-
题名深度学习积雪覆盖度估算中的代表性样本选择方法研究
- 1
-
-
作者
张明凯
侯金亮
钟歆玥
亢健
任静
-
机构
中国科学院西北生态环境资源研究院
中国科学院大学
-
出处
《遥感技术与应用》
北大核心
2025年第6期1406-1418,共13页
-
基金
国家自然科学基金项目(42371398、42271147)
冰冻圈科学与冻土工程重点实验室自主部署项目(CSFSE-ZZ-2409)。
-
文摘
积雪覆盖度(Fractional Snow Cover, FSC)是衡量地表积雪分布的关键参数,深度学习已成为FSC估算的重要方法,而训练样本的质量和代表性直接影响深度学习模型的准确性和泛化能力。本研究以新疆为研究区,在利用深度学习方法估算MODIS FSC的过程中,比较了分层随机抽样、余弦相似度、K-means聚类和信息熵4种代表性样本选择方法的性能。结果表明:4种选择方法均能有效筛选出代表性样本,降低样本冗余,提高深度学习模型对FSC的估算精度和效率。与使用总体样本训练的深度学习模型相比,基于K-means聚类筛选出的代表性样本(约占总样本40%)所构建的模型在FSC估算精度上表现最优,RMSE和MAE分别为9.51%和5.272%,R^(2)达到0.916,计算时间减少约63%。代表性样本选择策略可显著提升深度学习FSC估算模型在复杂环境下的适用性,为其从实验研究向业务化应用的转化提供了可行路径。
-
关键词
modis
fsc
深度学习
代表性样本
K-MEANS聚类
-
Keywords
modis fsc
Deep learning
Representative sample
K-means clustering
-
分类号
P426.635
[天文地球—大气科学及气象学]
TP79
[自动化与计算机技术—检测技术与自动化装置]
-
