通过使用多种机器学习算法,有效地识别了中国西部被碎片覆盖的冰川
Rui He1, Donghui Shangguan2, Qiudong Zhao1
1Key Laboratory of Ecological Safety and Sustainable Development in Arid Lands, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, PR China; State Key Laboratory of Cryospheric Science and Frozen Soil Engineering, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, PR China; University of Chinese Academy of Sciences, Beijing 100049, PR China.
The Science of the total environment
|October 19, 2024
概括
本研究引入了一种强大的机器学习方法,用于使用环境变量自动识别覆盖碎片的冰川 (DCG). 随机森林算法表现出卓越的性能,提高了冰川库存的准确性.
科学领域:
- 冰川学的冰川学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 覆盖碎片的冰川 (DCG) 在全球范围内具有重要意义,但自动识别是具有挑战性的.
- 环境条件和冰川类型的变化使自动绘图复杂化.
研究的目的:
- 开发和验证用于准确,自动识别DCG的机器学习框架.
- 为了比较DCG分类的四个机器学习算法的性能.
主要方法:
- 使用了随机森林 (RF),XGBoost,LightGBM和SVM算法.
- 集成的表面反射率,规范化指数,表面温度和地形数据.
- 采用了三种方法来区分冰/雪,冰/碎片和碎片/土地特征.
主要成果:
- 随机森林 (RF) 算法表现出卓越的性能,在DCG识别中获得0.819的高平均马修斯相关系数 (MCC).
- 区域建模提高了准确性,特别是对于大陆冰川.
- 独立的二进制类模型的表现优于集成的多类模型.
结论:
- 拟议的机器学习方法为自动化DCG识别提供了可靠和可通用的工具.
- 这种方法有助于编制和监测冰川库存.
- 该方法与现有的冰川库存具有很高的一致性,尽管在海域存在一些不确定性.
