基于XGBoost算法的近紫外通道地表反射率模拟_奥勇.pdf

测绘通报2023 年第 6 期引文格式:奥勇，李红丽，张文娟，等 基于 XGBoost 算法的近紫外通道地表反射率模拟J 测绘通报，2023(6):68-74 DOI:10 13474/j cnki11-2246 2023 0170基于 XGBoost 算法的近紫外通道地表反射率模拟奥勇1，李红丽2，3，张文娟3，秦梦2，3(1 长安大学土地工程学院，陕西 西安 710054;2 长安大学地球科学与资源学院，陕西 西安 710054;3 中国科学院空天信息创新研究院，北京 100094)摘要:紫外谱段在全球极光探测、海洋溢油、大气辉光等领域具有重要应用价值，其地表反射特性是研究中的重要背景数据，但现有卫星数据资源较少，难以满足应用需求。针对这一问题，本文提出了基于机器学习 XGBoost 算法的近紫外(350400 nm)通道地表反射率数据模拟方法。首先，选取 Sentinel-2 MSI 2、3、4 通道多光谱数据为数据源，结合其通道特点基于 USGS 地物光谱数据库获取植被、水体、土壤等典型地物光谱数据，并等效计算到相应通道。其次，对数据源和待模拟通道开展相关性分析，Sentinel-2MSI 2、3、4 通道与待模拟通道相关系数均大于 0.88，这表明基于该数据源可开展近紫外地表反射率数据模拟。然后，基于等效计算后的典型地物光谱数据集，利用 XGBoost 算法构建近紫外通道地表反射率回归模型。精度分析结果表明，所有通道模型决定系数(R2)均达到 0.91 以上，均方根误差(RMSE)均小于 0.076，平均绝对误差百分比(MAPE)整体在 20%以内，且上述 3 个精度指标针对不同类别样本的标准差在 0.021 2 范围内，可见模型精度较高，同时具有良好的稳健性。最后，基于 Sentinel-2 MSI 2、3、4 通道图像数据，生成 355、365、375、385、395 nm 的地表反射率模拟图像，图像较好地体现了地物光谱特性。关键词:近紫外;地表反射率模拟;机器学习;XGBoost中图分类号:P237文献标识码:A文章编号:0494-0911(2023)06-0068-07Near-ultraviolet channel surface reflectance simulation based onXGBoost algorithmAO Yong1，LI Hongli2，3，ZHANG Wenjuan3，QIN Meng2，3(1 School of Land Engineering，ChangAn University，Xian 710054，China;2 School of Earth Science and Resources，ChangAn University，Xian 710054，China;3 Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China)Abstract:The ultraviolet spectrum has significant applications in the fields of global auroral detection，marine oil spill，atmosphericglow，etc Surface reflectance is important background data in the research However，the existing satellite data resources are relativelyinsufficient to meet the application needs In this study，a machine learning-based on XGBoost algorithm is proposed for simulatingsurface reflectance data in the near-ultraviolet(N-UV)(350400 nm)spectral channel Firstly，Sentinel-2 MSI 2，3 and 4 channelsare selected as the data source and the spectral of vegetation，water，soil and other typical features are extract based on the USGSspectral database，then equivalently calculated to the corresponding channels Secondly，the correlation analysis between the data sourceand the channel to be simulated is carried out The correlation coefficients between Sentinel-2 MSI 2，3 and 4 channels and thechannels to be simulated are all greater than 0.88，which indicates that the N-UV surface reflectance simulation can be carried outbased on this data source Thirdly，based on the typical spectral data set after the equivalent calculation construct XGBoost regressionmodel to simulate the N-UV channel surface reflectance Results indicate that the coefficient of determination(R2)of all the channelmodels is above 0.91，the root mean square error(RMSE)is less than 0.076，the mean absolute error percentage(MAPE)is within20%，and the standard deviation of the above three accuracy indicators for different categories of samples is within 0.0212，which showsthat the model has high accuracy and robustness Finally，based on the Sentinel-2 MSI 2，3 and 4 channels image data，the simulatedimages of surface reflectance at 355，365，375，385 and 395 nm are generated，and the images better reflect the spectral characteristics ofthe surfaceKey words:near-ultraviolet;surface reflectance simulation;machine learning;XGBoost自 20 世纪 60 年代以来，对地观测卫星为国土资源调查、农作物估产、土壤研究提供了强有力的86收稿日期:2022-11-10;修回日期:2023-04-20基金项目:中国科学院青年创新促进会资助项目(2019132)作者简介:奥勇(1965)，男，博士，副教授，研究方向为遥感科学与技术、地理信息系统。E-mail:aoyong chd edu cn通信作者:张文娟。E-mail:zhangwj aircas ac cn2023 年第 6 期奥勇，等:基于 XGBoost 算法的近紫外通道地表反射率模拟数据支撑1。其中，近紫外谱段被广泛应用于水色遥感2、海洋溢油监测3 及全球气候变化4-5 等领域，这主要是由于该谱段大气辐射传输过程中臭氧等大气分子表现出强散射特性6。但该波段有一定的太阳辐射穿过大气到达地表，产生的地表背景辐射为大气等相关研究带来不确定性，因此需研究近紫外通道地表背景辐射特性。目前，国内近紫外谱段卫星主要有高分五号(GF-5)卫星上搭载的我国首颗紫外-可见光波段大气痕量差分吸收光谱仪(EMI)7 及 HY-1C/D 卫星上搭载的紫外成像仪8，它们主要监测大气污染气体、海洋气溶胶等，对地表探测的卫星较少。鉴于现有卫星难以满足需求，本文围绕谱段范围为 350400 nm 的近紫外波段，开展地表背景辐射数据模拟研究。地表背景辐射数据模拟包括地表反射率和发射率数据的模拟，其研究方法可分为 3 种9:基于物理模型的方法，其联合地物理化性质与辐射传输模型，实现对地表背景辐射数据的模拟，如针对植被的冠层辐射传输模型 PROSAIL10。该方法在地表参量和观测数据之间具有明确的因果关系，可解释性强。然而，针对不同的地物该方法需建立新的模型，在实际应用中实施难度大。基于光谱混合模型的方法，该模型主要利用现有光谱库或图像中的端元光谱，结合光谱混合模型反演端元丰度，进而实现对地表背景辐射数据的模拟11。与基于物理模型的方法相比，光谱混合模型无须获取大量的目标参量，但该模型需要根据特定的遥感图像逐步进行端元光谱选择、端元丰度反演，进而实现图像模拟，模型可迁移能力弱，限制了其在不同场景下的应用。基于光谱通道相关性的方法，以典型地物光谱数据为基础，利用待模拟通道与相邻数据源通道之间的光谱相关性，构建两者的线性或非线性回归关系。上述 3 种方法中，基于物理模型和基于光谱混合模型的模拟方法主要针对可见光或红外波段的图像进行地表背景辐射数据模拟，但近紫外波段图像稀缺，限制了其在该波段的深入研究。而基于光谱通道相关性的方法独立于图像数据，利用典型地物相邻波段的光谱相关性，建立近紫外与邻近通道之间的回归关系，实现该波段地表反射率的模拟。但该方法基于传统的线性回归模型，易受多重共线性影响，导致难以模拟复杂的数据和非线性关系12。近年来，基于机器学习算法的极端梯度提升(extreme gradient boosting，XGBoost)回归模型已成为遥感领域解决问题的主要手段13。该算法的正则项等技术可有效避免模型的过拟合，从而增强模型的泛化能力14，已在各种遥感参数估计方面取得了较好的应用效果，具有高精度、高时效、高稳健的特点15-16。鉴于此，本文基于 USGS(United StatesGeological Survey)，地物光谱库数据，采用机器学习XGBoost 回归模型，对光谱覆盖范围为 350400 nm的近紫外通道构建地表反射率回归模型，以期为相关研究提供数据支撑。1数据准备与预处理考虑 到 高 光 谱 数 据 的 光 谱 分 辨 率 一 般 为10 nm，选择中心波长为 355、365、375、385、395 nm的 5 个近紫外(S1S5)通道作为模拟通道，针对性开展地表反射率模拟研究，通道设置见表 1。针对上述待模拟通道，首先选取合适的卫星数据源;然后结合通道范围设置，开展地物光谱数据的采集、整理与预处理，从而为后续的模型构建提供数据。1.1卫星数据及地物光谱数据选取本文选取 Sentinel-2 搭载的 MSI 传感器 2、3、4波段作为数据源通道，其中心波长分别为 492.4、559.8、664.6 nm，与近紫外 S1S5 模拟通道相邻(见表 1)。此外，Sentinel-2 卫星的地表反射率产品为后续近紫外 S1S5 通道地表反射率图像模拟提供了数据保障。由此可见，Sentinel-2 MSI 的 2、3、4波段非常适合作为近紫外地表反射率模拟的数据源。表 1Sentinel-2 MSI 数据源通道与近紫外模拟通道的光谱覆盖范围nmSentinel-2 MSI 数据源通道近紫外模拟通道波段中心波长波段中心波长band 2492.4S1355band 3559.8S2365band 4664.6S3375S4385S5395针对上述数据源与模拟通道的波段设置，首先需开展覆盖其通道范围的地物光谱数据收集。本文基于美国地质调查局(USGS)光谱库进行数据获取整理。USGS 光谱库涵盖了紫外到远红外(200200103nm)的波长范围，包含多种自然界常见地物，可为近紫外通道的地表反射率模拟提供类型丰富的地物光谱数据。构建光谱范围为 350700 nm的地物光谱库，称为近紫外-可见光地物光谱库(如96测绘通报2023 年第 6 期图 1 所示)，涵盖了人工地物、植被、干植被、土壤、矿物、水体、冰雪等 75 种地物类别，共 520 条地物反射率光谱曲线。由图 1 可以看出，在近紫外模拟通道 350400 nm 覆盖范围内植被和水体的反射率较低，大部分分布在 0.05 左右;人工地物、土壤、矿物及冰雪等地物类型较为复杂，其反射率范围基本覆盖 01。由此表明，该库地物类型丰富，构建的模型具有一定的地表普适性。图 1350700 nm 范围内各种典型地物的光谱曲线1.2光谱辐射等效计算针对上述典型地物光谱，基于 XGBoost 进行模型构建时，还需使其波长设置与待模拟和数据源通道保持一致。遥感器的光谱响应特性是利用光谱响应函数(spectral response function，SRF)进行表征，它反映了某个通道所对应的谱段范围及该范围内每个波长处的辐射响应情况。本文利用 SRF 进行地物光谱的等效计算。Sentinel-2 卫星数据在卫星发射前实验室内进行了光谱响应的详细标定，作为重要辅助参数可公开获取。其中本文所使用的数据源通道 MSI 2、3、4 波段光谱响应曲线如图 2 所示。本文待模拟的近紫外 S1S5 通道光谱分辨率为 10 nm，参考高光谱遥感器的设置，其光谱响应函数符合正态分布，可利用高斯函数构建17，计算公式为SRF(i)=e(i0)22(1)式中，0为遥感器中心波长值;SRF(i)为在波长i处的光谱响应值;为高斯函数标准差。由于 SRF 最大时的半高全宽(full width at halfmaximum，FWHM)为光谱分辨率，因此光谱分辨率FWHM=2 2 ln2，因此基于光谱分辨率可计算得到函数标准差。本文光谱分辨率为 10 nm，依据式(1)计算得到的 5 个近紫外波段的光谱响应函数如图 3 所示。图 2MSI 2、3、4 波段光谱响应函数图 3近紫外 S1S5 通道模拟的光谱响应函数072023 年第 6 期奥勇，等:基于 XGBoost 算法的近紫外通道地表反射率模拟基于数据源和模拟通道的 SRF，可将近紫外-可见光地物光谱反射率等效计算到数据源通道和模拟通道，得到各通道的等效地表反射率 i，计算公式为i=21SRF(i)Rrs(i)d21SRF(i)d(2)式中，i为数据源通道和模拟通道的等效地表反射率;SRF(i)为 1，2范围内卫星传感器的 SRF;Rrs(i)为 1，2范围内近紫外-可见光光谱库中的地物光谱反射率。2通道相关性分析2.1Pearsons 相关性分析线性相关分析是用于衡量两个变量间是否存在线性相关关系及线性关系密切程度的统计分析方法。通过计算 Pearsons 相关系数衡量各模拟通道与各数据源通道之间的相关性18，计算公式为r=Ni=1(X1i?X1)(X2i?X2)Ni=1(X1i?X1)2Ni=1(X2i?X2)2(3)式中，X1i、X2i为各通道的第 i 个样本值;N 为样本数量。r 的取值范围为(1，1)，值越大说明两变量的相关性越强。若 r 0，表明两变量为正相关关系;若 r 0，表明两变量为负相关关系。2.2相关性结果分析针对数据源和模拟通道的等效地表反射率，进行 Pearsons 相关性分析，结果见表 2。可以看出:表 2数据源通道与模拟通道间的相关系数MSI 数据源通道近紫外 S1S5 模拟通道S1S2S3S4S5band 20.956 10.962 10.968 70.975 40.982 7band 30.932 30.938 20.944 90.951 90.959 4band 40.887 10.894 50.902 80.911 40.920 0(1)band 2、band 3、band 4 与近紫外 S1S5 模拟通道之间具有高度的正向线性相关性。相关系数绝大部分大于 0.9，最小值为 0.887。(2)band 2、band 3、band 4 与近紫外 S1S5 模拟通道的相关性依次增强。其中 S5 通道相关系数高达0.98，这主要是由于其对应中心波长395 nm 与Sentinel-2 MSI 各通道的波长设置最为接近。(3)band 2 与各模拟通道的相关性最强，其相关系数均大于 0.95。与 band 2 通道相比，band 4 与各模拟通道的相关性最弱，其相关系数约下降了0.07，但仍大于 0.88。这表明，MSI 2、3、4 数据源通道均与各模拟通道之间存在强光谱相关性。基于上述分析可知，Sentinel-2 MSI 的 2、3、4 通道可作为数据源，对近紫外 S1S5 的地表反射率进行模拟。3近紫外模拟通道模型构建3.1XGBoost 机器学习算法XGBoost 是一种基于决策树的集成式梯度提升算法14。它基于增强集成技术结合一组弱学习器，通过多次迭代生成一个强学习器。在训练过程中，首先使用整个数据集拟合一个学习器;然后添加第2 个学习器，拟合前一个学习器的残差，重复训练过程，直至满足训练标准;最后将每个学习器的预测值之和作为最终预测结果。该算法的基本原理是通过最小化目标函数获取模型的最终预测结果。步骤如下:(1)目标函数最小化，其表达式为Lk=ni=1l(yi，yk1i+fk(xi)+(fk)(4)式中，Lk为目标函数，包括损失函数和正则项两部分;ni=1l(yi，yk1i+fk(xi)为损失函数，表示 n 个样本经过 k 次迭代后总的损失函数，其中 l(yi，yk1i+fk(xi)为第 k 1 次迭代的损失函数，yk1i为第 k 1 次迭代后第 i 个样本的预测值，fk(xi)为 k 棵树对第i个样本进行预测;(fk)为正则项，表示第k次迭代的正则项，用于控制模型的复杂度，表达式为(fk)=T+12Tj=12j+Tj=1j(5)式中，T 为当前第 k 棵树上的叶子总量;j为当前树上第 j 片叶子的叶子权重，是当前叶子 j 的预测值;、为控制树复杂度的正则化参数。(2)模型最终预测。通过上述多次迭代最小化目标函数，最终输出模型的预测值yi，其表达式为yi=Kk=1fk(xi)fk(6)式中，fk为第k棵回归树;K为回归树的数量;为所有可能回归树的空间。3.2模型训练以近紫外 S1S5 通道的等效地表反射率为目标值，MSI 2、3、4 通道的等效反射率为特征变量，在Scikit-learn19 框架下分别对每个模拟通道构建17测绘通报2023 年第 6 期XGBoost 回归模型。具体的建模过程分为数据集构建、模型训练、模型预测 3 个步骤。(1)数据集构建。将 520 组目标值和特征变量按 7 3 随机选取 364 组为训练集，其余 156 组为测试集，并确保训练和测试集中涵盖所有地物。(2)模型训练。将训练集输入 XGBoost 回归模型，采用贝叶斯优化 Hyperopt-sklearn20 超参数调优算法和十折交叉验证误差最小原则，确定模型最佳超参数配置，最大迭代次数设为 200。(3)模型预测。基于最优超参数配置，利用测试集对模型进行测试，最终得到各通道近紫外地表反射率回归模型。在建模过程中，为了实现高精度的近紫外数据模拟，通过对超参数的调整增强模型的拟合能力及预测 精 度，主 要 包 括 最 大 决 策 树 的 个 数 numestimators、树的最大深度 max depth、学习率 learningrate、子节点，进一步划分所需的最小权重之和 minchild weigth、每棵树特征采样比例 col sample bytree、节点分裂所需的最小损失、L1 正则项系数 及 L2正则项。所用超参数及优化空间设置情况见表 3。表 3超参数及超参数空间设置超参数含义参数空间num estimators树的个数 10，300，步长为 5max depth树的最大深度 1，14，步长为 1learning rate训练过程中的更新步长，控制模型的收敛速度 e7，1min child weight叶子节点进一步划分的最小权重和 1，9，步长为 1col sample bytree建树时对特征采样的占比 0.5，1叶节点划分时所需的最小损失 e8，e2L1 正则项系数 e8，e2L2 正则项系数 e8，e23.3模型评价为了量化 XGBoost 模型对近紫外 S1S5 通道地表反射率的模拟精度，采用模型决定系数 R2、均方根误差(root mean square error，RMSE)、平均绝对误差百分比(mean absolute percentage error，MAPE)3 个指标评估每个模型的性能和预测精度。模型评估指标如下R2=1 Ni=1(yi yi)2Ni=1(yi?yi)2(7)RMSE=1NNi=1(yi yi)2(8)MAPE=1NNi=1yi yiyi 100%(9)式中，N 为测试集的目标值样本总数;yi为测试集的目标值;yi为测试集目标值的预测值;?yi为测试集目标值的平均值。R2为模型的拟合效果，值越接近于1，表示模型拟合能力越强;RMSE 均方误差的平方根、MAPE 模拟值与真实值之间的差异，值越小，模型的预测精度越高。4试验结果分析与模拟图像生成4.1试验结果分析基于 XGBoost 建立的近紫外 S1S5 通道地表反射率回归模型，在 156 组各类地物光谱组成的测试集进行了精度验证。图 4(a)(e)展示了S1S5 通道上真实值与 XGBoost 模型预测值的拟合关系。可以看出，156 个样本点均分布在 y=x 函数曲线附近，表明预测值与真实值非常接近;在低反射率值区域，数据点更集中于曲线周围，反射率较大时分布较为离散，但 S1S5 波段，离散性逐步变小，表明往长波移动时，模型预测值更加接近真实值。R2、RMSE、MAPE 的计算结果见表4。可以看出，各波段预测值与实际值的 R2均大于 0.91，最高值为 0.975 4;RMSE 均小于 0.08，考虑地物反射率数据值在 01 之间，可见该误差较小;MAPE 在各波段的均值在 18%左右。由此表明，基于 XGBoost提出的近紫外通道地表反射率模拟方法具有较高的精度，可用于图像模拟。表 4近紫外 S1S5 模拟通道的 XGBoost 模型测试精度近紫外模拟通道评估指标R2RMSEMAPE/(%)S10.915 10.075 420.23S20.946 40.056 619.33S30.966 70.048 518.62S40.962 20.048 516.51S50.975 40.041 216.05均值0.953 10.054 018.15标准差0.021 20.011 70.016 1在近紫外 5 个通道中，随着波长变化，R2逐渐272023 年第 6 期奥勇，等:基于 XGBoost 算法的近紫外通道地表反射率模拟变高，从 0.915 1 逐渐增大至 0.975 4;RMSE 则不断变小，从 0.075 4 减小至 0.041 2;MAPE 也在不断变小，从 20.23%下降至 16.05%。可见从 S1S5 通道，模型精度逐渐提升，S5 的预测精度最佳，因此当待模拟通道与数据源通道相关性越高，模拟精度可能越好。这也反映了光谱通道越接近，其信息相关性越强，可为相关研究提供科学依据。此外，虽然 5 个通道的模型精度逐渐变化，但 5 个波段平均 R2值高达 0.95，RMSE 值接近于 0.05，而MAPE 为 18.15%，小于 20%，且这 3 个精度指标在 5 个通道内的标准差最大仅为 2.12%，表明基于 XGBoost 模型预测近紫外 5 个通道时，不仅具有较高的精度，还表现出模型的稳健性和较好的一致性。图 4XGBoost 模型在 S1S5 通道上地表反射率真实值与预测值的拟合关系4.2模拟图像生成XGBoost 模型在近紫外 S1S5 通道地表反射率模拟中取得了较高的预测精度，现将各通道的预测模型应用到图像上，提取典型地物在各通道的光谱反射特性。为了验证模型对不同地物反射率模拟的适用性，选择包括植被、水体及建筑物等典型地物的 Sentinel-2 MSI 2、3、4 通道地表反射率图像为数据源，图 5 展示了 432(RGB)真彩色合成图像。图像大小为 19231712 像素，空间分辨率为 10 m。通过将数据源图像输入各通道的 XGBoost 地表反射率回归模型，生成 355、365、375、385、395 nm 的地表反射率模拟图像。图 6 为近紫外 S5(R)、S4(G)、S3(B)通道伪彩色合成的地表反射率模拟图像的三维立方体，清晰地展示了地物的纹理特征。此外，基于近紫外 S1S5 通道地表反射率模拟图像，提取不同位置植被、河水、建筑物等典型地物的光谱曲线(如图 7 所示)。可以看出，同类地物的反射率在各通道上较为接近，且光谱特征相似。同时，其地表反射率值在 0.05 附近，这与真实地物光谱的反射率值较为接近。由此表明，基于 Sentinel-2MSI 2、3、4 通道的地表反射率图像，生成的近紫外S1S5 通道的地表反射率图像较好地体现了地物的光谱特性，说明基于地物光谱数据的地表反射率模拟方法可行，模拟的图像数据具有较高的精度。5结语本文 以 USGS 地 物 光 谱 数 据 为 基 础，选 取Sentinel-2 MSI 2、3、4 通道为数据源，采用 XGBoost机器学习算法，对中心波长为 355、365、375、385、395 nm 的 5 个近紫外(S1S5)通道构建地表反射率回归模型，模型均取得了良好的预测精度。此外，将模型应用到图像，生成的模拟图像较好地体现了地物的光谱特性，可为相关图像模拟研究提供参考。37测绘通报2023 年第 6 期图 5Sentinel-2 MSI 地表反射率真实图像图 6近紫外 S5、S4、S3 通道地表反射率模拟图像三维立方体图 7近紫外 S1S5 通道地表反射率模拟图像典型地物光谱参考文献:1童庆禧，孟庆岩，杨杭 遥感技术发展历程与未来展望 J 城市与减灾，2018(6):2-11 2张艺蔚，陶邦一，毛志华，等 海洋水色卫星紫外波段的偏振特性分析 J 光学学报，2020，40(6):1-11 3方四安，黄小仙，尹达一，等 海洋溢油模拟目标的紫外反射特性研究J 光谱学与光谱分析，2010，30(3):738-742 4赵冉，胡启后，孙中平，等 天地一体化遥感监测大气污染技术进展 J 环境科学研究，2021，34(1):28-40 5王淑荣，李福田，曲艺 空间紫外光学遥感技术与发展趋势 J 中国光学与应用光学，2009(1):17-22 6张建勇，钟生东 紫外线技术在军事工程技术中的应用 J 光学技术，2000，26(4):308-312 7赵少华，杨晓钰，李正强，等 臭氧卫星遥感六十年进展 J 遥感学报，2022，26(5):817-833 8王丽丽，赵鸿志，张可立 海洋水色卫星的发展现状及趋势 J 航天器工程，2021，30(6):44-51 9童庆禧，张兵，张立福 中国高光谱遥感的前沿进展 J 遥感学报，2016，20(5):689-707 10JACQUEMOUD S，BARET F PROSPECT:a model ofleaf optical properties spectraJ Remote Sensing ofEnvironment，1990，34(2):75-91 11 刘瑶，张文娟，张兵，等 基于光谱混合的大气吸收通道发射率图像模拟J 遥感技术与应用，2017，32(4):674-682 12 LIU S，ZHOU J，QIU Y，et alThe FIRST model:spatiotemporal fusion incorrporting spectral autocorrelationJ Remote Sensing of Environment，2022，279:113111 13 杨倩倩，靳才溢，李同文，等 数据驱动的定量遥感研究进展与挑战 J 遥感学报，2022，26(2):268-285 14CHEN Tianqi，GUESTRIN C XGBoost:a scalable treeboosting systemC/Proceedings of the 22nd ACMSIGKDDInternationalConferenceonKnowledgeDiscovery and Data Mining San Francisco:ACM Press，2016:785-794(下转第 103 页)472023 年第 6 期鲍烨青，等:面向交通的 GNSS 高精度定位完好性试验分析Carrierphase-basedintegritymonitoringforhigh-accuracy positioningJ GPS Solutions，2009，13(1):13-22 6FENG Feng，JOKINEN J，MILNER M，et alNewmethods for dual constellation single receiver positioningand integrity monitoringJ Geo-Spatial InformationScience，2013，16(3):201-209 7Zhang Q，Gui Q Carrier-Phase RAIM algorithm basedon a vector autoregressive modelJ Lecture Notes inElectrical Engineering，2015，341:125-142 8宋建材，侯春萍，薛桂香 基于 EKF 的 GNSS 接收机自主完好性监测方法 J 天津大学学报，2017，50(4):405-410 9ZHU Zhen，VINANDE E Comparison of fault detectionand exclusion algorithms for multi-constellation carrierphasesolutions C/Proceedingsofthe31stInternational Technical Meeting of The Satellite Divisionof the Institute of Navigation(ION GNSS+2018)Miami，Florida:s n ，2018 10姚诗豪，李晓明，庞春雷 基于多假设解分离的CRAIM 算法研究J 弹箭与制导学报，2019，39(1):31-34 11 林雪原，范胜林，宋杰，等 北斗导航系统接收机自主完好性监测算法及性能分析 J 海军航空工程学院学报，2016，31(6):619-624 12 苏先礼 GNSS 完好性监测体系及辅助性能增强技术研究 D 上海:上海交通大学，2013 13 ZHU Ni，MARAIS J，BTAILLE D，et alGNSSposition integrity in urban environments:a review ofliterature J IEEETransactionsonIntelligentTransportation Systems，2018，19(9):2762-2778 14赵昂，杨元喜，许扬胤，等 GNSS 单系统及多系统组合完好性分析J 武汉大学学报(信息科学版)，2020，45(1):72-80 15 EL-MOWAFY A，IMPARATO D，RIZOS C，et al Onhypothesis testing in RAIMalgorithms:generalizedlikelihood ratio test，solution separation test and apossible alternative J Measurement Science andTechnology，2019，30(7):075001(责任编辑:杨瑞芳)(上接第 74 页)15LIU H，LI Q，BAI Y，et al Improving satellite retrievalof oceanic particulate organic carbon concentrationsusing machine learning methods J Remote Sensing ofEnvironment，2021，256:112316 16 MULTI Y，SUN W，CHI Y，et alMachine learning-based retrieval of day and night cloud macrophysicalparameters over East Asia using Himawari-8 dataJ Remote Sensing of Environment，2022，273:112971 17 GREEN R O，PAVRI B E，CHRIEN T GOn-orbitradiometric and spectral calibration characteristics ofEO-1 Hyperion derived with an underflight of AVIRISand in situ measurements at Salar de Arizaro，ArgentinaJ IEEE Transactions on Geoscience and RemoteSensing，2003，41(6):1194-1203 18 TAYLOR R Interpretation of the correlation coefficient:a basic review J Journal of Diagnostic MedicalSonography，1990，6(1):35-39 19PEDREGOSA F，VAROQUAUX G，GRAMFORT A，et al Scikit-learn:machine learning in pythonJ JournalofmachineLearningresearch，2011，12:2825-2830 20 BERGSTRA J，KOMER B，ELIASMITHC，etalHyperopt:a Python library for model selection andhyperparameter optimization J Computational Science Discovery，2015，8(1):014008(责任编辑:纪银晓)(上接第 97 页)7季顺平，袁修孝 一种基于阴影检测的建筑物变化检测方法 J 遥感学报，2007，11(3):323-329 8赵秋菊 改进主成分分析的遥感影像变化检测算法 J 测绘与空间地理信息，2019，42(6):111-113 9刘星雨，王建，朱恰，等 基于深度学习差值分析的高分影像建筑物变化检测J 北京测绘，2021，35(5):583-589 10 陶峰，邵振峰 增强型形态学建筑指数的建筑物变化检测 J 测绘科学，201