集成机器学习与面向地理对象影像分类的大区域林地信息提取及其泛化能力探讨

发布时间：2021-01-04 03:45

　　采用面向地理对象的影像分析法,从祁连山区选择其中一幅典型区域采集训练样本,分别采用支持向量机、随机森林和深度神经网络法3种机器学习方法进行训练,在此基础之上从毗邻区域多时相Landsat 8 OLI影像中提取出整个祁连山区青海云杉林的空间信息,并从精度评价和邻接区域边界一致性等方面对支持向量机、随机森林和深度神经网络法3种分类器的泛化能力进行了比较.结果表明,深度神经网络法的信息提取精度最高,泛化能力最好,对50幅影像的平均总体精度达到96.63%, kappa系数为0.78. 

【文章来源】：兰州大学学报(自然科学版). 2020年03期 北大核心

【文章页数】：8 页

【文章目录】：
1 研究区与数据
2 方法
    2.1 影像分幅
    2.2 分割
    2.3 样本选择及特征优化
    2.4 机器学习算法
3 结果与分析
    3.1 典型影像幅分类对比
    3.2 分类器泛化能力比较
4 结论


【参考文献】：
期刊论文
[1]青海云杉种群空间分布特征及不同林龄相互关系[J]. 葛红元,王红义,韦炜,赵传燕.  兰州大学学报(自然科学版). 2018(04)
[2]祁连山土地利用情景下生态系统水源供给特征[J]. 赵宇豪,党虹,叶苗,张玉凤,蒋晖,赵传燕,王超.  兰州大学学报(自然科学版). 2018(02)
[3]遥感土地覆被分类的空间尺度响应研究[J]. 徐凯健,田庆久,杨闫君,徐念旭.  地球信息科学学报. 2018(02)
[4]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡.  地球信息科学学报. 2017(11)
[5]基于深度学习的遥感数据降维分类方法研究[J]. 方宇.  电子技术与软件工程. 2017(13)
[6]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹.  测绘科学. 2016(10)
[7]利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识[J]. 阚希,张永宏,曹庭,王剑庚,田伟.  测绘学报. 2016(10)
[8]西北旱区遥感影像分类的支持向量机法[J]. 张静,张翔,田龙,张青峰.  测绘科学. 2017(01)
[9]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊.  遥感学报. 2016(02)
[10]基于ReliefF和PSO混合特征选择的面向对象土地利用分类[J]. 肖艳,姜琦刚,王斌,李远华,刘舒,崔璨.  农业工程学报. 2016(04)

博士论文
[1]基于GF-1/WFV和面向对象的农作物种植结构提取方法研究[D]. 宋茜.中国农业科学院 2016
[2]高维数据的特征选择与特征提取研究[D]. 蒋胜利.西安电子科技大学 2011
[3]基于特征选择技术的集成学习方法及其应用研究[D]. 刘天羽.上海大学 2007

硕士论文
[1]训练数据分类结果的不可指定性与模糊决策树泛化能力关系的研究[D]. 高相辉.河北大学 2007



本文编号：2956085