本文關(guān)鍵詞：集成層次決策樹(shù)于基于對(duì)象的影像分析方法的土地覆被分類研究，由筆耕文化傳播整理發(fā)布。

【摘要】：中衛(wèi)綠洲作為干旱地區(qū)的一個(gè)典型,受到人類活動(dòng)的劇烈影響,在土地覆被狀況方面形成深刻的印記。伴隨現(xiàn)代化發(fā)展,中衛(wèi)綠洲也面臨著生態(tài)環(huán)境保護(hù)如何與經(jīng)濟(jì)增長(zhǎng)相協(xié)調(diào)的重大課題。近年來(lái)隨著工業(yè)化、城鎮(zhèn)化的快速發(fā)展,以及農(nóng)業(yè)升級(jí),換代步伐加快,土地覆被的分布格局發(fā)生了很大的變化,環(huán)境污染加劇,導(dǎo)致一系列相關(guān)的生態(tài)問(wèn)題日益突出。遙感技術(shù)能夠快速、大面積監(jiān)測(cè)土地覆被狀況以及變化情況,為環(huán)境保護(hù)、生態(tài)恢復(fù)提供有力的決策依據(jù)。本文采用3個(gè)時(shí)期的Landsat 8 OLI與TIRS影像數(shù)據(jù),將決策樹(shù)集成于基于對(duì)象影像分析中進(jìn)行土地覆被分類研究,主要結(jié)論有以下幾點(diǎn)(1)基于對(duì)象的影像分析方法能夠有效地進(jìn)行土地覆被分類。該方法通過(guò)多尺度分割產(chǎn)生的影像對(duì)象,包含影像的光譜特征、空間幾何特征、紋理特征以及植物的物候特征可以應(yīng)用于分類中,有助于提高影像分類的精度,細(xì)化土地覆被類型。并且,從影像分類的結(jié)果中也可以反映出,基于對(duì)象的影像分析方法能夠有效地消除基于像元影像分析中的“椒鹽現(xiàn)象”對(duì)制圖的影響。(2)基于對(duì)象的影像分析方法應(yīng)用到土地覆被分類中,能夠有效地展示土地覆被系統(tǒng)的層次性。在較大尺度參數(shù)分割產(chǎn)生的影像父對(duì)象層上可以進(jìn)行較高層次的土地覆被分類,在較小尺度參數(shù)分割產(chǎn)生的影像子對(duì)象層上可以進(jìn)行較低層次的土地覆被分類。(3)數(shù)據(jù)挖掘技術(shù)中的決策樹(shù)能夠建立基于對(duì)象的土地覆被決策樹(shù)模型。分類回歸樹(shù)(Classification And Regression Tree, CART)與J48決策樹(shù)分別挖掘研究區(qū)影像中土地覆被信息建立決策樹(shù)模型,CART決策樹(shù)比J48決策樹(shù)簡(jiǎn)單,且便于理解。在層次分類模型中,CART+CART組合模型的精度最高,比常用的最近鄰分類方法的總體精度提高了3.52%, Kappa系數(shù)提高了0.06。(4)從影像分類的結(jié)果中反映出,2014年中衛(wèi)綠洲地區(qū)耕地主要分布在中衛(wèi)平原地區(qū),其中水稻與玉米在該地區(qū)是主要的農(nóng)作物,作為新型農(nóng)業(yè)的日光溫室主要分布在黃河北面。林地主要分布在騰格里沙漠南部邊緣。園地主要分布于南山臺(tái)地�；哪鄥仓饕L(zhǎng)于綠洲周圍的山坡上。(5)在土地覆被分類中,應(yīng)用集成層次決策樹(shù)于基于對(duì)象的影像分析方法是一個(gè)有效的方法。該方法可以自動(dòng)地獲取基于對(duì)象的規(guī)則集,并能夠以決策樹(shù)的形式展現(xiàn)出來(lái),便于分析和理解。
【關(guān)鍵詞】：決策樹(shù) 基于對(duì)象的影像分析 土地覆被 分類回歸樹(shù) J48
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：P237;P901
【目錄】：

• 中文摘要3-5
• Abstract5-9
• 第一章 緒論9-17
• 1.1 選題背景與研究意義9-10
• 1.2 國(guó)內(nèi)外研究進(jìn)展10-13
• 1.2.1 基于對(duì)象的土地覆被分類研究10-11
• 1.2.2 基于決策樹(shù)的土地覆被分類研究11-13
• 1.3 研究?jī)?nèi)容13-14
• 1.4 技術(shù)路線14-15
• 1.5 論文特色15-16
• 1.6 論文結(jié)構(gòu)安排16-17
• 第二章 基本原理與方法17-33
• 2.1 基于對(duì)象的影像分析17-24
• 2.1.1 影像分割17-18
• 2.1.2 多尺度分割算法18-20
• 2.1.3 影像對(duì)象層次結(jié)構(gòu)20-21
• 2.1.4 影像對(duì)象的特征分析21-24
• 2.2 決策樹(shù)分類算法24-29
• 2.2.1 分類回歸樹(shù)算法25-27
• 2.2.2 J48決策樹(shù)算法27-29
• 2.3 層次分類模型29-30
• 2.4 精度評(píng)價(jià)30-33
• 第三章 研究區(qū)概況與數(shù)據(jù)準(zhǔn)備33-47
• 3.1 研究區(qū)概況33-40
• 3.1.1 地質(zhì)與地貌34
• 3.1.2 氣候與氣象34
• 3.1.3 水文與水資源34-35
• 3.1.4 壤與植被35
• 3.1.5 植物的物候特征35-40
• 3.1.6 社會(huì)經(jīng)濟(jì)40
• 3.2 數(shù)據(jù)源及預(yù)處理40-43
• 3.2.1 數(shù)據(jù)源40-41
• 3.2.2 預(yù)處理41-43
• 3.3 分類體系43-45
• 3.4 紋理特征提取45-47
• 第四章 基于決策樹(shù)土地覆被分類建模47-63
• 4.1 影像多尺度分割47-49
• 4.2 土地覆被決策樹(shù)模型的構(gòu)建49-56
• 4.2.1 建立訓(xùn)練樣本數(shù)據(jù)集49-50
• 4.2.2 決策樹(shù)模型的特征規(guī)范化表達(dá)50-51
• 4.2.3 基于對(duì)象的決策樹(shù)模型51-56
• 4.3 精度評(píng)價(jià)56-58
• 4.4 決策樹(shù)模型簡(jiǎn)易程度對(duì)比分析58-59
• 4.5 決策樹(shù)模型解譯59-63
• 第五章 結(jié)論與展望63-65
• 5.1 結(jié)論63-64
• 5.2 展望64-65
• 參考文獻(xiàn)65-71
• 在學(xué)期間的研究成果71-72
• 致謝72-73

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 孫秀邦;范偉;嚴(yán)平;黃勇;馬友華;;遙感影像土地覆被分類研究進(jìn)展[J];中國(guó)農(nóng)學(xué)通報(bào);2007年09期

2 宋富強(qiáng);康慕誼;鄭壯麗;王令超;王國(guó)強(qiáng);馮德顯;;陜北黃土高原地區(qū)土地利用/覆被分類及驗(yàn)證[J];農(nóng)業(yè)工程學(xué)報(bào);2011年03期

3 張景華;封志明;姜魯光;;土地利用/土地覆被分類系統(tǒng)研究進(jìn)展[J];資源科學(xué);2011年06期

4 劉偉;馮學(xué)智;肖鵬峰;徐海根;;基于MODIS數(shù)據(jù)的生物保護(hù)區(qū)域土地覆被分類[J];江西師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年02期

5 曹敏;史照良;沈泉飛;;ALOS影像在土地覆被分類中最佳波段選取的研究[J];測(cè)繪通報(bào);2008年09期

6 曹敏;卞正富;;ALOS影像提升小波融合的土地覆被分類研究[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2009年05期

7 王，

本文編號(hào)：283529