基于猫群算法的高光谱遥感森林类型识别研究

发布时间：2016-11-05 19:25

  本文关键词：基于猫群算法的高光谱遥感森林类型识别研究，由笔耕文化传播整理发布。

《东北林业大学》 2015年

基于猫群算法的高光谱遥感森林类型识别研究

李琰  

【摘要】：合理地保护和利用森林资源,对地球生态系统的稳定及可持续发展有重要意义,森林树种(组)的正确分类是其重要的基础和依据。高光谱遥感的兴起和发展为获取森林资源信息,对森林有序开发奠定了基础。国内外专家利用高光谱遥感数据以及不同的分类方法对森林类型进行识别,以求寻找更加高效、合理的方式及更精确的结果。本研究选用国产环境与灾害监测小卫星(HJ-1A)高光谱遥感数据,采用基于猫群智能优化(Cat Swarm Optimization, CSO)的算法,利用光谱信息对吉林汪清林业局经营区内森林类型进行识别。为达到此目的,系统地探讨了猫群算法及其改进算法在森林识别中的应用,建立一种通过搜索进行波段选择的高光谱降维模型和四种基于猫群算法的森林分类模型,并对猫群智能算法进行高光谱降维、聚类分辨森林类型、挖掘光谱信息规则进行优势树种(组)识别做了系统研究。首先,HJ-1A数据获取成本低,但提供数据时间不长,国内外将其应用于树种(组)识别的研究很少。挖掘HJ-1A高光谱遥感数据的森林应用潜力和森林精细识别的可能性有深远的实际意义。另外,遥感影像的选择、预处理方法、分类方法的不同都会对高光谱遥感影像分类结果有较大影响,探讨不同的选择可使分类结果仍有较大的改善空间,但也面临很多挑战。比如研究区地形复杂,空间异质性较高时,现有的分类方法获得的精度有所限制。不同的分类方法各有优劣、适用情况不同,分类结果也会大有不同。集成和改进现有的算法、寻求新算法成为高光谱影像分类的研究重点。本文围绕以上问题开展以下工作：第一,对研究区的HJ-1A遥感影像进行预处理,形成可以用于分类的基础数据；然后选取新兴的较优秀的猫群智能算法,在研究算法机理的基础上,充分借助信息技术,提出离散的二进制猫群算法(BCSO),建立波段搜索模型,自动搜索出可分性好的波段组合为后续更好地研究蒙古栎、白桦、落叶松、杨树、云杉等分类奠定基础；第二,提出基于猫群的聚类算法模型及半监督模糊C猫群算法(CSO-SMFC),对研究区的针叶林、阔叶林、混交林等森林类型进行分类并比较其结果；第三,在上述研究基础上,提出基本的猫群分类规则挖掘算法(CSO-Miner)和改进的猫群算法与支持向量机结合(ACSO-SVM)的两种方法,建立分类器,形成高光谱森林精细分类模型,对研究区内蒙古栎、白桦、落叶松、杨树、云杉等优势树种(组)识别,比较、验证并评价其分类结果。本文希望通过森林分类方法的探讨,对后续其他林业研究或应用提供参考和依据。研究结果表明：(1)在波段选择中,当控制子空间为3时,BCSO提取出的波段组合为21-43-109。(2)在对针叶林、阔叶林、混交林的森林类型识别中,基于基本猫群算法的聚类最优精度为83.5%,基于CSO-SMFC聚类模型的最优精度为85%。(3)森林精细识别中,基于CSO-Miner模型的监督算法最优总体分类精度为80.83%,Kappa系数为0.77；ACSO-SVM总体分类精度最高为84.16%,Kappa系数为0.81。结合研究区内信息,应用基于猫群优化算法的分类方法对汪清林区内HJ-1A的高光谱遥感数据进行分类,能较好地识别汪清林区的蒙古栎、白桦、落叶松、杨树、云杉等优势树种(组)。本文在高光谱森林遥感分类领域进行了探索性研究,将计算机智能算法与遥感技术结合,为森林类型识别提供了一种新思路。其研究成果可为基层森工企业的森林调查及国家林业规划提供理论指导和技术支持,对林业领域各方面的深入研究奠定基础,对我国林业发展具有一定的推动作用。

【关键词】：
【学位授予单位】：东北林业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：S771.8
【目录】：

下载全文 更多同类文献

CAJ全文下载

(如何获取全文？ 欢迎：购买知网充值卡、在线充值、在线咨询)

CAJViewer阅读器支持CAJ、PDF文件格式

【引证文献】

中国重要会议论文全文数据库 前3条

1 童庆禧;郑兰芬;薛永祺;;中国高光谱遥感技术和应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

2 黄远程;张良培;李平湘;;基于最小单形体体积约束的高光谱影像端元光谱提取[A];遥感定量反演算法研讨会摘要集[C];2010年

3 高海亮;顾行发;余涛;李小英;支晶晶;谢玉娟;马晓红;;HJ-1A超光谱成像仪图像条带噪声去除方法研究[A];第十七届中国遥感大会摘要集[C];2010年

【参考文献】

中国期刊全文数据库 前10条

1 丁胜;袁修孝;陈黎;;粒子群优化算法用于高光谱遥感影像分类的自动波段选择[J];测绘学报;2010年03期

2 术洪磊,毛赞猷;GIS辅助下的基于知识的遥感影像分类方法研究——以土地覆盖/土地利用类型为例[J];测绘学报;1997年04期

3 甘甫平,刘圣伟,周强;德兴铜矿矿山污染高光谱遥感直接识别研究[J];地球科学;2004年01期

4 张亚梅;;地物反射波谱特征及高光谱成像遥感[J];光电技术应用;2008年05期

5 姜小光,王长耀,王成;成像光谱数据的光谱信息特点及最佳波段选择——以北京顺义区为例[J];干旱区地理;2000年03期

6 李传荣;贾媛媛;胡坚;李子扬;;HJ-1光学卫星遥感应用前景分析[J];国土资源遥感;2008年03期

7 刘颖;谷延锋;张晔;张钧萍;;一种高光谱图像波段选择的快速混合搜索算法[J];光学技术;2007年02期

8 秦进春;余旭初;谭熊;余岸竹;付琼莹;;基于SVM核函数评价的高光谱遥感影像核分类方法比较研究[J];测绘通报;2012年S1期

9 刘玉琴;沙晋明;徐赛萍;祝坤子;;HSI高光谱数据的FLAASH大气校正与评价[J];福建师范大学学报(自然科学版);2013年05期

10 赵春晖;陈万海;杨雷;;高光谱遥感图像最优波段选择方法的研究进展与分析[J];黑龙江大学自然科学学报;2007年05期

中国博士学位论文全文数据库 前2条

1 夏建涛;基于机器学习的高维多光谱数据分类[D];西北工业大学;2002年

2 谭炳香;高光谱遥感森林类型识别及其郁闭度定量估测研究[D];中国林业科学研究院;2006年

中国硕士学位论文全文数据库 前3条

1 王静;SVM在参数选择上的优化[D];兰州理工大学;2008年

2 范凯波;基于几何特征的车辆目标分类研究[D];天津理工大学;2012年

3 郭学兰;基于LS-SVM模型的高光谱影像分类的研究[D];中南大学;2013年

【共引文献】

中国期刊全文数据库 前10条

1 彭海琴;李娟;马晋;何国富;;遥感与GIS技术在环境科学中的应用研究[J];安徽农学通报(上半月刊);2011年05期

2 李璇琼;何政伟;许辉熙;薛万蓉;;甘肃省文县地震前后TM图像增强处理方法比较分析[J];安徽农业科学;2009年05期

3 杨菁媛;方朝阳;陈晓玲;;基于多时相ENVISAT ASAR的鄱阳湖水面覆盖信息提取及其应用研究[J];安徽农业科学;2011年11期

4 王天培;;国内外遥感技术在非点源污染模拟中的应用[J];安徽农业科学;2011年21期

5 谷秀兰;栾乔林;黄朝明;韦仕川;;土地利用覆被遥感影像信息提取方法研究综述[J];安徽农业科学;2012年04期

6 杨立君;黄婷;;潮滩植被调查最佳波段组合研究[J];安徽农业科学;2012年04期

7 王小东;陆长华;黄庆丰;;基于RS与GIS的东至县梅城林场森林景观格局动态分析[J];安徽农业大学学报;2011年04期

8 王蕾;黄华国;张晓丽;骆有庆;安树杰;;基于知识规则的马尾松林遥感信息提取技术研究[J];北京林业大学学报;2007年03期

9 杨桄,刘湘南,张柏,边红枫;基于多特征空间的遥感信息自动提取方法[J];吉林大学学报(地球科学版);2005年02期

10 吴小平;“3S”技术在血吸虫病控制中的应用研究[J];重庆工学院学报;2004年01期

中国博士学位论文全文数据库 前10条

1 邓睿;多源遥感数据和GIS支持下的台风影响研究[D];浙江大学;2010年

2 杨国鹏;基于机器学习方法的高光谱影像分类研究[D];解放军信息工程大学;2010年

3 贾晓晴;古莲河露天煤矿环境影响与景观变化研究[D];中国地质大学（北京）;2011年

4 刘美玲;融合多元环境因子的水稻重金属污染水平遥感评估模型[D];中国地质大学（北京）;2011年

5 刘铁冬;四川省杂谷脑河流域景观格局与生态脆弱性评价研究[D];东北林业大学;2011年

6 何原荣;矿区环境高分辨率遥感监测及其信息资源开发利用的方法与应用研究[D];中南大学;2011年

7 肖东升;基于GIS和CA的地震灾害压埋人员情景分析与评估理论[D];西南交通大学;2009年

8 郭嘉;回声状态网络分类方法及其应用研究[D];哈尔滨工业大学;2011年

9 方炫;黄土高原乡级尺度土地利用格局动态变化与生态功能区研究[D];中国科学院研究生院（教育部水土保持与生态环境研究中心）;2011年

10 陈国良;煤矿区“一张图”建设的若干关键技术研究[D];中国矿业大学;2011年

中国硕士学位论文全文数据库 前10条

1 马浩;基于土地适宜性评价的三峡库区防护林类型空间优化配置[D];华中农业大学;2010年

2 胡红;矿区植物胁迫作用与遥感信息提取[D];山东科技大学;2010年

3 邢著荣;基于辐射传输模型和CHRIS数据反演春小麦LAI[D];山东科技大学;2010年

4 雷彤;基于高光谱的苹果花期果期光谱特征分析及其果量估测[D];山东农业大学;2010年

5 邓禄群;高光谱图像类别信息相关技术研究[D];哈尔滨工程大学;2010年

6 吴云;基于RS和GIS的植被覆盖度估算及动态变化分析[D];辽宁工程技术大学;2009年

7 王俊朝;基于中尺度遥感影像的早稻种植面积提取方法探讨[D];安徽师范大学;2010年

8 付志鹏;基于WorldView-2影像的分类及建筑物提取研究[D];浙江大学;2011年

9 李源泰;基于人工神经网络的遥感影像分类研究[D];昆明理工大学;2010年

10 孔祥惠;基于知识的遥感信息分类方法实验研究[D];昆明理工大学;2009年

【二级参考文献】

中国期刊全文数据库 前10条

1 官凤英;范少辉;蔡华利;冯仲科;邓旺华;刘广路;;竹林遥感信息提取方法比较研究[J];安徽农业科学;2010年08期

2 王蕾;黄华国;张晓丽;骆有庆;安树杰;;基于知识规则的马尾松林遥感信息提取技术研究[J];北京林业大学学报;2007年03期

3 仝慧杰;冯仲科;张彦林;;树种在遥感信息上的差异分析[J];北京林业大学学报;2007年S2期

4 徐红敏;杨天行;;基于支持向量机分类算法的湖泊水质评价研究[J];吉林大学学报(地球科学版);2006年04期

5 盖利亚;刘正军;张继贤;;CHRIS/PROBA高光谱数据的预处理[J];测绘工程;2008年01期

6 贾萍;李海涛;林卉;顾海燕;韩颜顺;;基于SVM的多源遥感影像分类研究[J];测绘科学;2008年04期

7 林丽群;舒宁;肖俊;肖洲;;基于遗传算法优化决策树的多光谱影像分类研究[J];测绘科学;2009年04期

8 黄昕;李平湘;张良培;;基于多层形状特征提取与融合的城市高光谱影像解译[J];测绘科学;2009年06期

9 黄磊;张书毕;王亮亮;张秋昭;;粒子群最小二乘支持向量机在GPS高程拟合中的应用[J];测绘科学;2010年05期

10 贾永红;人工神经网络在多源遥感影像分类中的应用[J];测绘通报;2000年07期

中国博士学位论文全文数据库 前6条

1 毛学刚;东北森林碳循环日步长模型与遥感综合应用研究[D];东北林业大学;2011年

2 范昕炜;支持向量机算法的研究及其应用[D];浙江大学;2003年

3 吴涛;核函数的性质、方法及其在障碍检测中的应用[D];中国人民解放军国防科学技术大学;2003年

4 吴昊;高光谱遥感图像数据分类技术研究[D];国防科学技术大学;2004年

5 李晓松;干旱地区稀疏植被覆盖度高光谱遥感定量反演研究[D];中国林业科学研究院;2008年

6 谭琨;基于支持向量机的高光谱遥感影像分类研究[D];中国矿业大学;2010年

中国硕士学位论文全文数据库 前10条

1 吴艳冬;复杂背景中的人脸检测与定位[D];大连理工大学;2002年

2 孙丽华;中文文本自动分类的研究[D];哈尔滨工程大学;2002年

3 杨金红;高光谱遥感数据最佳波段选择方法研究[D];南京信息工程大学;2005年

4 张倩;基于决策树方法的航空高光谱遥感土地覆盖分类研究[D];山东科技大学;2005年

5 黄婉平;自适应粒子群优化算法及其应用研究[D];浙江大学;2006年

6 孙建英;粒子群优化算法的分析及改进[D];大连海事大学;2007年

7 赵莹;支持向量机中高斯核函数的研究[D];华东师范大学;2007年

8 郭春燕;基于支持向量机的高光谱遥感图像分类[D];哈尔滨工程大学;2007年

9 刘宣江;基于神经网络的遥感影像识别[D];北京邮电大学;2007年

10 谢秋昌;基于高光谱数据的分类技术研究[D];长安大学;2008年

【相似文献】

中国期刊全文数据库 前3条

1 彭红星;邹湘军;陈丽娟;熊俊涛;陈科尹;林桂潮;;基于双次Otsu算法的野外荔枝多类色彩目标快速识别[J];农业机械学报;2014年04期

2 赵雪;陈龙飞;;基于MapReduce的ROCK聚类算法[J];河北科技师范学院学报;2014年01期

3 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 尹冀锋;;一种新的图象自适应增强算法[A];四川省通信学会一九九二年学术年会论文集[C];1992年

2 宁春平;田家玮;郭延辉;王影;张英涛;郑桂霞;刘研;;计算机辅助增强、分割算法在鉴别乳腺良、恶性肿块中的应用价值[A];中华医学会第十次全国超声医学学术会议论文汇编[C];2009年

3 谢丽聪;;SVB查询改写算法的改进[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

4 郑存红;;复杂背景下相关跟踪算法研究及DSP实现[A];中国光学学会2010年光学大会论文集[C];2010年

5 杨文杰;吴军;;RFID抗冲突算法研究[A];2008通信理论与技术新进展——第十三届全国青年通信学术会议论文集（上）[C];2008年

6 高山;毕笃彦;魏娜;;一种基于UPF的小目标TBD算法[A];第十四届全国图象图形学学术会议论文集[C];2008年

7 周磊;张卫华;王晓奇;张军;;基于流水算法的智能路障机器人设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

8 潘巍;李战怀;陈群;索博;李卫榜;;面向MapReduce的非对称分片复制连接算法优化技术研究[A];第29届中国数据库学术会议论文集（B辑）（NDBC2012）[C];2012年

9 李伟伟;蔡康颖;郑新;王文成;;3D模型中重复结构的多尺度快速检测算法[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

10 杨任尔;陈恳;励金祥;;基于棱边方向检测的运动自适应去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

中国重要报纸全文数据库 前1条

1 国泰君安资产管理部;[N];上海证券报;2010年

中国博士学位论文全文数据库 前10条

1 冯辉;网络化的并行与分布式优化算法研究及应用[D];复旦大学;2013年

2 许玉杰;云计算环境下海量数据的并行聚类算法研究[D];大连海事大学;2014年

3 李琰;基于猫群算法的高光谱遥感森林类型识别研究[D];东北林业大学;2015年

4 陈加顺;海洋环境下聚类算法的研究[D];南京航空航天大学;2014年

5 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

6 徐悦竹;机会发现算法及其应用研究[D];哈尔滨工程大学;2010年

7 王征;分布式互斥算法的研究与实现[D];电子科技大学;2007年

8 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

9 杨世品;P系统优化算法及应用研究[D];浙江大学;2013年

10 张毅;群智能算法的改进及其在相关领域中的应用[D];吉林大学;2009年

中国硕士学位论文全文数据库 前10条

1 姚鑫宇;EMD去噪与MUSIC算法在DOA估计中的联合应用[D];昆明理工大学;2015年

2 陆进;面向含噪数据聚类相关算法的研究[D];复旦大学;2014年

3 李家昌;基于能量约束的超声图像自动分割算法[D];华南理工大学;2015年

4 陈坚;基于密度和约束的数据流聚类算法研究[D];兰州大学;2015年

5 高健;基于Zynq7000平台的去雾算法研究及实现[D];南京理工大学;2015年

6 顾磊;基于Hadoop的聚类算法的数据优化及其应用研究[D];南京信息工程大学;2015年

7 杨燕霞;基于Hadoop平台的并行关联规则挖掘算法研究[D];四川师范大学;2015年

8 王羽;基于MapReduce的社区发现算法的设计与实现[D];南京理工大学;2015年

9 许振佳;流式数据的并行聚类算法研究[D];曲阜师范大学;2015年

10 董琴;人工蜂群算法的改进与应用[D];大连海事大学;2015年

  本文关键词：基于猫群算法的高光谱遥感森林类型识别研究，由笔耕文化传播整理发布。

，

本文编号：165672