基于半监督聚类的赤潮预测和浒苔检测

发布时间：2019-08-11 13:05

【摘要】：近年来,海洋灾害的频繁发生和规模的不断扩大,严重破坏了海洋生态系统的平衡,使近海旅游业和水产养殖业蒙受巨大损失,也严重威胁着人类的生命安全。海洋部门已经积累了TB乃至PB级的海洋数据,并且每天仍以GB量级增加。传统的有监督方法需要大量的标注数据作为训练集,而半监督聚类对标注数据没有太高的要求,并可以利用大量的无标注数据对模型进行调整,从而降低标注成本。为此,本文以浒苔和赤潮灾害为例,基于半监督学习机制进行浒苔检测和赤潮预测。另一方面,海洋灾害是复杂的多因素相互作用而产生的现象,为此,本文以赤潮灾害为例,基于复杂网络理论对影响赤潮发生的因素建立了关联网络,并进行了拓扑分析,从而为赤潮预测提供依据。具体而言,本文主要工作如下： (1)提出了一种面向浒苔检测的半监督聚类框架。首先,基于少量的标签数据获取成对约束形式的实例层知识；然后,采用测度学习构建优化问题,求解新的距离度量,从而新的距离度量将数据集划分成两个簇；最后,基于标签数据识别簇的类别。在真实的浒苔数据集上验证了方法的有效性。 (2)提出了一种基于半监督聚类的赤潮预测方法。针对样本比例不平衡问题,改进了融合成对约束的测度学习策略,赋予较苛刻的约束条件,从而尽可能增大簇间的间距。进而,结合具体需求将方法应用于赤潮预测。在2003年～2009年的赤潮检测数据集上验证了方法的有效性。 (3)基于复合网建立了赤潮监控网络模型。基于复杂网络理论对影响赤潮发生的各个因素构建了因素子网,通过对网络拓扑性质的分析,明确了各影响因素之间的关联。基于复合网理论,依据空间距离和水质建立了赤潮站点的复合网络,从而为监控赤潮提供依据。
【图文】：

遥感图像,青岛,遥感图像,海域

DIS影像预处理以及数据获取许多因素，如姿态、高度和飞机的飞行速度以及地球n转，会造地面目标的几何畸变，，首先进彳T几何校正预处理。使用ENnce MODIS工具，禾ij用MODIS数据中SDS自带的地理信息进行儿4.4分别为儿何校正前后的图像。为了得到更清晰的图像，对几何

影像,浒苔,解译,海域

第3章某于半监督聚类的济笞检测命名为E5、E9,来测试本章所提出方法的可行性。图3.7和图3.9为E5和E9两幅图像的人工解译的济笞区域。图3.8和图3.10则给出了用本章方法所检测出的游笞区域。根据前面的介绍，木章是从E1中选取了 10%的标签数据作为半监督聚类的先验知识以引导聚类。如图3.8和图3.10所示，与人工解译的济苔区域相比，本章所提出的方法成功的检测出了济苔海域。由子E9中数据受大雾的影像，其表现效果不如E5好。：丨：图3.7人工解译的E5的济苔海域图3.8本章方法所检测出的E5的济苔海域图3.9人工解译的E9的济苔海域图3.10本章方法所检测出的E9的Ou苔海域3.7小结本章为济苔检测提山了一种有效的半监督聚类框架，这种策略能融合少量的有标签数据和大量的无标签数据来自动的进行济笞检测。基于少量的有标签数据，本23
【学位授予单位】：青岛大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：X55;X834

【参考文献】