基于CART集成学习城市不透水层百分比遥感估算.pdfVIP

第32卷第12期 武汉大学学报·信息科学版 V01．32No．12 2007年12月 GeomatiesandInformationScience0fWuhan Dec．2007 University 文章编号；1671—8860(2007)12-1099—04 文献标志码：A 基于CART集成学习的城市不透水层 百分比遥感估算 廖明生1 江利明1’2 林 珲2 杨立民2 (1武汉大学测绘遥感信息工程国家重点实验室，武汉市珞喻路129号，430079) (2香港中文大学太空与地球信息科学研究所，香港新界抄田) 摘要：利用LandsatETM+遥感数据，提出了一种基于CART集成学习的ISP遥感亚像元估算方法，将 Boosting重采样技术引凡CART分析中，用于提高1SP估算的精度。实验结果表明，谊方法的1SP估算一巨能 优于传统的单一CART学习算法，从ETM+影像中估算的ISP值与真实值之问的相关系数达到0．91，平均偏 差为11．16％． 关键词：城市不逢水层；遥感影像}分类与回归树；Boosting枝术；集成学习 中盈法分类号：P237．3 不透水层是城市地区的重要特征，被定义为 的ISP估算方法中，引入目前在机器学习领域广 诸如屋顶、沥青、水泥道路以及停车场等具有不透 泛采用的Boosting技术进行集成学习，以期达到 水性的地表面。作为城市环境的关键指数，不透 改善ISP估算性能的目的。 surfaces 水层百分比(imperviouspercent，ISP) 广泛应用于城市水文过程模拟、水质面源污染以 1 CART分析与Boosting技术 及城市专题制图等研究中o。]。 andre— 近年来，基于统计模型和机器学习的ISP亚 分类与回归树分析(classification 像元遥感估算方法相继被提出，如多元回归法口]、 gressiontree，CART)是一种通用的决策树构建 人工神经网络方法“]、决策树方法[5“]，光谱混合算法，它可以实例化为各种不同的决策树，当园变 模型”3等。其中，决策树方法通过一系列树型结 量或目标变量为离散的分类类别值时称为分类 构的决策规则来建立ISP预测模型，由于决策树 树，而为连续值时则称为回归树”]。CART继承 在连续变量回归问题中具有非线性学习能力，且 了一般决策树具备的所有优点，既可以用于分类 实现简单，运算效率高，该方法在美国地质调查局 研究，又能够进行连续变量的预测和回归，因此， (UsGS)的地学分析和监测计划(GAM)中得到在遥感应用领域表现出了巨大的优势，目前多用 了成功应用和推广，获取的不透水层数据已加入 于遥感分类研究，并取得了不错的分类效 美国国家土地覆盖数据库o“1。然而，决策树是 果[10,11]。 一种弱学习算法口]，受其学习能力的限制，这种 Boosting技术是一种在机器学习领域发展起 ISP估算方法对数据噪声和训练样本误差比较敏 来的重采样技术，其目的是通过某种弱学习算法 感，在大量噪声存在的情况下将显著降低预测模 循环产生数个简单的、精度比随机猜测略好的弱 型的估算精度；另外，对不均衡样本的欠学习也限 规则，再将这些规则进行集成，以提高给定的学习 制了其精度的进一步提高。研究表明，该方法在 算法的分类精度和预测性能“”。决策树和神经 低ISP样本中(小于20％)的估算性能并不理网络均为弱学习算法，样本训练集的较小波动都 想…“。针对上述问题，本文在基于CART分析将导致它们产生的预测函数发生较大变化。各