基于HMRF-EM算法的湖冰分类方法研究及其应用

发布时间：2020-11-10 04:27

　　 湖冰作为冰冻圈的组成部分,是地球表层关键水循环过程参量之一。其在时间序列上的变化可以比较直观的反映湖冰所在地区的气候变化状况。因此,关于湖冰的研究在区域气候变化研究中有着重要意义。目前,国内外对湖冰分类的研究根据其数据源可以分为基于主动遥感数据的湖冰分类和基于被动遥感数据的湖冰分类,其中基于主动遥感数据的湖冰分类可以对不同类型的湖冰进行分类。隐马尔可夫随机场和期望最大(HMRF-EM)算法是一种可以对SAR影像进行有效分类的分类方法,但目前并没有基于该算法的湖冰分类方法的相关研究,因此本研究依托地球大数据科学工程时空三极环境项目,提出了基于HMRF-EM算法的湖冰分类方法,并对勒拿河三角洲地区2018年1月至4月的部分湖冰进行了分类。由于地理条件等因素的限制,目前对于研究区的湖冰变化监测缺少实地观测数据,因此本研究选用模拟数据替代真实数据对HMRF-EM算法进行参数选取和精度评价。其中参数选取部分包括湖冰分类中最优参数的选取和不同初始化方法对分类结果精度的影响两个部分。参数选取的结果表明,在势能参数β为[0.1,2]区间时,使用K-Means算法和模糊C均值聚类算法作为初始化方法的HMRF-EM算法的分类结果与真实的分类结果相接近,湖冰分类效果最好时HMRF-EM算法的初始化方法为K-Means算法,势能参数β为0.1,其总体精度为99.76%,Kappa系数为0.995,且湖冰分类中不同的初始化方法会对HMRF-EM算法的分类精度产生一定影响。在分类精度评价中,分别选取阈值法,平行六面体法,迭代自组织数据分析(ISODATA)分类方法,K-Means分类方法等方法与HMRF-EM算法进行对比。相比较于其它方法,HMRF-EM算法总体分类精度提高了1%-23%,Kappa系数提高了0.03-0.53,这说明湖冰分类中HMRF-EM算法要优于其它算法。最后,本研究选取哨兵1号卫星数据为主要数据源对湖冰进行分类,分浮冰和接地冰,统计在时间序列上不同类型湖冰的变化。从结果中可以看出,随着时间的变化,浮冰的面积逐渐减少,接地冰的面积逐渐增加,这与西伯利亚极区冬季的气温状况相吻合,证明HMRF-EM算法可以有效地对不同类型的湖冰进行分类。
【学位单位】：中国地质大学(北京)
【学位级别】：硕士
【学位年份】：2020
【中图分类】：P343.63;TP79
【部分图文】：

中国地质大学（北京）工程硕士学位论文3图1-1：世界湖泊与河流地图(邱玉宝,2018)1.2研究现状1.2.1湖冰分类研究现状湖冰大多分布于高纬度地区或者气候较为寒冷的高原地区，例如西伯利亚，阿拉斯加，青藏高原等地区，由于这些区域的地理环境和气候条件较为恶劣，加之湖冰的空间分布较为广泛，传统的野外地面观测很难对时间序列上高纬度地区大空间范围的湖冰变化进行有效监测。而遥感技术具有时效性，经济性，以及大面积的同步观测等优势(梅安新等,2001)，因此是一种有效的湖冰监测方法。目前国内外对湖冰分类均有所研究，国内对湖冰分类的研究主要集中于湖冰物候中的湖冰分类，以被动遥感数据作为数据源，而国外除了湖冰物候中的湖冰分类，还基于主动遥感数据对不同类型的湖冰进行了分类。1.2.1.1国内研究现状目前国内关于湖冰分类的研究及应用主要集中于青藏高原，特别是青海湖，纳木错湖等几个大型湖泊。这些研究使用的数据大多为光学遥感数据，其数据类型为被动遥感数据。这些数据在无云的环境下可以有效的识别冰水，但由于受光学遥感数

中国地质大学（北京）工程硕士学位论文7图1-2论文的技术路线1.4.2论文结构本论文有六章，每章内容如下所示：第一章介绍了论文的研究背景，研究意义，研究现状与论文的研究内容，介绍了湖冰分类的研究现状以及HMRF方法的研究现状。第二章介绍研究区概况，实验数据的情况以及冬季不同类别地物的后向散射系数变化。第三章介绍基于HMRF-EM算法的湖冰分类方法，其中包括预处理方法，SAR影像初始化方法，HMRF理论，EM算法和后处理。第四章对HMRF-EM算法进行了最优参数选取和精度评价。第五章研究了勒拿河三角洲地区2018年1月-4月的湖冰变化。第六章介绍了论文的结论以及未来的发展方向。

研究区概况与实验数据82.研究区概况与实验数据2.1研究区概况2.1.1地理位置如图2-1所示，勒拿河三角洲位于西伯利亚北部地区（73°N，126°E），是世界第六大三角洲，也是俄罗斯第一大三角洲。其面积约为30000Km2，次于美国密西西比三角洲，是世界最大的永久冻土三角洲，而且还是世界面积前十的三角洲中唯一位于极地地区的三角洲。目前该三角洲的面积仍在持续增长(AntonovaSetal,2016a)。本文选取该三角洲中冬季不同类型湖冰分布较为明显的湖泊作为研究对象，其具体位置见图2-2。图2-1勒拿河三角洲地理位置图2-2研究对象的位置。（A）底图为Landsat影像；（B）底图为哨兵1B卫星影像。
【相似文献】

相关期刊论文 前10条

1 解正山;;算法决策规制——以算法“解释权”为中心[J];现代法学;2020年01期

2 傅惠;王叶飞;陈赛飞;;面向宏观基本图的多模式交通路网分区算法[J];工业工程;2020年01期

3 魏远山;;算法解释请求权及其权利范畴研究[J];甘肃政法学院学报;2020年01期

4 刘斌;;算法新闻的公共性建构研究——基于行动者网络理论的视角[J];人民论坛·学术前沿;2020年01期

5 全燕;;关键词批评视野中的算法文化及其阈限性[J];学习与实践;2020年02期

6 张铭皓;;掌控还是被掌控——大数据时代有关算法分发的忧患与反思[J];新媒体研究;2020年04期

7 陆凯;苏苗罕;丁闻语;;美国算法治理政策与实施进路[J];环球法律评论;2020年03期

8 许可;朱悦;;算法解释权:科技与法律的双重视角[J];苏州大学学报(哲学社会科学版);2020年02期

9 迪莉娅;;大数据算法决策的问责与对策研究[J];现代情报;2020年06期

10 陶雪芹;;大数据时代算法歧视的风险防控和法律规制[J];河南牧业经济学院学报;2020年02期

相关博士学位论文 前10条

1 王冰;人工蜂群算法的改进及相关应用的研究[D];北京理工大学;2015年

2 王艳娇;人工蜂群算法的研究与应用[D];哈尔滨工程大学;2013年

3 李美安;普适分布式互斥算法及应用[D];电子科技大学;2007年

4 王小根;粒子群优化算法的改进及其在图像中的应用研究[D];江南大学;2009年

5 刘婷;改进人工蜂群算法及其在多用户检测中的应用[D];天津大学;2013年

6 邱剑锋;人工蜂群算法的改进方法与收敛性理论的研究[D];安徽大学;2014年

7 肖建元;保几何结构算法在等离子体物理中的应用[D];中国科学技术大学;2017年

8 盛歆漪;粒子群优化算法及其应用研究[D];江南大学;2015年

9 张冬丽;人工蜂群算法的改进及相关应用研究[D];燕山大学;2014年

10 孔翔宇;几类优化问题的人工蜂群算法[D];西安电子科技大学;2016年

相关硕士学位论文 前10条

1 王东伟;基于HMRF-EM算法的湖冰分类方法研究及其应用[D];中国地质大学(北京);2020年

2 贾红;烟花爆炸优化算法及其改进研究[D];华中科技大学;2010年

3 王书勤;车辆路径问题的蚁群算法研究[D];重庆大学;2008年

4 徐一春;浅析大数据算法歧视的法律规制[D];苏州大学;2019年

5 邹游;快速傅里叶变换裁剪算法[D];华南理工大学;2017年

6 何子旷;蝙蝠算法的改进与应用[D];广东工业大学;2016年

7 丁亚英;基于局部搜索和二进制的改进人工蜂群算法[D];南京师范大学;2016年

8 韩宏业;基于人工蜂群算法的软硬件划分算法研究[D];天津大学;2014年

9 孟凡明;基于共享因子的人工蜂群算法的研究与应用[D];兰州交通大学;2016年

10 胡庆生;烟花算法及其应用[D];陕西师范大学;2016年

本文编号：2877474