基于集成学习的高分辨率遥感影像地表水体信息提取
发布时间：2020-12-28 00:14
二十一世纪以来,人类对地球表面覆盖进行多尺度、全方位实时动态观测的能力进一步提升,遥感对地获取影像能力日益精进,进入了海量数据、多源遥感、多时相、全天候信息获取和以快速即时自动化处理数据为突出特征的对地观测新时代。地表水资源在地球环境演变,人类日常生产生活中扮演重要角色,如何有效利用丰富的遥感影像资料对地表水进行提取分析一直是科研人员广泛探讨的问题。集成学习算法是通过构建并结合多个相同种类或者不同种类的学习器进行学习,通过将构建的多个学习器以不同的结合方法进行组合,通常可以获得比单一学习器学习效果更佳,泛化性能更优越的学习器。现实中往往可以轻易找到一种简单低效的学习器,通过集成框架将简单低效易实现的学习器构建成学习能力强,稳定性高,泛化能力强的强学习器具有很大的实用意义。本文利用决策树算法和随机森林（RF）、梯度提升树（GBDT）以及AdaBoost三种集成学习算法对中国长江流域洞庭湖区域的GF-1两米分辨率融合遥感影像、GF-2一米分辨率融合影像和GF-6两米分辨率遥感影像进行水体信息提取,在此基础上,研究高分遥感影像水体提取过程中的最佳样本采集比例和最优特征组合,取得主要主要成果如...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
技术路线图
第2章研究区与数据源10(a).1-GF-1(b).1-GF-2(c).1-GF-6(d).2-GF-1图2.1各研究区遥感影像（假彩色影像）2.2数据介绍高分辨率系列遥感卫星是我国高分辨率对地观测系统重点项目之一。截至目前，我国已成功发射入轨多颗高分系列遥感卫星，进一步满足各行业领域日益增长的对高分辨率影像的需求，为我国现代化农业监测、灾害预防工作、灾害救援工作、城市环境质量监测、城市景观布局、脱贫攻艰等领域提供了长时序可靠性强稳定性高的卫星数据支持。本论文三四章节采用GF-1，GF-2和GF-6影像作为试验数据。高分一号（GF-1）卫星搭载了一台2m分辨率全色相机和一台8m分辨率多
第3章多源高分遥感影像地表水体提取集成方法研究12第3章多源高分遥感影像地表水体提取集成方法研究集成学习[55-56]是机器学习的研究热点之一，也可被称为“多分类器系统”和“基于委员会的学习”，它是一种博采众长的学习方法，是通过构建并结合多个相同种类或者不同种类的学习器进行学习，通过将构建的多个学习器以不同的结合方法进行组合，通常可以获得比单一学习器学习效果更佳，泛化性能更优越的学习器。集成学习的理论基础来源于Kearns和Valiant[57-58]提出的基于PAC（probablyapproximatelycorrect）的可学习性理论[59]。有研究报告指出，集成学习算法与更复杂的机器学习算法有相似的精度，如SVM[60-61]，另有其他研究表明，由于在分类中使用校准数据和预测变量，集成学习算法，比如RF和Bagging，在计算性能上优于非集成算法，比如支持向量机和神经网络[62]。由集成中所包含弱学习器的种类区分，集成学习包括“同质”集成和“异质”集成，“同质”集成中的弱学习器的类型相同，例如随机森林中的基础弱学习器全部为决策树，“异质”集成中的弱学习器的类型不同，例如同时包括支持向量机和决策树。随机森林（RF）、Adaboost[63-64]和GBDT均属于同质集成学习法。集成算法中有两个主要问题需要解决，一是如何改变数据的分布或权重以得到不同的基础弱分类器，二是使用什么样的策略将得到的基础弱分类器结合到一起形成一个强分类器。集成原理如图3.1所示。图3.1集成分类器原理示意图集成学习算法可归为两大类：1）Boosting系列算法，属于串行集成方法，这种方法串行生成的基础弱分类器模型（如AdaBoost）之间存在强依赖关系，通过
【参考文献】：
期刊论文
[1]基于深度学习特征和支持向量机的遥感图像分类[J]. 业巧林,许等平,张冬. 林业工程学报. 2019(02)
[2]决策树结合混合像元分解的中国竹林遥感信息提取[J]. 崔璐,杜华强,周国模,李雪建,毛方杰,徐小军,范渭亮,李阳光,朱迪恩,刘腾艳,邢璐琪. 遥感学报. 2019(01)
[3]集成学习方法研究[J]. 周钢,郭福亮. 计算技术与自动化. 2018(04)
[4]对地观测大数据开放共享:挑战与思考[J]. 何国金,王桂周,龙腾飞,彭燕,江威,尹然宇,焦伟利,张兆明. 中国科学院院刊. 2018(08)
[5]矢量约束的面向对象高分遥感影像水体提取[J]. 崔齐,王杰,汪闽,张东,孙艳霞. 遥感信息. 2018(04)
[6]基于梯度提升决策树的微博虚假消息检测[J]. 段大高,盖新新,韩忠明,刘冰心. 计算机应用. 2018(02)
[7]高分辨率遥感影像的随机森林变化检测方法[J]. 冯文卿,眭海刚,涂继辉,孙开敏,黄伟明. 测绘学报. 2017(11)
[8]基于GF-1卫星影像的改进SWI水体提取方法[J]. 王瑾杰,丁建丽,张成,陈文倩. 国土资源遥感. 2017(01)
[9]结合马氏距离的区域化模糊聚类遥感图像分割[J]. 赵泉华,李晓丽,赵雪梅,李玉. 中国矿业大学学报. 2017(01)
[10]遥感与中国可持续发展:机遇和挑战[J]. 徐冠华,柳钦火,陈良富,刘良云. 遥感学报. 2016(05)
博士论文
[1]中分辨率遥感数据面向对象分类的影响要素研究[D]. 尚明.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[2]随机森林及其在遥感影像处理中应用研究[D]. 雷震.上海交通大学 2012
[3]高维数据的特征选择与特征提取研究[D]. 蒋胜利.西安电子科技大学 2011
[4]朴素贝叶斯分类器及其改进算法研究[D]. 蒋良孝.中国地质大学 2009
硕士论文
[1]基于Landsat TM/OLI影像的南昌城区湖泊面积提取与动态变化研究[D]. 聂欣然.东华理工大学 2018
[2]基于Boosting的集成树算法研究与分析[D]. 连克强.中国地质大学(北京) 2018
[3]基于多特征的SVM高分辨率遥感影像分类研究[D]. 樊彦丽.中国地质大学(北京) 2018
[4]基于CART决策树方法的各拉丹冬地区冰川变化研究[D]. 蒙张.武汉大学 2018
[5]基于集成学习的目标跟踪算法研究[D]. 曾礼灵.江南大学 2018
[6]基于属性选择加权的朴素贝叶斯算法的改进与应用[D]. 白赞.西安理工大学 2017
[7]基于主动学习的遥感图像地物分类[D]. 曾杰.西安电子科技大学 2017
[8]基于高分辨率遥感影像的水体信息提取方法研究[D]. 于晓宁.吉林大学 2016
[9]Boosting分类算法的应用与研究[D]. 李想.兰州交通大学 2012
[10]基于主成分分析的去除乘性噪声算法研究[D]. 姚莉丽.西安电子科技大学 2011
本文编号：2942770
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
技术路线图
第2章研究区与数据源10(a).1-GF-1(b).1-GF-2(c).1-GF-6(d).2-GF-1图2.1各研究区遥感影像（假彩色影像）2.2数据介绍高分辨率系列遥感卫星是我国高分辨率对地观测系统重点项目之一。截至目前，我国已成功发射入轨多颗高分系列遥感卫星，进一步满足各行业领域日益增长的对高分辨率影像的需求，为我国现代化农业监测、灾害预防工作、灾害救援工作、城市环境质量监测、城市景观布局、脱贫攻艰等领域提供了长时序可靠性强稳定性高的卫星数据支持。本论文三四章节采用GF-1，GF-2和GF-6影像作为试验数据。高分一号（GF-1）卫星搭载了一台2m分辨率全色相机和一台8m分辨率多
第3章多源高分遥感影像地表水体提取集成方法研究12第3章多源高分遥感影像地表水体提取集成方法研究集成学习[55-56]是机器学习的研究热点之一，也可被称为“多分类器系统”和“基于委员会的学习”，它是一种博采众长的学习方法，是通过构建并结合多个相同种类或者不同种类的学习器进行学习，通过将构建的多个学习器以不同的结合方法进行组合，通常可以获得比单一学习器学习效果更佳，泛化性能更优越的学习器。集成学习的理论基础来源于Kearns和Valiant[57-58]提出的基于PAC（probablyapproximatelycorrect）的可学习性理论[59]。有研究报告指出，集成学习算法与更复杂的机器学习算法有相似的精度，如SVM[60-61]，另有其他研究表明，由于在分类中使用校准数据和预测变量，集成学习算法，比如RF和Bagging，在计算性能上优于非集成算法，比如支持向量机和神经网络[62]。由集成中所包含弱学习器的种类区分，集成学习包括“同质”集成和“异质”集成，“同质”集成中的弱学习器的类型相同，例如随机森林中的基础弱学习器全部为决策树，“异质”集成中的弱学习器的类型不同，例如同时包括支持向量机和决策树。随机森林（RF）、Adaboost[63-64]和GBDT均属于同质集成学习法。集成算法中有两个主要问题需要解决，一是如何改变数据的分布或权重以得到不同的基础弱分类器，二是使用什么样的策略将得到的基础弱分类器结合到一起形成一个强分类器。集成原理如图3.1所示。图3.1集成分类器原理示意图集成学习算法可归为两大类：1）Boosting系列算法，属于串行集成方法，这种方法串行生成的基础弱分类器模型（如AdaBoost）之间存在强依赖关系，通过
【参考文献】：
期刊论文
[1]基于深度学习特征和支持向量机的遥感图像分类[J]. 业巧林,许等平,张冬. 林业工程学报. 2019(02)
[2]决策树结合混合像元分解的中国竹林遥感信息提取[J]. 崔璐,杜华强,周国模,李雪建,毛方杰,徐小军,范渭亮,李阳光,朱迪恩,刘腾艳,邢璐琪. 遥感学报. 2019(01)
[3]集成学习方法研究[J]. 周钢,郭福亮. 计算技术与自动化. 2018(04)
[4]对地观测大数据开放共享:挑战与思考[J]. 何国金,王桂周,龙腾飞,彭燕,江威,尹然宇,焦伟利,张兆明. 中国科学院院刊. 2018(08)
[5]矢量约束的面向对象高分遥感影像水体提取[J]. 崔齐,王杰,汪闽,张东,孙艳霞. 遥感信息. 2018(04)
[6]基于梯度提升决策树的微博虚假消息检测[J]. 段大高,盖新新,韩忠明,刘冰心. 计算机应用. 2018(02)
[7]高分辨率遥感影像的随机森林变化检测方法[J]. 冯文卿,眭海刚,涂继辉,孙开敏,黄伟明. 测绘学报. 2017(11)
[8]基于GF-1卫星影像的改进SWI水体提取方法[J]. 王瑾杰,丁建丽,张成,陈文倩. 国土资源遥感. 2017(01)
[9]结合马氏距离的区域化模糊聚类遥感图像分割[J]. 赵泉华,李晓丽,赵雪梅,李玉. 中国矿业大学学报. 2017(01)
[10]遥感与中国可持续发展:机遇和挑战[J]. 徐冠华,柳钦火,陈良富,刘良云. 遥感学报. 2016(05)
博士论文
[1]中分辨率遥感数据面向对象分类的影响要素研究[D]. 尚明.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[2]随机森林及其在遥感影像处理中应用研究[D]. 雷震.上海交通大学 2012
[3]高维数据的特征选择与特征提取研究[D]. 蒋胜利.西安电子科技大学 2011
[4]朴素贝叶斯分类器及其改进算法研究[D]. 蒋良孝.中国地质大学 2009
硕士论文
[1]基于Landsat TM/OLI影像的南昌城区湖泊面积提取与动态变化研究[D]. 聂欣然.东华理工大学 2018
[2]基于Boosting的集成树算法研究与分析[D]. 连克强.中国地质大学(北京) 2018
[3]基于多特征的SVM高分辨率遥感影像分类研究[D]. 樊彦丽.中国地质大学(北京) 2018
[4]基于CART决策树方法的各拉丹冬地区冰川变化研究[D]. 蒙张.武汉大学 2018
[5]基于集成学习的目标跟踪算法研究[D]. 曾礼灵.江南大学 2018
[6]基于属性选择加权的朴素贝叶斯算法的改进与应用[D]. 白赞.西安理工大学 2017
[7]基于主动学习的遥感图像地物分类[D]. 曾杰.西安电子科技大学 2017
[8]基于高分辨率遥感影像的水体信息提取方法研究[D]. 于晓宁.吉林大学 2016
[9]Boosting分类算法的应用与研究[D]. 李想.兰州交通大学 2012
[10]基于主成分分析的去除乘性噪声算法研究[D]. 姚莉丽.西安电子科技大学 2011
本文编号：2942770
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2942770.html
