机器学习与统计方法用于数字高程模型(DEM)校正的比较：中期结果
机器学习
2024-02-13 v1
摘要
已有多种方法被提出用于校正数字高程模型(DEM)中的高程偏差，例如线性回归。如今，监督式机器学习能够对变量之间的复杂关系进行建模，并已被各个领域的研究人员所采用。在现有文献中，一些研究采用了机器学习或统计方法进行DEM校正。然而，据我们所知，这些研究均未比较两种方法的性能，特别是针对开放获取的全球DEM。我们之前的工作已经展示了机器学习方法，特别是梯度提升决策树(GBDT)在DEM校正中的潜力。在本研究中，我们分享了三种近期实现的梯度提升决策树(XGBoost、LightGBM和CatBoost)与多元线性回归(MLR)在提升南非开普敦30米Copernicus和AW3D全球DEM垂直精度方面的比较结果。
引用
@article{arxiv.2402.06688,
title = {Comparison of machine learning and statistical approaches for digital elevation model (DEM) correction: interim results},
author = {Chukwuma Okolie and Adedayo Adeleke and Julian Smit and Jon Mills and Iyke Maduako and Caleb Ogbeta},
journal= {arXiv preprint arXiv:2402.06688},
year = {2024}
}
备注
2 pages, 2 figures, 1 table, ISPRS conference extended abstract