监督学习的时空样本选择策略在土地覆盖分类中的应用
发布时间：2021-10-08 02:07
长期的土地覆盖变化序列对于长期气候、环境和生态变化的分析至关重要。尽管该领域已经公开发布了几个中分辨率到高分辨率的全球土地覆盖数据集,它们在全球范围内显示出很强的一致性,但在区域范围内却存在较大差异。此外,还没有2000年以前的高质量土地覆盖数据集,并且不同数据集之间的分类一致性较差。因此,长期土地覆盖变化序列对土地覆盖数据集的质量和一致性提出了更高的要求。由8个连续的卫星组成的Landsat系列卫星影像可以追溯到1972年,具有较长的时间序列,因此该卫星影像可以用于生成长时间序列的土地覆盖数据集。此外,新的卫星数据具有更高的重访频率,具有构建年内时间序列的能力,使得利用时间序列分析来制作高质量的土地覆盖数据集成为可能。本文拟充分利用两类卫星数据（具有历史覆盖能力和年内时间序列生成能力的数据）的优势,提出了一种基于机器学习的时空扩展土地覆盖制图的新方法,主要工作包括在时间扩展和空间扩展的研究。1.在时间扩展上,提出了基于已有数据集自动、高精度采集样本的方法以及样本迁移的新策略。针对现有数据集存在的区域连续性差和分类精度不高的问题,本文从机器学习分类的角度出发,利用现有方法获得的2011...
【文章来源】：重庆邮电大学重庆市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
014年和1986年的夏季地表反射率合成图
重庆邮电大学硕士学位论文第2章常见分类模型概述和数据预处理19表2.3本文研究中的数据和说明数据日期描述资源获取LandsatTMandOLI1986~2015本研究中用于长时间序列土地覆盖制图的主要数据GoogleearthenginedatasetsorUSGS.SRTMGL1_0032000SRTMGL1后续补充完善的高程数据，计算获取海拔和坡度之类的地形信息，用于辅助分类GoogleearthenginedatasetsorUSGS.基于LCMM的数据集2011~2015具有高精度和高一致性的土地覆盖数据集，用于快速准确地检索用于机器学习方法的训练样本http://westdc.westgis.ac.cn/data/6bbf9a3f-e7d8-4255-9ecb-131e1543316d谷歌地球历史高分辨率影像－高分辨率数据用于验证训练样本和选择验证样本，分辨率介于10m-2m，但部分地区数据缺乏从GoogleEarth可获取的高分辨率历史数据为了制作可用的一致性高的地表反射率合成图，执行以下预处理程序。(1)CFMASK算法[49]用于生成质量评估（QA）波段，根据QA波段去除云污染。(2)对于Landsat5图像，由于部分年份的影像在边缘部分存在噪声像素，本文采用负缓冲的方法去除边缘的不良像素。如图2.2示例以原始的矢量边界向内缓冲80±5个像素，从而去除影像边缘上的噪声像素，并用同物候期正常的影像补充。图2.2用于去除图像边缘噪声负缓冲示例(3)采用取中位数的简单合成方式，通过计算同一季节内拼接所有的Landsat的中位数的方式合成影像，并去除异常值。取中值可以避免同期影像中最大值和最小值对合成影像的干扰，在一定程度上降低了噪声的影响。
重庆邮电大学硕士学位论文第2章常见分类模型概述和数据预处理20(4)为了最大程度地减少丢失的数据，本文结合实际可获取的影像采用了一种旨在确保数据真实性和完整性的数据填补算法[50]来补充数据的丢失部分。其具体的实现思想是：利用遥感影像的时序特性和空间特性来尽最大可能地进行数据填补，在时间维度上寻找相同物候期时间最接近的影像补充缺失的数据，对于无法补充的较小像素进一步通过滑动窗口机制，计算窗口内的邻域像素的平均值作为缺失像素的补充。图2.3预处理前后的对比图（上面为处理前，下面为处理后）经过预处理后的影像去除了云遮盖、异常值和边缘锯齿等噪声，对缺失的数据进行了补充，预处理过程尽可能地保证了输入数据的真实性和完整性。图2.3给出了对影像预处理前后的效果对比图，对于原始存在的云遮盖、边缘锯齿、异常值以及缺失数据的问题，处理后的影像明显降低了噪音的影响，更加合理和完整。2.5特征的构建特征的构建对于分类结果的好坏至关重要，本文的实验主要从光谱波段和光谱指数、纹理信息以及地形等方面构建分类器的输入特征。对于输入分类器的影像，本文通过年最大归一化植被指数NDVI将图像划分为植被和非植被区，本文的阈值为0.30~0.35，大于该阈值的为植被区，反之则为非植被区，对于植被区和非植被区，本文构建了不同的输入特征。具体的输入特征列于表2.4中。
本文编号：3423220
【文章来源】：重庆邮电大学重庆市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
014年和1986年的夏季地表反射率合成图
重庆邮电大学硕士学位论文第2章常见分类模型概述和数据预处理19表2.3本文研究中的数据和说明数据日期描述资源获取LandsatTMandOLI1986~2015本研究中用于长时间序列土地覆盖制图的主要数据GoogleearthenginedatasetsorUSGS.SRTMGL1_0032000SRTMGL1后续补充完善的高程数据，计算获取海拔和坡度之类的地形信息，用于辅助分类GoogleearthenginedatasetsorUSGS.基于LCMM的数据集2011~2015具有高精度和高一致性的土地覆盖数据集，用于快速准确地检索用于机器学习方法的训练样本http://westdc.westgis.ac.cn/data/6bbf9a3f-e7d8-4255-9ecb-131e1543316d谷歌地球历史高分辨率影像－高分辨率数据用于验证训练样本和选择验证样本，分辨率介于10m-2m，但部分地区数据缺乏从GoogleEarth可获取的高分辨率历史数据为了制作可用的一致性高的地表反射率合成图，执行以下预处理程序。(1)CFMASK算法[49]用于生成质量评估（QA）波段，根据QA波段去除云污染。(2)对于Landsat5图像，由于部分年份的影像在边缘部分存在噪声像素，本文采用负缓冲的方法去除边缘的不良像素。如图2.2示例以原始的矢量边界向内缓冲80±5个像素，从而去除影像边缘上的噪声像素，并用同物候期正常的影像补充。图2.2用于去除图像边缘噪声负缓冲示例(3)采用取中位数的简单合成方式，通过计算同一季节内拼接所有的Landsat的中位数的方式合成影像，并去除异常值。取中值可以避免同期影像中最大值和最小值对合成影像的干扰，在一定程度上降低了噪声的影响。
重庆邮电大学硕士学位论文第2章常见分类模型概述和数据预处理20(4)为了最大程度地减少丢失的数据，本文结合实际可获取的影像采用了一种旨在确保数据真实性和完整性的数据填补算法[50]来补充数据的丢失部分。其具体的实现思想是：利用遥感影像的时序特性和空间特性来尽最大可能地进行数据填补，在时间维度上寻找相同物候期时间最接近的影像补充缺失的数据，对于无法补充的较小像素进一步通过滑动窗口机制，计算窗口内的邻域像素的平均值作为缺失像素的补充。图2.3预处理前后的对比图（上面为处理前，下面为处理后）经过预处理后的影像去除了云遮盖、异常值和边缘锯齿等噪声，对缺失的数据进行了补充，预处理过程尽可能地保证了输入数据的真实性和完整性。图2.3给出了对影像预处理前后的效果对比图，对于原始存在的云遮盖、边缘锯齿、异常值以及缺失数据的问题，处理后的影像明显降低了噪音的影响，更加合理和完整。2.5特征的构建特征的构建对于分类结果的好坏至关重要，本文的实验主要从光谱波段和光谱指数、纹理信息以及地形等方面构建分类器的输入特征。对于输入分类器的影像，本文通过年最大归一化植被指数NDVI将图像划分为植被和非植被区，本文的阈值为0.30~0.35，大于该阈值的为植被区，反之则为非植被区，对于植被区和非植被区，本文构建了不同的输入特征。具体的输入特征列于表2.4中。
本文编号：3423220
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3423220.html
