基于机器学习的湟水流域土地利用/土地覆被分类研究
发布时间：2022-12-05 19:56
针对高海拔复杂地形区地貌类型复杂、多样,沟壑纵横、地形破碎等特点,研究快速、有效的土地利用/土地覆被分类方法对土地利用/土地覆被信息获取及更新是非常重要的。以位于黄土高原向青藏高原过渡带的青海湟水流域为研究区域,基于Landsat 8 OLI影像数据、DEM数据,并结合各种专题特征,在对研究区进行地理分区的基础上,采用人工神经网络、决策树、支持向量机和随机森林4种机器学习方法进行土地利用/土地覆被信息提取并进行精度评价,探索适合于复杂地形区最优的分类方法。研究结果表明,随机森林和决策树的分类精度明显高于支持向量机和人工神经网络。其中,随机森林分类方法的精度最高,研究区整体分类精度高达85.65%,Kappa系数高达0.84。在分类效率方面,随机森林与决策树分类器的运行速度高于支持向量机与人工神经网络分类器。但决策树分类方法在制定分类规则时耗时耗力,因此随机森林方法更具优势。综合分类精度和分类效率两个方面,随机森林方法更适合于复杂地形区的土地利用/土地覆被分类。此外,脑山区随机森林方法的总体分类精度和Kappa系数分别为87.27%和0.84,浅山区随机森林方法的总体分类精度和Kappa...
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与选题意义
1.2 国内外研究现状及发展趋势
1.3 研究目标与研究内容
1.4 论文技术路线
1.5 研究特色、创新与难点
第二章 机器学习分类方法概述
2.1 人工神经网络方法
2.2 决策树方法
2.3 支持向量机方法
2.4 随机森林方法
第三章 数据源与数据预处理
3.1 研究区概况
3.1.1 地理位置
3.1.2 地貌
3.1.3 气候特征
3.1.4 水系
3.1.5 土壤与植被
3.1.6 社会经济特征
3.1.7 土地利用/土地覆被类型空间分布
3.2 数据源与数据预处理
3.2.1 数据源
3.2.2 数据预处理
3.2.3 野外采样数据
第四章 湟水流域土地利用/土地覆被分类
4.1 分类系统
4.2 地理分区
4.3 样本选择
4.4 特征参数选择
4.4.1 主要特征参数
4.4.2 基于地理分区特点的特征参数选择
4.5 湟水流域遥感影像的机器学习方法分类
4.5.1 人工神经网络分类
4.5.2 决策树分类
4.5.3 支持向量机分类
4.5.4 随机森林分类
4.5.5 融合后影像分类
4.5.6 分类方法对比
第五章 精度评价
5.1 脑山区精度评价与分析
5.2 浅山区精度评价与分析
5.3 川水区精度评价与分析
5.4 研究区总体精度评价与分析
第六章 结论与展望
6.1 主要结论
6.2 讨论与展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]基于SVM的东莞市土地利用/覆被自动分类误差来源与后处理[J]. 陈洋波,张涛,窦鹏,董礼明,陈华. 遥感技术与应用. 2017(05)
[2]结合随机森林的高分一号分类最优组合研究[J]. 杜政,方耀. 地理空间信息. 2017(02)
[3]基于环境卫星数据的沿海滩涂地物类型分类的随机森林方法[J]. 王艳楠,王健健,龚健新,袁帅,刘辉,罗文. 遥感技术与应用. 2016(06)
[4]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)
[5]机器学习及其算法和发展研究[J]. 张润,王永滨. 中国传媒大学学报(自然科学版). 2016(02)
[6]基于遥感光谱和空间变量随机森林的黄河三角洲刺槐林健康等级分类[J]. 赵玉,王红,张珍珍. 遥感技术与应用. 2016(02)
[7]遥感影像提取土地覆盖信息的决策树优化方法[J]. 陈丹,武淑琴. 测绘科学. 2016(09)
[8]基于随机森林算法的农耕区土地利用分类研究[J]. 马玥,姜琦刚,孟治国,李远华,王栋,刘骅欣. 农业机械学报. 2016(01)
[9]北京地区植被盖度提取及其分布变化研究[J]. 史世莲,章文波,王国燕. 遥感技术与应用. 2014(05)
[10]基于随机森林的大姚县TM遥感影像分类研究[J]. 王栋,岳彩荣,田传召,范怀刚,王跃辉. 林业调查规划. 2014(02)
博士论文
[1]基于机器学习的高维多光谱数据分类[D]. 夏建涛.西北工业大学 2002
硕士论文
[1]利用CART算法从LandSat8卫星影像提取居民地的研究[D]. 刘欣.兰州大学 2015
[2]面向对象的复杂地形区土地利用信息提取研究[D]. 贾伟.青海师范大学 2015
[3]基于Hadoop平台的随机森林算法研究及图像分类系统实现[D]. 梁世磊.厦门大学 2014
[4]随机森林及其在遥感图像分类中的应用[D]. 姚明煌.华侨大学 2014
[5]复杂地形区土地利用/土地覆被分类研究[D]. 李金山.青海师范大学 2013
[6]基于机器学习的多光谱遥感影像分类及城市扩展研究[D]. 秦高峰.重庆大学 2012
[7]支持向量机遥感图像分类的研究[D]. 梁怀翔.长安大学 2011
[8]湟水流域土地利用/覆被变化下的水文响应研究[D]. 亢健.青海师范大学 2010
[9]决策树与SVM相结合的影像分类方法研究[D]. 李琳.中国地质大学（北京） 2009
[10]基于ETM数据的额济纳绿洲景观分类方法的研究[D]. 金宇.内蒙古农业大学 2009
本文编号：3710255
【文章页数】：71 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与选题意义
1.2 国内外研究现状及发展趋势
1.3 研究目标与研究内容
1.4 论文技术路线
1.5 研究特色、创新与难点
第二章 机器学习分类方法概述
2.1 人工神经网络方法
2.2 决策树方法
2.3 支持向量机方法
2.4 随机森林方法
第三章 数据源与数据预处理
3.1 研究区概况
3.1.1 地理位置
3.1.2 地貌
3.1.3 气候特征
3.1.4 水系
3.1.5 土壤与植被
3.1.6 社会经济特征
3.1.7 土地利用/土地覆被类型空间分布
3.2 数据源与数据预处理
3.2.1 数据源
3.2.2 数据预处理
3.2.3 野外采样数据
第四章 湟水流域土地利用/土地覆被分类
4.1 分类系统
4.2 地理分区
4.3 样本选择
4.4 特征参数选择
4.4.1 主要特征参数
4.4.2 基于地理分区特点的特征参数选择
4.5 湟水流域遥感影像的机器学习方法分类
4.5.1 人工神经网络分类
4.5.2 决策树分类
4.5.3 支持向量机分类
4.5.4 随机森林分类
4.5.5 融合后影像分类
4.5.6 分类方法对比
第五章 精度评价
5.1 脑山区精度评价与分析
5.2 浅山区精度评价与分析
5.3 川水区精度评价与分析
5.4 研究区总体精度评价与分析
第六章 结论与展望
6.1 主要结论
6.2 讨论与展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]基于SVM的东莞市土地利用/覆被自动分类误差来源与后处理[J]. 陈洋波,张涛,窦鹏,董礼明,陈华. 遥感技术与应用. 2017(05)
[2]结合随机森林的高分一号分类最优组合研究[J]. 杜政,方耀. 地理空间信息. 2017(02)
[3]基于环境卫星数据的沿海滩涂地物类型分类的随机森林方法[J]. 王艳楠,王健健,龚健新,袁帅,刘辉,罗文. 遥感技术与应用. 2016(06)
[4]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)
[5]机器学习及其算法和发展研究[J]. 张润,王永滨. 中国传媒大学学报(自然科学版). 2016(02)
[6]基于遥感光谱和空间变量随机森林的黄河三角洲刺槐林健康等级分类[J]. 赵玉,王红,张珍珍. 遥感技术与应用. 2016(02)
[7]遥感影像提取土地覆盖信息的决策树优化方法[J]. 陈丹,武淑琴. 测绘科学. 2016(09)
[8]基于随机森林算法的农耕区土地利用分类研究[J]. 马玥,姜琦刚,孟治国,李远华,王栋,刘骅欣. 农业机械学报. 2016(01)
[9]北京地区植被盖度提取及其分布变化研究[J]. 史世莲,章文波,王国燕. 遥感技术与应用. 2014(05)
[10]基于随机森林的大姚县TM遥感影像分类研究[J]. 王栋,岳彩荣,田传召,范怀刚,王跃辉. 林业调查规划. 2014(02)
博士论文
[1]基于机器学习的高维多光谱数据分类[D]. 夏建涛.西北工业大学 2002
硕士论文
[1]利用CART算法从LandSat8卫星影像提取居民地的研究[D]. 刘欣.兰州大学 2015
[2]面向对象的复杂地形区土地利用信息提取研究[D]. 贾伟.青海师范大学 2015
[3]基于Hadoop平台的随机森林算法研究及图像分类系统实现[D]. 梁世磊.厦门大学 2014
[4]随机森林及其在遥感图像分类中的应用[D]. 姚明煌.华侨大学 2014
[5]复杂地形区土地利用/土地覆被分类研究[D]. 李金山.青海师范大学 2013
[6]基于机器学习的多光谱遥感影像分类及城市扩展研究[D]. 秦高峰.重庆大学 2012
[7]支持向量机遥感图像分类的研究[D]. 梁怀翔.长安大学 2011
[8]湟水流域土地利用/覆被变化下的水文响应研究[D]. 亢健.青海师范大学 2010
[9]决策树与SVM相结合的影像分类方法研究[D]. 李琳.中国地质大学（北京） 2009
[10]基于ETM数据的额济纳绿洲景观分类方法的研究[D]. 金宇.内蒙古农业大学 2009
本文编号：3710255
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3710255.html
