、能量法重要性较高。选择重要性列前9位的特征参与分类时,OOB精度达到最高;继续增加特征会使模型复杂度过高,容易发生过拟合而使得分类精度不增反降。通过特征优选高效利用了Sentinel-2A丰富的光谱和纹理信息,其总体分类精度达87.53%,Kappa系数达0.8461,优于原始随机森林方法,一定程度上提高了热带亚热带地区复杂土地覆盖分类精度。