用于洪水范围制图的地理隐马尔可夫树（含证明附录）
机器学习
2018-05-25 v1 机器学习
摘要
洪水范围制图在灾害管理和国家水文预报中起着至关重要的作用。遗憾的是，传统的分类方法常常受到光谱特征中噪声、障碍物和异质性的存在以及类标签间隐含的各向异性空间依赖性的阻碍。在本文中，我们提出地理隐马尔可夫树，一种将常见隐马尔可夫模型从一维序列推广到二维地图的概率图模型。各向异性空间依赖通过反向树结构被纳入隐藏类层中。我们还研究了用于反向树构建、模型参数学习和类推断的计算算法。在合成和真实世界数据集上的广泛评估表明，所提出的模型在洪水制图中优于多个基线，且我们的算法在大数据规模上具有可扩展性。
引用
@article{arxiv.1805.09757,
title = {Geographical Hidden Markov Tree for Flood Extent Mapping (With Proof Appendix)},
author = {Miao Xie and Zhe Jiang and Arpan Man Sainju},
journal= {arXiv preprint arXiv:1805.09757},
year = {2018}
}