基于高分辨率航空影像与DEM的洪水范围制图：一种隐马尔可夫树方法
计算机视觉与模式识别
2021-01-11 v2 机器学习
摘要
洪水范围制图在灾害管理与国家水文预报中起着关键作用。近年来，随着众多小卫星与无人机的部署，高分辨率光学影像日益可得。然而，由于丰富的噪声与阴影、障碍物（如树冠、云）以及因空间异质性导致的像素类（洪水、干地）间光谱混淆，分析此类影像数据以提取洪水范围带来了独特挑战。现有机器学习技术往往聚焦于栅格影像的光谱与空间特征，而未将地理地形充分纳入分类模型。相比之下，我们近期提出了一种称为地理隐马尔可夫树的新颖机器学习模型，该模型以整体方式整合像素的光谱特征与来自数字高程模型（DEM）数据（即水流方向）的地形约束。本文通过使用美国国家海洋和大气管理局（NOAA）国家大地测量局的高分辨率航空影像及DEM进行案例研究来评估该模型。选取了2016年马修飓风洪水期间北卡罗来纳州Grimesland与Kinston两市附近植被茂密洪泛区的三个场景。结果表明，所提隐马尔可夫树模型优于若干最先进机器学习算法（如随机森林、梯度提升模型），在我们的数据集上F值（用户精度与生产者精度的调和均值）从约70%–80%提升至超过95%。
引用
@article{arxiv.2008.11230,
title = {Flood Extent Mapping based on High Resolution Aerial Imagery and DEM: A Hidden Markov Tree Approach},
author = {Zhe Jiang and Arpan Man Sainju},
journal= {arXiv preprint arXiv:2008.11230},
year = {2021}
}