山东科技大学崔晓东副教授等依托实验室开放课题（No. KLSG2203）发表中科院一区 论文在海洋测绘国际顶级期刊《International Journal of Digital Earth》上。利用声学数据和地面实况样本进行海底沉积物测绘是海洋科学中不断发展的领域。近年来，多分类器集成模型 通过组合多个基分类器在分类问题中得到了突出关注。然而，传统的集成方法不考虑基础分类器的置信度分数，当存在相互矛盾的预测时，会导致融合次优。

研究提出了一种新的优化策略，通过融合基分类器预测概率构建理想的集成预测概率矩阵来提高集成精度，从而改善海底底质映射能力（图1）。该方法不仅解决了传统集成方法的局限性，而且显著提高了集成算法性能。所提出的方法具有显著的精度改进。实验结果表 明，与单个分类器（随机森林、决策树、支持向量机）相比，提出方法在欠采样数据集上，实现了73.5%的改进，在标准数据集上，集成模型的准确率达到 79. 1%，均超过了单一分类器的预测精度。采用过采样技术可进一步将准确率提高到 94.9%（图2）。所提出的方法 基于从爱尔兰海获得的声学数据进行评估。所提方法在准确率、F1 得分和 Kappa 系数方面优于基分类器。相关成果发表中科院一区论文：

图1.本研究的整体多分类器框架示意图。 三个主要部分包括数据准备（特征提取和基于

对象的分割）、分类和优化

图2.提出分类模型和基本分类模型之间底质分类结果差异

该成果发表论文：

Anokye, M., Cui, X.*（崔晓东）, Yang, F., Wang, P., Sun, Y., Ma, H., Amoako, E.O., 2024. Optimizing multi-classifier fusion for seabed sediment classification using machine learning. International Journal of Digital Earth, 17(1). 2295988