高分辨率遥感影像分类方法研究及在景观格局分析中的应用

发布时间：2020-10-14 11:46

　　 随着计算机硬件以及遥感科学技术的发展,遥感影像的空间分辨率和时间分辨率逐渐提高。高分辨率遥感影像因蕴含复杂的地物及空间信息被广泛应用于土地资源规划及生态环境保护等领域。但其纹理及空间信息含量丰富且细节复杂给遥感影像的处理及分析造成了更复杂的难题。同时,目前遥感分类领域中高质量训练样本数据较少且难以获得。因此,如何利用已有经验数据、探索新型分类器,从而提高对高分辨率遥感影像的分类精度,是满足目前土地利用及城市规划迫切需求的必然要求。本文主要研究内容及结论如下:(1)结合2016年合肥市包河区的高分辨率遥感影像,采用近几年流行的多分类器集成方案,如Bagging、AdaBoost和Random Forest等方法对高分辨率遥感影像进行基于像元的监督分类,并与传统单一分类器,如支持向量机(SVM)、决策树(Decision Tree)等方法进行对比,评估各种分类方法的效果以及结果准确性。证明了多分类器集成方案在高分辨率遥感影像的地物分类效果确实要优于单一分类器。(2)以多分类器集成法的像元地物分类结果作为数据基础,通过采用传统的提取景观格局指数的方式,对2011年和2016年2期合肥市包河区遥感影像分类结果进行景观格局变化研究,并分析其驱动力因素。(3)结合2016年合肥市包河区高分辨率遥感影像数据集进行基于卷积神经网络迁移学习的场景分类实验。通过利用预训练的Inception-v3模型进行ImageNet图像标注数据集在研究区场景的迁移,验证了基于该方法在高分遥感影像数据集上的巨大优势。(4)将场景分类结果与像元分类结果做类比,对场景分类结果在景观格局分析中的应用进行讨论。
【学位单位】：合肥工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：P237
【部分图文】：

9图 1.1 技术路线图Fig 1.1 The flow chart1.5 论文结构本文论文结构安排如下：第一章为绪论，对课题研究的背景、意义和研究现状作了相关说明，并简要地介绍了下高分辨率遥感影像的分类方法，为后续集成学习、迁移学习以及景观格局分析的实验提供了背景知识。

2.1.1 自然地理概况合肥市是安徽省省会城市，其地理位置优越，处中纬度地带北纬 N31°51′，东经 E117°16′，位于长江、淮河之间，以平原丘陵为主。合肥市早在 1992 年被评为首批国家级园林城市，其环境优雅，四季分明，城市规划较为合理，南淝河及护城河绕合肥市区中心，道路十分开阔。合肥市现辖市辖区有 4 个，包括包河区、瑶海区、庐阳区、蜀山区。除此之外还下辖 4 个县和 1 个代管县级市。合肥市区目前常住人口为 355 万，全市行政辖区总面积为 11445.06 平方公里，其中市区建成区面积为 403 平方公里，巢湖水面面积 770 平方公里。本文研究区域为合肥市包河区，如图 2.1 所示。包河区，为中国安徽省合肥市下辖的一个城区，位于合肥市东南部，因合肥旧城东南的包河得名。其滨临且位居巢湖西北，处长江与淮河之间，地理位置十分优越。包河区北面毗邻庐阳区、瑶海区，西依靠蜀山区，东邻肥东县，南邻巢湖。总面积 340 平方公里(其中巢湖水面面积 70 平方公里)，常驻人口 81 万（2010 年）。

第二章 研究区概况及数据资料根据《土地利用现状分类（GB／T21010-2007）》，综合影像与实验地区的地理情况，并结合合肥市包河区土地资源的利用情况和特征以及遥感影像的特点，将合肥市包河区划分为绿地（Greenbelt）、裸地（Wasteland）、建筑用地（Buildings）、水域（Water）、耕地（Farmland）5 种地物类型。训练样本类别间距尽可能大，样本质量尽可能高，即遵循“好而不同”的采样原则。本文在多分类器集成实验中采用 ENVI5.0 作为影像预处理平台，并在遥感影像中圈划特征区域的像元训练样本。其中，每一类别训练样本个数分别为 15000。训练样本与测试样本容量配比大约为 1:50。在迁移学习的实验中，依旧选取该五类场景的瓦片训练样本，每类地物选取 100 张图片，场景样本集图片大小为256*256，如图 2.3 示：
【参考文献】

相关期刊论文 前10条

1 吴田军;骆剑承;夏列钢;杨海平;沈占锋;胡晓东;;迁移学习支持下的遥感影像对象级分类样本自动选择方法[J];测绘学报;2014年09期

2 刘培;杜培军;谭琨;;一种基于集成学习和特征融合的遥感影像分类新方法[J];红外与毫米波学报;2014年03期

3 么欣欣;韩春兰;刘洪彬;钱凤魁;;基于RS与GIS的沈阳市土地利用及景观格局变化[J];水土保持研究;2014年02期

4 陈善静;胡以华;石亮;王磊;孙杜娟;徐世龙;;空-谱二维蚁群组合优化SVM的高光谱图像分类[J];光谱学与光谱分析;2013年08期

5 徐嘉兴;李钢;陈国良;;基于logistic回归模型的矿区土地利用演变驱动力分析[J];农业工程学报;2012年20期

6 段翰晨;王涛;薛娴;郭坚;文星;;科尔沁沙地沙漠化时空演变及其景观格局——以内蒙古自治区奈曼旗为例[J];地理学报;2012年07期

7 单丹丹;杜培军;夏俊士;;基于多分类器集成的“北京一号”小卫星遥感影像分类研究[J];遥感信息;2011年02期

8 李卫锋,王仰麟,彭建,李贵才;深圳市景观格局演变及其驱动因素分析[J];应用生态学报;2004年08期

9 唐春生,金以慧;基于全信息矩阵的多分类器集成方法[J];软件学报;2003年06期

10 宋冬梅,肖笃宁,张志城,曹宇,马明国,王建华,王建;甘肃民勤绿洲的景观格局变化及驱动力分析[J];应用生态学报;2003年04期

相关博士学位论文 前2条

1 张艳;基于柔性阵列 传感器的足迹特征分析与应用研究[D];安徽大学;2015年

2 夏俊士;基于集成学习的高光谱遥感影像分类[D];中国矿业大学;2013年

相关硕士学位论文 前10条

1 姜含露;基于卷积神经网的高光谱数据特征提取及分类技术研究[D];哈尔滨工业大学;2016年

2 王爽;深度学习在图像分类中的应用研究[D];山东师范大学;2016年

3 鲍蕊;光谱和空间特征联合的高光谱遥感影像多分类器集成方法[D];南京大学;2016年

4 王超;基于激光扫描仪的ETC系统设计与实现[D];华南理工大学;2016年

5 柏龙;湖北宜昌景观格局与松材线虫病流行之间的关系研究[D];北京林业大学;2015年

6 李聪慧;北京野鸭湖不同人为干扰区生态质量遥感分析[D];北京林业大学;2015年

7 董晓晓;西部生态脆弱区土地生态状况评价及预测[D];山东农业大学;2014年

8 朱春晓;基于3S技术的区域景观格局变化及驱动力研究[D];华中师范大学;2012年

9 王耀宗;陕北黄土高原退耕还林还草工程生态效益评价[D];西北农林科技大学;2010年

10 王黎;基于融合决策的多分类器系统研究[D];西安理工大学;2008年

本文编号：2840616