基于自组织映射和特征提取的遥感数据分类研究

发布时间：2021-09-03 17:25

　　近年来,对地观测技术不断发展,遥感卫星数据的空间分辨率提高到亚米级,光谱分辨率提高到5纳米。遥感技术的快速发展极大地促进了遥感数据的应用。与此同时,对遥感数据处理方法的需求也在不断的提高,更高级的数据需要更先进的技术方法。在此背景下,一些学者提出了一些新的算法,如支持向量机、神经网络等等。但是,大部分研究的方向都集中在监督分类算法上。但对于监督遥感分类算法,其精度受到带有类别标记的训练数据集的影响。往往选择一个能够很好代表研究区域的训练数据集要花费很大的人力物力,而且不同的实验者选择的训练集不同,分类算法的最终分类精度也不相同,甚至可能差异很大。非监督分类算法则不需要带有类别标记的训练样本,在充分利用遥感数据的同时避免了人为因素的印象。本文对非监督分类进行了研究,取得了以下成果:（1）研究了不同的非监督遥感分类算法。实验表明,传统的非监督分类算法,如ISODATA及K-means分类精度处于80%左右。而对于神经网络中的自组织映射（SOM）算法,由于SOM优秀的不同维度空间的拓扑排序映射能力,其分类精度相对于传统非监督分类算法有了明显提高,分类精度达到85%以上。（2）针对基于像素的S... 

【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

技术路线图

中国地质大学（北京）硕士学位论文终缩减为一个或零个邻域神经元。段的算法见表 3.3。段，我们就可以获得训练好的网络，来进行遥感数据的分地利用分类及分类后处理法中，在计算完成之前，分析员不会在集群属性中扮演任务是建立聚类结果与土地覆被等级之间的关系。在这一阶数据从高维空间映射到低维空间的特性，并保持输入数据

而在聚类后处理阶段，可以根据权值向量轻松找出已经被降维的类别在高维空征值，即由输出层指向输入层的指针，这样可以轻松判断每个输出类别的特征，率的实现分类后处理。应用实例本实验在 SNAP Desktop、Sen2Cor、ENVI5.1 平台、ARCGIS10.2 平台以及 MAT4a 平台下操作完成。4.1 研究区概况

【参考文献】：
期刊论文
[1]基于人工蜂群算法优化的SVM遥感分类方法——以玛纳斯湖古湖盆为例[J]. 杨雪峰,吐热尼古丽·阿木提.  地理与地理信息科学. 2018(04)
[2]应用自组织映射方法的北京市2005—2013年土地利用时空演变分析[J]. 齐建超,刘慧平,伊尧国.  生态学报. 2017(19)
[3]基于SOM神经网络的城市土地覆盖遥感分类研究[J]. 刘艳杰,曾永年.  测绘与空间地理信息. 2012(06)

博士论文
[1]基于3S和人工智能的滑坡位移预测与易发性评价[D]. 黄发明.中国地质大学 2017
[2]基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D]. 刘颖.中国科学院研究生院(东北地理与农业生态研究所) 2013

硕士论文
[1]森林类型高光谱遥感分类研究[D]. 王怀警.中国林业科学研究院 2018



本文编号：3381541