基于机器学习的遥感反演:不确定性因素分析
遥感反演是定量遥感的核心内容之一,只有实现高精度的参数反演,才能提高遥感数据的利用效率,从而进一步推进定量遥感的发展.基于机器学习的遥感参数反演充分利用了卫星大数据的优势,能够避免因物理模型带来的复杂处理和计算过程,同时减小由遥感数据预处理包括几何校正、辐射校正、大气校正等引起的不确定性,因此被应用于遥感反演中.然而,机器学习在遥感反演中的效用和能力需要客观看待.本文重点对机器学习在遥感反演中的应用进行论述.首先在文献检索的基础上总结了目前机器学习在遥感反演方面的应用现状.然后总结了几种典型的机器学习算法的原理及特点.最后,重点论述了基于机器学习的遥感反演不确定性产生的几种主要因素,包括机器学习算法的选择、辅助变量的选择、变量数据集的来源及准确性、训练样本的选择和模型的跨尺度、跨区域应用等.在机器学习算法的实际应用中,应综合考虑这些因素可能会引起的不确定性,从而选择最为合适的算法和样本,提高结果的准确度和可信度.
机器学习、反演、不确定性、定量遥感、深度学习、文献分析
27
P2(测绘学)
国家自然科学基金42071296
2023-04-27(万方平台首次上网日期,不代表论文的发表时间)
共12页
790-801