高斯加权欧氏距离_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...

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

魏立飞1，张杨熙1，尹峰2，黄庆彬3 (1.湖北大学资源环境学院，湖北 武汉 430062;2.湖北省国土资源研究院，湖北 武汉 430071;3.深圳市地籍测绘大队，深圳 518034) 摘要：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. 关键词：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)

0 引言

由于人类的生产活动以及地球上的生态系统不断更替，地表覆盖物也随之发生变化.利用卫星遥感对地观测具有范围大、时效高、周期短、限制少、经济效益高等特点[1].利用不同时相卫星遥感影像对地表地物多次观测从而获取其变化信息的过程——变化检测，始终是遥感研究的热点[2]. 国产高分五号卫星(GF-5)正式投入使用以及无人机高光谱数据的逐渐普及，为高光谱变化检测提供了丰富的数据源.迭加权多元检测算法(IR-MAD)[3]在遥感影像变化检测上性能较好，运算速度快，结果相对传统CVA方法[4]精度较高，但仍然存在全波段权重迭加造成精度不足的问题[5].近年来，随着机器学习及深度学习的发展,Wang等人[6]将卷积神经网络(CNN)方法应用到EO-1Hyperion卫星数据高光谱变化检测上，成为了近年来高光谱变化检测领域高精度优秀算法的代表之一. IR-MAD算法的核心思想是，在计算多时相影像的相关性上迭代加权重得到迭加权相关权重矩阵(iteration reweighted correlation weight matrix，IR-CWM)，计算IR-CWM的欧氏距离，然后阈值分割，最终得到变化结果[7].XGBoost(extreme gradient boosting)算法是一种集成学习模型，张爱武等人[8]利用XGBoost对机载雷达与高光谱进行特征选取与降维，用于高光谱分类效果较好.XGBoost是一种机器学习算法，具有特征选取和分类树的优点，但不能直接运用于高光谱变化检测. 本文中将国产高分五号(GF-5)高光谱遥感影像作为数据源，利用XGBoost特征选取变化波段，将迭加权相关权重矩阵(IR-CWM)的变化检测算法(IR-CWM-XG