基于多源数据的城市区域收入水平估算方法研究

发布时间：2017-09-20 18:06

  本文关键词：基于多源数据的城市区域收入水平估算方法研究

  更多相关文章： 高分率遥感 多源数据 小波分析 统计分析 神经网络

【摘要】：遥感在城市领域的应用,逐渐从环境、生态、资源利用等方面转向社会经济领域,其中比较成功的研究是利用遥感手段进行人口估算,但在收入水平等社会经济指标方面的研究尚在探索阶段。本文主要研究高分辨率遥感影像分类方法和其他数据的方法,并将居民的收入水平作为社会经济主要指标,城市区域居民收入水平与遥感影像的纹理特征、其他相关的自然社会经济因子相关,本研究可以从高分辨率遥感影像中建成不同类的模型。研究通过一定的方法对中美两国典型城市的居民收入水平进行估算并比较,检验所建立的估算模型的精度、鲁棒性、可用性以及实际应用的适应性。研究基于高分辨率遥感影像、矢量图以及居民收入数据等多源数据对城市居民收入水平进行建模,对于揭示城市空间特征和社会经济因素之间的关系,推进遥感手段在社会经济领域的进一步应用具有重要的科学意义和应用价值,研究内容主要包括:(1)城市区域的高分辨遥感影像分类方法研究,研究实现了城市社区的分类、小波变换纹理特征的提取和训练样本纹理特征分类研究。从而对整个研究数据区域的的经济收入进行分类,为后面的经济收入模型估算提供了特征数据,并比较不同的小波变换下特征提取不同对模型建立的区别和精度。(2)基于多源数据的城市区域收入水平估算模型,包括统计分析模型研究、人工神经网络模型研究模型精度和模型精度的评价,实现了模型预测研究区域的经济收入。(3)城市区域收入水平估算模型在中美两国应用的差异性研究,其中包括:高分辨率遥感影像的城市尺度社区分类对比分析研究、城市区域收入水平估算模型对比分析研究、城市区域收入水平分布规律对比分析研究。
【关键词】：高分率遥感 多源数据 小波分析 统计分析 神经网络
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F126.2;P237;P208
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-19
• 1.1 研究工作的背景与意义10-11
• 1.2 国内外研究现状11-16
• 1.2.1 城市社区尺度的分类研究11-13
• 1.2.2 基于遥感和其他数据的经济因子估算方法研究13-15
• 1.2.3 社会经济变量因子估算存在的问题15-16
• 1.3 基于多源数据的社会经济变量的估发展趋势16
• 1.4 论文的主要内容及结构安排16-19
• 第二章 城市研究区域的分类19-27
• 2.1 研究区域数据来源19-20
• 2.2 城市区域的分类20-26
• 2.2.1 遥感传统的分类方法20-21
• 2.2.2 研究区域的分类21-23
• 2.2.3 社区分类结果23-26
• 2.3 本章小结26-27
• 第三章 城市区域的纹理特征提取的方法研究27-48
• 3.1 小波分析的应用27-29
• 3.1.1 连续小波变换27-28
• 3.1.2 离散小波变换28-29
• 3.2 小波基的选取29-32
• 3.2.1 Haar小波30-31
• 3.2.2 Mexican hat小波31
• 3.2.3 Gaussian小波31
• 3.2.4 Coiflets小波31-32
• 3.3 Daubechies小波的纹理提取32-38
• 3.3.1 db2小波美国研究区域纹理提取32-35
• 3.3.2 db2小波中国研究区域纹理提取35-38
• 3.4 Symlets小波的纹理提取38-43
• 3.4.1 sym4小波美国研究区域纹理提取38-41
• 3.4.2 sym4小波中国研究区域纹理提取41-43
• 3.5 灰度共生矩阵提取纹理特征43-47
• 3.5.1 灰度共生矩阵的特点44-46
• 3.5.2 灰度共生矩阵的纹理特征46-47
• 3.6 本章小结47-48
• 第四章 城市区域的收入估算模型研究48-76
• 4.1 经典的建模方法48-57
• 4.1.1 主成分分析法48-49
• 4.1.2 因子分析法49-51
• 4.1.3 回归分析51-52
• 4.1.4 神经网络方法52-56
• 4.1.4.1 基本算法54-55
• 4.1.4.2 动态BP神经网络预测算法55-56
• 4.1.5 基于神经网络的预测原理56-57
• 4.1.5.1 正向建模56
• 4.1.5.2 逆向建模56-57
• 4.2 统计分析收入模型57-68
• 4.2.1 统计分析数据57-58
• 4.2.2 统计分析建模58-68
• 4.2.2.1 美国研究区域社区收入统计模型58-64
• 4.2.2.2 中国成都相关研究区域收入统计模型64-68
• 4.3 神经网络收入模型研究68-72
• 4.3.1 美国研究区域社区收入神经网络收入模型68-72
• 4.3.2 中国研究区域收入神经网络收入模型72
• 4.4 中美研究区域的统计分析收入模型研究比较72-73
• 4.5 中美研究区域的神经网络收入模型研究比较73-75
• 4.6 本章小结75-76
• 第五章 总结与展望76-79
• 5.1 总结76-77
• 5.2 展望77-79
• 致谢79-80
• 参考文献80-84
• 攻读硕士学位期间取得的成果84-85

【相似文献】

中国期刊全文数据库 前10条

1 施仲添;;城市规划多源数据组织管理的总结与思考[J];城市勘测;2010年06期

2 李玉群;周荣;张军;;多源数据在国防交通图编制中的应用[J];辽宁工程技术大学学报;2007年S2期

3 郭奎城;马江水;孙广瑞;李旭东;李清伟;赵书跃;;浅覆盖区多源数据融合整合的技术方法[J];地质通报;2008年07期

4 姜敏;;整合、存储多源数据 共享电子地图信息——关于“一张图”的技术研究与应用[J];华北国土资源;2012年04期

5 屈佳;张四新;;多源数据整合在地震信息上报系统中的应用[J];内陆地震;2014年01期

6 张宏;周建平;;多源数据在地图制图生产中的综合利用[J];国土资源导刊;2008年03期

7 刘芳;侯璇;钱海忠;;基于弹性力学思想的GIS多源数据误差纠正方法[J];测绘工程;2009年01期

8 孙鸿雁;;GIS多源数据集成模式评述[J];电力技术;2010年Z1期

9 张金区;诸云强;王卷乐;宋佳;孙九林;;面向服务的地学多源数据虚拟整合及其可视化分析[J];地球信息科学学报;2010年05期

10 叶秋果;滕惠忠;郭思海;李军;辛宪会;;基于多源数据的三维城市建模方法[J];海洋测绘;2006年06期

中国重要会议论文全文数据库 前10条

1 廖邦固;韩雪培;;多源数据的空间坐标变换方法探讨[A];认识地理过程 关注人类家园——中国地理学会2003年学术年会文集[C];2003年

2 武坚;李崇伟;胡建军;李相全;;基于多源数据的无图区地形图生产研究[A];2009全国测绘科技信息交流会暨首届测绘博客征文颁奖论文集[C];2009年

3 陈伟清;刘彦花;;城市规划多源数据整合与数据库建设[A];现代测量技术与地理信息系统科技创新及产业发展研讨会论文集[C];2009年

4 刘海砚;李少梅;肖强;;综合利用多源数据更新基础地理信息的技术与方法[A];中国地理信息系统协会第三次代表大会暨第七届年会论文集[C];2003年

5 单新建;叶洪;;星载SAR图像与多源数据融合在地质构造识别中的应用[A];中国地震学会第七次学术大会论文摘要集[C];1998年

6 杨锋杰;卢燕;杨振毅;宋翠玉;;多源数据融合的方法与应用[A];山东地球物理六十年[C];2009年

7 陈芸芝;陈崇成;汪小钦;凌飞龙;;多源数据在森林资源动态变化监测中的应用[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

8 胡洁;高庆方;李辉;王新福;;多源数据集成技术探讨[A];中国测绘学会九届四次理事会暨2008年学术年会论文集[C];2008年

9 胡洁;高庆方;李辉;王新福;;多源数据集成技术探讨[A];第十届中国科协年会论文集（一）[C];2008年

10 林丽姝;季晓燕;蒋捷;;多源数据中的居民点一致性匹配技术研究——以全球基础地理底图数据库的建立为例[A];中国地理信息系统协会第九届年会论文集[C];2005年

中国博士学位论文全文数据库 前3条

1 张涛;基于多源数据的高速公路网络脆弱性分析[D];哈尔滨工业大学;2015年

2 刘长东;海洋多源数据获取及基于多源数据的海域管理信息系统[D];中国海洋大学;2008年

3 李华朋;基于证据推理的多源数据湿地空间分类知识发现研究[D];中国科学院研究生院(东北地理与农业生态研究所);2012年

中国硕士学位论文全文数据库 前10条

1 安艳召;基于多源数据的单点过饱和动态信号控制研究[D];昆明理工大学;2015年

2 姬龙建;基于多源信息的煤炭储量管理系统的设计与实现[D];中国矿业大学;2015年

3 马李立;基于多源数据转换的土地定级估价系统设计[D];复旦大学;2013年

4 赵永亮;基于时空的多源数据趋势预测研究[D];电子科技大学;2014年

5 王杰;基于多源数据的矿区空间变化监测与分析[D];华北理工大学;2015年

6 黎明;面向多源数据的雷电预警方法研究及平台设计[D];成都信息工程学院;2014年

7 赵延芳;基于多源数据融合的冲沟参数提取研究[D];鲁东大学;2016年

8 宋力;考虑多源数据集的交通状态估计方法研究[D];北京理工大学;2016年

9 刘云飞;移动GIS中多源数据的集成研究[D];北京林业大学;2016年

10 谭梦甜;基于多源数据的贷后风险指标学习与预测[D];山东大学;2016年

，

本文编号：889574