用于高效混合生物物理变量反演的主动学习方法
信号处理
2020-12-16 v1 计算机视觉与模式识别
图像与视频处理
摘要
基于核的机器学习回归算法（MLRA）是潜在强有力的方法，可用于业务化生物物理变量反演方案。然而，它们难以应对大规模训练数据集。随着可用于分析的光学遥感数据量增加，以及利用来自辐射传输模型（RTM）的大量模拟数据训练核 MLRA 的可能性，有必要实施高效的数据约简技术。主动学习（AL）方法能够选择数据集中信息量最大的样本。本快报介绍了六种 AL 方法，以可管理的训练数据集实现优化的生物物理变量估计，并将其集成到一个基于 Matlab 的 MLRA 工具箱中供半自动使用。基于 PROSAIL 模拟，分析了这些 AL 方法在提高叶面积指数和叶绿素含量估计精度方面的效率。每种已实现的方法均优于随机采样，以更低的采样率改善了反演精度。实际上，AL 方法为使用 RTM 生成的训练数据来开发业务化反演模型的高级 MLRA 提供了机会。
引用
@article{arxiv.2012.04468,
title = {Active Learning Methods for Efficient Hybrid Biophysical Variable Retrieval},
author = {ochem Verrelst and Sara Dethier and Juan Pablo Rivera and Jordi Muñoz-Marí and Gustau Camps-Valls and José Moreno},
journal= {arXiv preprint arXiv:2012.04468},
year = {2020}
}