利用极端梯度提升、土地覆盖与地形参数校正城市地区数字高程模型
机器学习
2023-08-15 v1 人工智能
计算机视觉与模式识别
摘要
数字高程模型（DEM）在城市地区的精度受诸多因素影响，包括土地覆盖与地形不规则性。此外，全球 DEM 中的建筑物伪影导致地表流径的人为阻断。这损害了其在城市景观中水文与环境建模的质量与适用性，而此类场景需要精确地形信息。本研究采用极端梯度提升（XGBoost）集成算法，提升南非开普敦上空两个中分辨率 30m DEM 的精度：Copernicus GLO-30 与 ALOS World 3D（AW3D）。XGBoost 是一个可扩展、可移植且通用的梯度提升库，可解决许多环境建模问题。训练数据集由十一个预测变量组成，包括高程、城市足迹、坡度、坡向、表面粗糙度、地形位置指数、地形崎岖度指数、地形表面纹理、矢量粗糙度度量、森林覆盖与裸地覆盖。目标变量（高程误差）依据高精度的机载 LiDAR 计算。训练与测试后，该模型被应用于两个实施站点处的 DEM 校正。校正取得了显著的精度提升，与其他已有方法相比具有竞争力。Copernicus DEM 的均方根误差（RMSE）改善了 46% 至 53%，而 AW3D DEM 的 RMSE 改善了 72% 至 73%。这些结果展示了梯度提升树在提升 DEM 质量及改善城市流域水文建模方面的潜力。
引用
@article{arxiv.2308.06545,
title = {Digital elevation model correction in urban areas using extreme gradient boosting, land cover and terrain parameters},
author = {Chukwuma Okolie and Jon Mills and Adedayo Adeleke and Julian Smit},
journal= {arXiv preprint arXiv:2308.06545},
year = {2023}
}
备注
8 pages