土地利用分类中图像分类技术的探讨
发布时间：2021-03-05 11:24
土地利用分类是基于人们对土地资源的利用方式,对土地利用类型进行区分的过程,其目的是统计并掌握土地利用信息以便对土地资源进行管理,是土地管理决策机制的重要支撑:保障其决策流程中的反馈信息精准快速地传递。基于此,精度和效率这一难点已成为制约土地决策科学性的重要因素,而解决上述难点的关键在于图像分类技术的突破。因此,如何有效地应用图像分类技术以便更好地服务于土地资源的管理意义重大。本文研究了土地利用分类工作中图像分类技术的应用问题。指出了图像分类在大数据背景下也是统计学的重要内容之一,研究了其实现流程和相关的训练技并论证了应用层面的必要性和可行性。针对精度兼顾效率这一共性难点提出了构建图像分类模型的思路以期改进实际工作中的不足。在迁移学习的基础上,提出了模型整合方法并结合自身经验设计了2个应用于土地利用分类工作的模型架构:第一个是Res Net-50整合模型,第二个是集成了整合VGG16和Xception的组合模型。本文以祁连山冰川与水源涵养生态功能区为蓝本构建土地数据库,并利用上述设计的2个模型进行土地利用分类的实证分析。结果表明:Res Net-50整合模型的总体精度高达97.35%,效...
【文章来源】：兰州财经大学甘肃省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
土地管理的决策流程图
兰州财经大学硕士学位论文土地利用分类中图像分类技术的探讨6已知最早提出中国土地利用分类体系的学者，其缺点是不完善①。建国以后，为启动第一次“土调”(1984-1997)而制定的分类体系算是第一个相对完善的分类标准，史称“老八类”：即把中国土地利用类型归纳整理成8大一级类，之后也制定过2个过渡版本，虽然这些版本各有瑕疵，但无疑这些分类体系都发挥了积极作用。直到启动第二次“土调”(2007-2009)而制定的分类体系可以说是中国第一次有了“真正意义”上统一的土地分类口径(全国性质)，该分类体系又称“新十二类”：即在原先制定的过渡版本的基础上把中国土地利用类型扩充至12大一级类，这一版本也是后期国内大多学者从事土地分类体系相关研究的依据。1.2.2关于图像分类的研究现状图像分类作为应用在并实现土地利用分类的关键技术，也是提高上述工作精度和效率的关键所在，其本质是数学建模中的图建模：基于统计方法(或其他方法)构建适配任务的图像分类模型，是统计学的重要内容之一。从算法的角度来看，主要分为两大流派：传统图像分类和基于深度学习的图像分类，其中前者可进一步细分为特征工程(人工提取特征)和浅层学习(除了深层神经网络以外的机器学习)两个步骤。无论是浅层学习还是深度学习，其本质上在于利用反馈信号(比如距离值)的指引来为输入的图像数据寻找更加有用的数据表示—即有意义地变换数据，使其更适合图像分类任务。可以简单理解成将输入的图像数据变换成有意义的输出，即更接近于预期目标的输出类别。图1.2传统图像分类(上)与基于深度学习的图像分类(下)①童英良，黄炎.对第二次全国土地调查的思考[J].浙江国土资源，2006(08)：34-35.
isualGeometryGroup团队提出的VGG网络(可以看成是AlexNet的改进版，总共有5种版本，其中以VGG19最为有名)分别以6.7%和7.3%的top-5错误率摘下当年ImageNetILSVRC-2014大赛的冠亚军位置。而由计算机视觉领域第一大IP的华人学者何恺明③(2015)带领的微软研究团队提出的基于ResidualBlock模块(其核心思想是恒等映射连接)构建而成的ResNet网络(可以理解成GoogLeNet网络和VGG网络的集大成者，有多种版本)，首次实现超越人类专家识别水平的成绩并一举摘下当年ImageNetILSVRC-2015大赛的桂冠，堪称是图像分类史上的一个里程碑。如下图1.3所示。图1.3基于深度学习的图像分类发展史2012:1097-1105.①SzegedyC,LiuW,JiaY,etal.Goingdeeperwithconvolutions[C]//IEEEConferenceonComputerVisionandPatternRecognition.Piscataway,NJ,USA:IEEE,2015:1-9.②SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[J].EprintArxiv,2014③HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[C]//IEEEConferenceonComputerVisionandPatternRecognition.Piscataway,NJ,USA:IEEE,2016:770-778.
【参考文献】：
期刊论文
[1]利用微调卷积神经网络的土地利用场景分类[J]. 陈雅琼,强振平,陈旭,刘心怡. 遥感信息. 2019(03)
[2]卷积神经网络过拟合问题研究[J]. 任义丽,罗路. 信息系统工程. 2019(05)
[3]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[4]迁移学习支持下的土地利用/土地覆被分类[J]. 李海雷,胡小娟,郭杭,吴文瑾. 测绘通报. 2018(09)
[5]不同分类方法在土地利用信息提取中的精度对比[J]. 何立恒,覃伟,徐迅. 现代测绘. 2018(05)
[6]Watershed classification by remote sensing indices: A fuzzy c-means clustering approach[J]. Bahram CHOUBIN,Karim SOLAIMANI,Mahmoud HABIBNEJAD ROSHAN,Arash MALEKIAN. Journal of Mountain Science. 2017(10)
[7]基于最大似然法的南京市土地利用类型分类研究[J]. 陈书林,瞿佳明. 商. 2016(22)
[8]基于多尺度分割的遥感影像滨海湿地分类[J]. 费鲜芸,王婷,魏雪丽. 遥感技术与应用. 2015(02)
[9]对第二次全国土地调查的思考[J]. 童英良,黄炎. 浙江国土资源. 2006(08)
博士论文
[1]基于多源遥感信息综合的湿地土地覆被分类研究[D]. 马玥.吉林大学 2018
[2]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014
硕士论文
[1]基于第三次全国土地调查的天津市土地利用分类体系研究[D]. 肖婷.天津工业大学 2019
[2]国家重点生态功能区建设问题研究[D]. 初敏.山东农业大学 2018
[3]习近平生态文明建设思想探析[D]. 邓伟.贵州师范大学 2018
[4]专业遥感图像分类方法的研究及应用[D]. 张建文.兰州理工大学 2014
[5]基于遥感图像的土地利用分类研究[D]. 魏继伟.东北师范大学 2012
本文编号：3065116
【文章来源】：兰州财经大学甘肃省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
土地管理的决策流程图
兰州财经大学硕士学位论文土地利用分类中图像分类技术的探讨6已知最早提出中国土地利用分类体系的学者，其缺点是不完善①。建国以后，为启动第一次“土调”(1984-1997)而制定的分类体系算是第一个相对完善的分类标准，史称“老八类”：即把中国土地利用类型归纳整理成8大一级类，之后也制定过2个过渡版本，虽然这些版本各有瑕疵，但无疑这些分类体系都发挥了积极作用。直到启动第二次“土调”(2007-2009)而制定的分类体系可以说是中国第一次有了“真正意义”上统一的土地分类口径(全国性质)，该分类体系又称“新十二类”：即在原先制定的过渡版本的基础上把中国土地利用类型扩充至12大一级类，这一版本也是后期国内大多学者从事土地分类体系相关研究的依据。1.2.2关于图像分类的研究现状图像分类作为应用在并实现土地利用分类的关键技术，也是提高上述工作精度和效率的关键所在，其本质是数学建模中的图建模：基于统计方法(或其他方法)构建适配任务的图像分类模型，是统计学的重要内容之一。从算法的角度来看，主要分为两大流派：传统图像分类和基于深度学习的图像分类，其中前者可进一步细分为特征工程(人工提取特征)和浅层学习(除了深层神经网络以外的机器学习)两个步骤。无论是浅层学习还是深度学习，其本质上在于利用反馈信号(比如距离值)的指引来为输入的图像数据寻找更加有用的数据表示—即有意义地变换数据，使其更适合图像分类任务。可以简单理解成将输入的图像数据变换成有意义的输出，即更接近于预期目标的输出类别。图1.2传统图像分类(上)与基于深度学习的图像分类(下)①童英良，黄炎.对第二次全国土地调查的思考[J].浙江国土资源，2006(08)：34-35.
isualGeometryGroup团队提出的VGG网络(可以看成是AlexNet的改进版，总共有5种版本，其中以VGG19最为有名)分别以6.7%和7.3%的top-5错误率摘下当年ImageNetILSVRC-2014大赛的冠亚军位置。而由计算机视觉领域第一大IP的华人学者何恺明③(2015)带领的微软研究团队提出的基于ResidualBlock模块(其核心思想是恒等映射连接)构建而成的ResNet网络(可以理解成GoogLeNet网络和VGG网络的集大成者，有多种版本)，首次实现超越人类专家识别水平的成绩并一举摘下当年ImageNetILSVRC-2015大赛的桂冠，堪称是图像分类史上的一个里程碑。如下图1.3所示。图1.3基于深度学习的图像分类发展史2012:1097-1105.①SzegedyC,LiuW,JiaY,etal.Goingdeeperwithconvolutions[C]//IEEEConferenceonComputerVisionandPatternRecognition.Piscataway,NJ,USA:IEEE,2015:1-9.②SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[J].EprintArxiv,2014③HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[C]//IEEEConferenceonComputerVisionandPatternRecognition.Piscataway,NJ,USA:IEEE,2016:770-778.
【参考文献】：
期刊论文
[1]利用微调卷积神经网络的土地利用场景分类[J]. 陈雅琼,强振平,陈旭,刘心怡. 遥感信息. 2019(03)
[2]卷积神经网络过拟合问题研究[J]. 任义丽,罗路. 信息系统工程. 2019(05)
[3]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[4]迁移学习支持下的土地利用/土地覆被分类[J]. 李海雷,胡小娟,郭杭,吴文瑾. 测绘通报. 2018(09)
[5]不同分类方法在土地利用信息提取中的精度对比[J]. 何立恒,覃伟,徐迅. 现代测绘. 2018(05)
[6]Watershed classification by remote sensing indices: A fuzzy c-means clustering approach[J]. Bahram CHOUBIN,Karim SOLAIMANI,Mahmoud HABIBNEJAD ROSHAN,Arash MALEKIAN. Journal of Mountain Science. 2017(10)
[7]基于最大似然法的南京市土地利用类型分类研究[J]. 陈书林,瞿佳明. 商. 2016(22)
[8]基于多尺度分割的遥感影像滨海湿地分类[J]. 费鲜芸,王婷,魏雪丽. 遥感技术与应用. 2015(02)
[9]对第二次全国土地调查的思考[J]. 童英良,黄炎. 浙江国土资源. 2006(08)
博士论文
[1]基于多源遥感信息综合的湿地土地覆被分类研究[D]. 马玥.吉林大学 2018
[2]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014
硕士论文
[1]基于第三次全国土地调查的天津市土地利用分类体系研究[D]. 肖婷.天津工业大学 2019
[2]国家重点生态功能区建设问题研究[D]. 初敏.山东农业大学 2018
[3]习近平生态文明建设思想探析[D]. 邓伟.贵州师范大学 2018
[4]专业遥感图像分类方法的研究及应用[D]. 张建文.兰州理工大学 2014
[5]基于遥感图像的土地利用分类研究[D]. 魏继伟.东北师范大学 2012
本文编号：3065116
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3065116.html
最近更新
教材专著
