1、d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-3 5 8 X.2 0 2 2.0 1.0 1 6“3 S”技术基于S t a c k i n g集成机器学习法的S e n t i n e l-1海冰分类研究泥 萍1,唐 凯1,王志勇1,2(1.山东科技大学,山东 青岛 2 6 6 5 9 0;2.测绘工程国家级实验教学示范中心(山东科技大学),山东 青岛 2 6 6 5 9 0)摘要:随着海冰监测需求的不断扩大,合成孔径雷达数据逐渐成为海冰遥感监测的重要数据,但现阶段用于雷达海冰监测的机器学习方法普遍精度不高且鲁棒性较低。针对上述问题,对S e n t i n e l
2、-1影像数据提取多种影像纹理特征,然后将轻量级梯度提升机、随机森林与深度置信神经网络通过S t a c k i n g方法集成后对海冰进行监测,并检验其精度。实验结果表明,相较于单一机器学习器,S t a c k i n g集成学习器具有更高的分类精度,证明集成学习可以提高海冰分类精度。关键词:反向神经网络;随机森林;轻量级梯度提升机;S t a c k i n g;集成机器学习中图分类号:P 2 3 7 文献标识码:A 文章编号:1 0 0 1-3 5 8 X(2 0 2 2)0 1-0 0 7 0-0 8S t u d yo nS e n t i n e l-1s e a i c ec l
3、 a s s i f i c a t i o nb a s e do nS t a c k i n g i n t e g r a t e dm a c h i n e l e a r n i n gm e t h o dN iP i n g1,T a n gK a i1,W a n gZ h i y o n g1,2(1.S h a n d o n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y,Q i n g d a o2 6 6 5 9 0,C h i n a;2.N a t i o n a lE x p e r
4、i m e n t a lT e a c h i n gD e m o n s t r a t i o nC e n t e ro fS u r v e y i n ga n dM a p p i n gE n g i n e e r i n g(S h a n d o n gU n i v e r s i t yo fS c i e n c ea n dT e c h n o l o g y),Q i n g d a o2 6 6 5 9 0,C h i n a)A b s t r a c t:W i t ht h e i n c r e a s i n gd e m a n df o rt
5、 h es e a i c em o n i t o r i n g,s y n t h e t i ca p e r t u r er a d a r(S A R)d a t ah a dg r a d u a l l yb e c o m ea n i m p o r t a n td a t a f o r t h es e a i c er e m o t es e n s i n gm o n i t o r i n g.H o w e v e r,m a c h i n e l e a r n i n gm e t h o d su s e d f o r t h e r a d
6、a r s e a i c em o n i t o r i n gw e r e t h e l o wa c c u r a c ya n d l o wr o b u s t n e s sg e n e r a l l y.F o r t h e s ep r o b l e m s,av a r i e t yo f i m a g e t e x t u r e f e a t u r e sw e r ee x t r a c t e df r o mS e n t i n e l-1i m a g ed a t a,a n dt h es e a i c ew a sm o n
7、 i t o r e da n dt h ea c c u r a c yw a s t e s t e db y i n t e g r a t i n gt h e l i g h tg r a d i e n tb o o s t i n gm a c h i n e,t h er a n d o mf o r e s t a n dt h ed e e pb e l i e fn e u r a ln e t w o r k sw i t hS t a c k i n gm e t h o d s.E x p e r i m e n t a l r e s u l t ss h o w
8、 e dt h a tS t a c-k i n gi n t e g r a t e d l e a r n i n ga p p a r a t u sh a d t h eh i g h e r c l a s s i f i c a t i o na c c u r a c y t h a n t h e s i n g l em a c h i n e l e a r n i n ga p-p a r a t u s.I tw a sp r o v e dt h a t t h e i n t e g r a t e d l e a r n i n gc o u l d i m p
9、r o v e t h ea c c u r a c yo f t h es e a i c ec l a s s i f i c a t i o n.K e yw o r d s:r e v e r s en e u r a ln e t w o r k;r a n d o mf o r e s t;L i g h t G BM;S t a c k i n g;i n t e g r a t e dm a c h i n e l e a r n i n g引用格式:泥萍,唐凯,王志勇.基于S t a c k i n g集成机器学习法的S e n t i n e l-1海冰分类研究J.矿山测量
10、,2 0 2 2,5 0(1):7 0-7 7.海冰不仅影响环境与气候,还影响着人类海上生产与安全1。随着海冰监测需求的不断扩大,合成孔径雷达(S y n t h e t i cA p e r t u r eR a d a r,S A R)数据被广泛应用2,海冰分类方法中的机器学习方法被愈发重视3。较为先进的机器学习算法有人工神经网络4、随机森林(R a n d o mF o r e s t,R F)5与轻量级梯 度 提 升 机(L i g h t G r a d i e n tB o o s t i n g M a c h i n e,L i g h t G BM)6,均在海冰分类方面体现出
11、一定的精度和可靠性,然而单一的机器学习方法鲁棒性较低,在数据量大的时候容易产生误差与椒盐现象,精度有待提升。因此采用多种学习模型解决同一问题的集成思想开始在分类中广泛使用。集成学习弥补单一学习器的缺点,实现了各分类方法的最优化与图像特征的高度利用7。07第5 0卷第1期2 0 2 2年2月 矿 山 测 量M I N ES UR V E Y I N G V o l.5 0N o.1F e b.2 0 2 2综上所述,本文采用海冰监测中的主要S A R数据S e n t i n e l-18,充分发掘机器学习在海冰监测方面的优势与潜力,利用集成机器学习的方法对海冰进行监测分类。以极化数据与纹理特征
12、作为深度置信网络(D e e pB e l i e fN e t w o r k s,D B N)、R F与L i g h t-G BM这三种基学习器的特征输入,然后采用S t a c-k i n g集成策略来预测最终结果,最后从用户精度(U s e rA c c u r a c y,UA),产品精度(P r o d u c tA c c u r a-c y,P A),总体精度(O v e rA c c u r a c y,OA)与K a p p a系数四个方面对结果进行对比分析9,以验证本实验所提出的集成机器学习方法对海冰监测分类的性能。1 研究区与研究数据本文研究区域位于2 1 2 6 2
13、 3 3 4 W,7 2 2 1 7 3 4 9 N,属于格陵兰岛区域。格陵兰海域为北冰洋边缘海,属亚极地气候,全年盛行北风和东北风,每年冬季海面大部分都出现封冻现象,对海上作业产生了较大影响。近年来随着全球气候变暖的日益加重,格陵兰岛区域海冰成为全球气候监测的重点,确定精度较高的方法对海冰进行分类,对后续海冰时序监测并分析其生长或消融趋势有重要的意义。研究数据选取2 0 1 8年2月1 8日的S e n t i n e l-1数据,凭借其宽幅测量优势,覆盖面积较大,包含冰类型较多,更适用于进行海冰分类监测实验。2 基学习器介绍2.1 深度置信神经网络深度置信神经网络是对反向传播(B a c
14、k-p r o p-a g a t i o n,B P)神经网络的一种改进神经网络算法,由受限玻尔兹曼机和B P神经网络组成。2.1.1 受限玻尔兹曼机受限 玻 尔 兹 曼 机(R e s t r i c t e dB o l t z m a n n M a-c h i n e,R BM)是一种随机生成神经网络,具体方法是采用监督学习或无监督学习的方法训练数据集以得到概率分布1 0。最简单的R BM仅由一层隐藏层和一层可见层组成。神经元只在两层间连接,层内神经元完全独立,通过赋予不同的权值表达单元之间的相关性。2.1.2 反向传播神经网络B P神经网络是当今应用最广泛的一种神经网络模型,其训练
15、算法为误差逆向传播,并进行前馈操作,可分为信号前向传播和误差反向传播两个过程1 1。B P神经网络现阶段已被广泛用来解决分类或预测等问题,其优势是具有很强的非线性映射能力和柔性的网络结构,但由于B P神经网络不需要预训练,所以当隐形层或神经元较多时,其学习速度会变慢,容易陷入局部极小值,难以实现局部最优解。2.1.3 深度置信网络如图1所示,深度置信网络由多层无监督的R BM和一层有监督的B P网络组成1 2。D B N训练过程由无监督预训练和有监督微调两个过程组成,无监督的预训练能够尽可能保留原始数据的特点并降低特征的维度。D B N对受限玻尔兹曼机进行逐层贪婪预训练,并将其作为单层B P神
16、经网络的输入,可以有效克服传统B P神经网络的局限性。因此,相较于B P神经网络,D B N能够更好地表达特征,加快网络收敛速度。图1 深度置信网络原理图2.2 随机森林分类模型R F是由L e oB r e i m a n和A d e l eC u t l e r所提出的一种机器学习算法,其原理是以决策树为基学习器并行学习,最终结果由决策树所输出类别的众数决定1 3,因此具有鲁棒性高、泛化误差小的优点。作为高度灵活的机器学习算法,在数据量较大的情况下,得益于并行运算的特点,R F仍然具有准确、快速、可以评估误差以及评估变数重要性等优势,是现阶段分类中比较主流且优越的分类算法。R F分类过程如
17、图2所示。2.3 轻量级梯度提升机轻量级梯度提升机是新提出的一种原理为决策树的机器学习分类算法,该算法是对梯度提升决策树的优化版本。2.3.1 梯度提升决策树17第1期 泥 萍等:基于S t a c k i n g集成机器学习法的S e n t i n e l-1海冰分类研究 2 0 2 2年2月图2 随机森林原理图传统提升决策树算法下的分类模型已通过工程优化在分类中得到了有效实现,但在进行处理时需要将所有数据作为输入值,全部扫描以后才能估计可能分割点,因此在处理大量数据时效率较低且扩展性不足。2.3.2 梯度提升决策树优化针对上述梯度提升决策树存在的问题,K EG u o l i n等提出一
18、种轻量级梯度提升机,该提升机采用两种改进方法,分别是基于梯度的单边采样(GO S S)和排他特征捆绑(E F B)6。在实际操作中,对于信息增益起最终作用的是梯度较大的数据实例,而GO S S恰好可以排除很大部分小梯度数据实例,优化输入值后估计信息增益。E F B则采用贪婪算法实现最佳捆绑相互排斥的特性,再次在不损害精度的情况下减少了输入值数量。两种改进方法共同作用下所创建的决策树即L i g h t-G BM,实验证明其训练速度明显提高,并且没有损害精度。3 S t a c k i n g集成机器学习海冰监测算法本文所提出的S t a c k i n g集成机器学习海冰监测算法总体流程如图3
19、所示。图3 本文研究方法总体流程图3.1 数据预处理对S e n t i n e l-1数据的预处理包括辐射定标、散斑消除。这两个步骤是使用S A R数据时的基本处理要求。根据以往研究表明,L E E滤波对于S A R相干斑点噪声的综合抑制水平最佳,所以本研究中将采用L E E滤波对影像进行消除散斑处理1 4。而在机器训练过程中,为了使得机器算法快速收敛至全局最优解,还需要对训练数据进行归一化处理。以上 预 处 理 操 作 均 在P y t h o n3.7环 境 下 的G D A L和N u m p y库实现。G D A L库用来读写遥感栅格影像,而N u m p y提供多种数组运算方法,可
20、满足大型影像的数据预处理需求。3.2 输入特征提取与构建S A R影像是灰度影像,相较于光学遥感影像其表面特征较少,但纹理特征丰富,充分利用纹理特征可以实现地物的高精度分类。本文中对S A R影像的特征提取主要包括灰度共生矩阵的构建与基于灰度共生矩阵的纹路特征提取。27第1期 矿 山 测 量 2 0 2 2年2月3.2.1 灰度共生矩阵计算灰度共生矩阵通过计算图像的条件概率密度函数来描述纹理。据以往研究表明,灰度级压缩对纹理特征的影响基本可以为0,因此在本研究中,考虑运算效率问题,将图像灰度压缩为6 4灰度级,从0、4 5、9 0 与1 3 5 四个方向对S e n t i n e l-1的H
21、H与HV两种极化方式分别计算灰度共生矩阵和其所确定的纹理特征值。3.2.2 基于灰度共生矩阵的纹理特征的提取与分析纹理作为一种区域属性,可以反映灰度在空间上的重复性,不同海冰纹理特征不同,现阶段的纹理特征提取方法中,基于像素及邻域灰度的统计分析法已被广泛应用到提取遥感图像纹理特征中1 5,而最常用的统计分析法即灰度共生矩阵。由灰度共生矩阵提取的纹理主要受窗口大小的影响,经多次实验综合考虑,本文最终选取尺寸为1 1的窗口,在影像上提取8种常用于遥感影像纹理表达的特征值,分别为均值、方差、同质性、对比度、差异性、熵、角二阶矩和相关性1 6。本文的纹理提取在E NV I 5.3软件中进行,E N-V
22、 I 5.3可对影像进行灰度共生矩阵的计算与8种纹理特征的提取,并可以按照需求变换角度。3.3 S t a c k i n g集成方法 S t a c k i n g是一种融合水平较高且算法内容较为复杂的集成方法,作为基学习器的一种集合策略,S t a c k i n g通过对各基学习器的结果进行融合以得到更高的精度。S t a c k i n g集成方法可被划分为两部分,第一层是各个基学习器构成的基模型,第二层则是融合后形成的元模型。其融合原理是将基模型的预测值作为元模型的输入值,其具体流程可分为以下几个阶段:(1)在原始数据集上采用交叉验证的方式对多个基学习器进行训练。(2)汇总各个基学习
23、器计算的预测值构建新的数据集,即元训练数据。(3)将元训练数据训练下一层学习器即元学习器后输出最终预测结果。(4)进行测试阶段,测试阶段与训练阶段过程相同。通过以上汇总训练,集成各个基学习器的优势,使得S t a c k i n g相比于独立的预测模型具有更强的非线性表述能力,可以进一步降低泛化误差,S t a c k i n g原理流程如图4所示。本文中的基础机器学习器和S t a c k i n g的实现均使用P y t h o n3.7环境下的开源机器学习库s c i k i t-l e a r n来实现。图4 S t a c k i n g集成机器学习原理流程图3.4 精度评定为了评价
24、海冰提取效果,验证S t a c k i n g集成机器学习模型的准确性,将基学习器学习结果与其进行对比分析。除了定性对比之外,还使用了OA、UA、P A与K a p p a四个指标进行定量精度评定。为保证定量指标计算的客观性,分类样本数据根据影像及先验知识目视选取样本,选取的准则包括样本种类与待分区域类别一致性、样本具有代表性、数量要充足性以及分布要均匀性。针对以上要求,本文采用人工选取样本点数据为主与专家数据辅助结合的方法对S e n t i n e l-1海冰S A R图像进行分析。加拿大冰服务局C I S、美国国家冰中心N I C或南极研究所AA R I等海冰监测机构发布的海冰类型地图
25、可以作为海冰分类专家数据,但本区域没有完全契合的冰图,且N I C/AA R I冰图每周生成一次,分辨率低、影像粗略,因此对不同海冰类型的训练数据主要仍由手动视觉识别生成。根据需求,本文手动选取五类样本,共1 1 0处,包含5 01 2 0个像元,其中水体2 0处、初生冰2 5处、灰冰2 3处、灰白冰2 1处,白冰2 1处。定量评价指标计算数据来自于样本数据交叉验证方式划分出来的2 0%数据,使用五折交叉验证方式来训练和验证,取五次的平均37第1期 泥 萍等:基于S t a c k i n g集成机器学习法的S e n t i n e l-1海冰分类研究 2 0 2 2年2月值作为最终结果。五
26、折交叉验证即将数据进行五等分,每次实验都把8 0%的数据用作训练,剩余2 0%用作测试,其原理如图5所示。图5 五折交叉验证原理4 实验结果4.1 纹理提取结果纹理提取结果能够较好地突出图像细节,增加目标的可分性。虽然从视觉上来看,同类特征在不同角度下仅有细微纹理差异,但实际具体数值会有明显差异,能够体现目标在不同角度下的纹理特征。下面将以4 5 纹理特征提取结果作为展示,如图6所示,为清晰展示纹理特征,将局部放大显示。图6 纹理特征展示图4.2 分类结果定性分析为验证使用S t a c k i n g模型对海冰分类单一机器模型的提升结果,将三种基学习器分类结果与其对比,并且使用验证数据对各分
27、类方法的提取结果进行精度评定,结果如图7所示。在影像较大的情况下难以观察到其分类细节,因此选择部分区域进行局部放大后使显示结果更直观,如图8所示。通过分类结果可以发现四种方法均对海冰有一定的分类能力,其主要差别集中在初生冰、灰冰与灰白冰的分类中,三者后向散射值较为相近,单一机器学习容易造成错分与漏分,通过放大的局部区域可以发现,单一机器学习方法中初生冰呈现为大块区域,而S t a c k i n g集成机器学习法中初生冰与灰冰交错,初生冰以点的形式生长为灰冰更符合实际情况。原因是由于S t a c k i n g集成机器学习将多个原理不同但分类效果良好的机器学习算法集成,充分发挥各个机器学习模
28、型的优势,从各种数据空间角度和结构角度上对数据进行多种估测,得到更稳定精准的结果。4.3 分类结果定量分析为使实 验 结 果 更 清 晰,采 用UA、P A、OA与K a p p a系数对各个海冰类型进行定量分析,结果如表13所示,并采用柱状图的形式直观显示,如图91 2所示。通过对比其精度评定结果可以发现,单一基模型都有一定的海冰分类能力,对水体与白冰的区分度较高,但在初生冰、灰冰与灰白冰上还可以改进。而实验证明,改进的S t a c k i n g集成机器学习算法各精度指标都高于单一机器学习方法,均分别提高2%3%。47第1期 矿 山 测 量 2 0 2 2年2月图7 不同分类方法海冰分类
29、结果图8 不同分类方法海冰分类结果局部放大57第1期 泥 萍等:基于S t a c k i n g集成机器学习法的S e n t i n e l-1海冰分类研究 2 0 2 2年2月表1 不同分类方法各海冰类型UA分类方法初生冰灰冰灰白冰白冰水体D B N0.8 4 04 0.8 6 28 0.9 3 21 0.9 9 85 0.9 9 94R F0.8 9 54 0.8 8 40 0.9 6 86 0.9 9 571L i g h t G BM 0.8 9 72 0.8 7 68 0.9 6 17 0.9 9 921S t a c k i n g0.9 1 23 0.8 9 89 0.9 6
30、 87 0.9 9 931图9 不同分类方法下各类型海冰用户精度柱状对比图表2 不同分类方法各海冰类型P A分类方法初生冰灰冰灰白冰白冰水体D B N0.9 1 95 0.7 5 69 0.9 6 04 0.9 9 85 0.9 9 74R F0.9 1 75 0.8 6 36 0.9 6 72 0.9 9 92 0.9 9 74L i g h t G BM 0.9 0 89 0.8 6 01 0.9 7 01 0.9 9 85 0.9 9 74S t a c k i n g0.9 1 04 0.8 8 22 0.9 6 92 0.9 9 92 0.9 9 79图1 0 不同分类方法下各类型海
31、冰产品精度柱状对比图表3 不同分类方法各海冰类型OA与K a p p a指标D B NR FL i g h t G BMS t a c k i n gOA0.9 2 190.9 4 580.9 4 370.9 6 88K a p p a0.9 0 200.9 3 2 00.9 2 940.9 5 58图1 1 不同分类方法下各类型海冰总体精度柱状对比图5 结 论本文以格陵兰南部区域为典型试验区,针 对S A R影像海冰提取中单一机器学习方法对地物特征图1 2 不同分类方法下各类型海冰K a p p a系数柱状对比图依赖度高、分类结果椒盐现象严重、鲁棒性较低且误差较大的问题,采用S t a c
32、k i n g集成机器学习的方法对海冰进行提取。此外,为了丰富特征,还计算了多种影像纹理特征。实验结果表明,基于S t a c k i n g集成机器学习方法的海冰提取结果UA、P A、OA以及K a p p a系数高于集成前单一传统机器学习方法。综上所述,基于集成机器学习思想的海冰分类方法在海冰制图方面具有很大潜力。参考文献:1 Z a k h v a t k i n aN,S m i r n o vV,B y c h k o v a I.S a t e l l i t eS A Rd a t a-b a s e ds e a i c ec l a s s i f i c a t i o n
33、:A no v e r v i e wJ.G e-o s c i e n c e s,2 0 1 9,9(4):1 5 2.2 H u s s a i nM,C h e nD,C h e n gA,e t a l.C h a n g ed e t e c t i o nf r o mr e m o t e l ys e n s e di m a g e s:F r o m p i x e l-b a s e dt oo b j e c t-b a s e da p p r o a c h e sJ.I S P R SJ o u r n a lo fP h o t o-g r a mm e t
34、r ya n dR e m o t eS e n s i n g,2 0 1 3,8 0(2):9 1-1 0 6.3 齐广慧,唐凯,赵传华.泰安市土地利用类型与地表温度的关系研究J.矿山测量,2 0 2 0,4 8(1):1-5,1 1.4 李奇,龙奇勇,赵东旭.基于深度学习的疑似违法图斑快速检测研究J.城市勘测,2 0 2 1(3):8 8-9 1.5 B a n k sS,Wh i t eL,B e h n a m i a nA,e t a l.W e t l a n dc l a s s i-f i c a t i o nw i t hm u l t i-a n g l e/t e m
35、 p o r a l S A Ru s i n gr a n d o mf o r e s t sJ.R e m o t eS e n s i n g,2 0 1 9,1 1(6):6 7 0.6 K EG u o l i n,ME N GQ i,F i n l e yT,e t a l.L i g h t G BM:Ah i g h l ye f f i c i e n tg r a d i e n tb o o s t i n gd e c i s i o nt r e eJ.A d-v a n c e si n N e u r a lI n f o r m a t i o n P r o
36、 c e s s i n g S y s t e m s,2 0 1 7,3 0:3 1 4 6-3 1 5 4.7 程渊.基于集成学习的土壤含水量遥感反演研究D.成都:电子科技大学,2 0 2 0.8 杨魁,杨建兵,江冰茹.S e n t i n e l-1卫星综述J.城市勘测,2 0 1 5(2):2 4-2 7.9 B r o w n eM W.C r o s s-v a l i d a t i o nm e t h o d sJ.J o u r n a lo fM a t h e m a t i c a lP s y c h o l o g y,2 0 0 0,4 4(1):1 0 8
37、-1 3 2.1 0 Z HANGN a n,D I N GS h i f e i,Z HANGJ i a n,e ta l.A no v e r v i e wo nr e s t r i c t e dB o l t z m a n nm a c h i n e sJ.N e u-67第1期 矿 山 测 量 2 0 2 2年2月r o c o m p u t i n g,2 0 1 8,2 7 5:1 1 8 6-1 1 9 9.1 1 L IJ i n g,CHE NGJ i h a n g,S H IJ i n g y u a n,e ta l.B r i e fi n t r o d
38、 u c t i o no fb a c kp r o p a g a t i o n(B P)n e u r a ln e t w o r ka l g o r i t h ma n di t si m p r o v e m e n tJ.A d v a n c e si nc o m-p u t e rs c i e n c ea n di n f o r m a t i o ne n g i n e e r i n g,2 0 1 2:5 5 3-5 5 8.1 2 CHE NY,Z HAOX,J I AX.S p e c t r a ls p a t i a l c l a s s
39、i-f i c a t i o no fh y p e r s p e c t r a l d a t ab a s e do nd e e pb e l i e fn e t-w o r kJ.I E E EJ o u r n a lo fS e l e c t e dT o p i c si nA p p l i e dE a r t hO b s e r v a t i o n s a n dR e m o t eS e n s i n g,2 0 1 5,8(6):2 3 8 1-2 3 9 2.1 3 黄宇玲.基于特征选择和S t a c k i n g集成学习算法的森林蓄积量估测研
40、究D.杭州:浙江农林大学,2 0 1 9.1 4 Z HAN GT,YANGY,S h o k rM,e t a l.D e e p l e a r n i n gb a s e ds e a i c e c l a s s i f i c a t i o nw i t hG a o f e n-3f u l l yp o l a r-i m e t r i cS A Rd a t aJ.R e m o t eS e n s i n g,2 0 2 1,1 3(8):1 4 5 2.1 5 S U H u a,WAN GY u n p e n g,X I AOJ i e,e t a l.I m
41、 p r o v i n gMO D I Ss e ai c ed e t e c t a b i l i t yu s i n gg r a yl e v e lc o-o c-c u r r e n c em a t r i x t e x t u r e a n a l y s i sm e t h o d:Ac a s e s t u d yi nt h eB o h a iS e aJ.I S P R SJ o u r n a lo fP h o t o g r a mm e-t r ya n dR e m o t eS e n s i n g,2 0 1 3,8 5:1 3-2 0
42、.1 6 H a r a l i c kRM,S h a n m u g a mK,D i n s t e i n IH.T e x t u r a lf e a t u r e sf o ri m a g ec l a s s i f i c a t i o nJ.I E E E T r a n s a c-t i o n so nS y s t e m s,M a n,a n dC y b e r n e t i c s,1 9 7 3(6):6 1 0-6 2 1.作者简介:泥萍(1 9 9 6-),女,汉族,山东博兴人,硕士,主要研究方向为S A R图像处理与分析。(收稿日期:2 0
43、2 1-1 2-0 1)(上接第4页)参考文献:1 张俊英.采空区地表建筑地基稳定性模糊综合评价方法J.北京科技大学学报,2 0 0 9,3 1(1 1):1 3 6 8-1 3 7 2.2 滕永海,张俊英.老采空区地基稳定性评价J.煤炭学报,1 9 9 7(5):5 8-6 2.3 张永波.老采空区建筑地基稳定性及其变形破坏规律的研究D.太原:太原理工大学,2 0 0 5.4 王磊,郭广礼,张鲜妮,等.基于关键层理论的长壁垮落法开采老采空区地基稳定性评价J.采矿与安全工程学报,2 0 1 0,2 7(1):5 7-6 1.5 黄英华,闻磊,黄敏,等.金属矿山复杂采空区稳定性模糊评价体系研究J
44、.矿业研究与开发,2 0 1 9,3 9(1 2):6 3-6 7.6 郭庆彪,李英明,王亮,等.废弃采空区地基稳定性极简评价指标体系构建J.金属矿山,2 0 1 9(9):1 7 9-1 8 4.7 韩科明,李凤明.采煤沉陷区稳定性综合评价指标体系的建立J.中国矿业,2 0 0 8(9):4 2-4 5.8 杨达明,郭文兵,谭毅,等.高强度开采覆岩岩性及其裂隙特征J.煤炭学报,2 0 1 9,4 4(3):7 8 6-7 9 5.9 宋世杰,赵晓光,王双明,等.覆岩内砂岩层数对开采沉陷的影响分析与数值模拟J.矿业安全与环保,2 0 1 4,4 1(5):9-1 2,1 6.1 0 王正帅,刘冰晶,邓喀中.老采空区稳定性的模糊可拓评价模型J.地下空间与工程学报,2 0 1 6,1 2(2):5 5 3-5 5 9.1 1 王新民,谢盛青,张钦礼,等.基于模糊数学综合评判的采空区稳定性分析J.昆明理工大学学报(理工版),2 0 1 0,3 5(1):9-1 3.作者简介:李学良(1 9 8 5-),男,河北乐亭人,博士生,副研究员,研究方向为开采沉陷与土地复垦。(收稿日期:2 0 2 2-0 1-1 5)77第1期 泥 萍等:基于S t a c k i n g集成机器学习法的S e n t i n e l-1海冰分类研究 2 0 2 2年2月
