隨著計算機(jī)硬件以及遙感科學(xué)技術(shù)的發(fā)展,遙感影像的空間分辨率和時間分辨率逐漸提高。高分辨率遙感影像因蘊(yùn)含復(fù)雜的地物及空間信息被廣泛應(yīng)用于土地資源規(guī)劃及生態(tài)環(huán)境保護(hù)等領(lǐng)域。但其紋理及空間信息含量豐富且細(xì)節(jié)復(fù)雜給遙感影像的處理及分析造成了更復(fù)雜的難題。同時,目前遙感分類領(lǐng)域中高質(zhì)量訓(xùn)練樣本數(shù)據(jù)較少且難以獲得。因此,如何利用已有經(jīng)驗(yàn)數(shù)據(jù)、探索新型分類器,從而提高對高分辨率遙感影像的分類精度,是滿足目前土地利用及城市規(guī)劃迫切需求的必然要求。本文主要研究內(nèi)容及結(jié)論如下:(1)結(jié)合2016年合肥市包河區(qū)的高分辨率遙感影像,采用近幾年流行的多分類器集成方案,如Bagging、AdaBoost和Random Forest等方法對高分辨率遙感影像進(jìn)行基于像元的監(jiān)督分類,并與傳統(tǒng)單一分類器,如支持向量機(jī)(SVM)、決策樹(Decision Tree)等方法進(jìn)行對比,評估各種分類方法的效果以及結(jié)果準(zhǔn)確性。證明了多分類器集成方案在高分辨率遙感影像的地物分類效果確實(shí)要優(yōu)于單一分類器。(2)以多分類器集成法的像元地物分類結(jié)果作為數(shù)據(jù)基礎(chǔ),通過采用傳統(tǒng)的提取景觀格局指數(shù)的方式,對2011年和2016年2期合肥市包河區(qū)遙感影像分類結(jié)果進(jìn)行景觀格局變化研究,并分析其驅(qū)動力因素。(3)結(jié)合2016年合肥市包河區(qū)高分辨率遙感影像數(shù)據(jù)集進(jìn)行基于卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)的場景分類實(shí)驗(yàn)。通過利用預(yù)訓(xùn)練的Inception-v3模型進(jìn)行ImageNet圖像標(biāo)注數(shù)據(jù)集在研究區(qū)場景的遷移,驗(yàn)證了基于該方法在高分遙感影像數(shù)據(jù)集上的巨大優(yōu)勢。(4)將場景分類結(jié)果與像元分類結(jié)果做類比,對場景分類結(jié)果在景觀格局分析中的應(yīng)用進(jìn)行討論。
【學(xué)位單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：P237
【部分圖文】：

9圖 1.1 技術(shù)路線圖Fig 1.1 The flow chart1.5 論文結(jié)構(gòu)本文論文結(jié)構(gòu)安排如下：第一章為緒論，對課題研究的背景、意義和研究現(xiàn)狀作了相關(guān)說明，并簡要地介紹了下高分辨率遙感影像的分類方法，為后續(xù)集成學(xué)習(xí)、遷移學(xué)習(xí)以及景觀格局分析的實(shí)驗(yàn)提供了背景知識。

2.1.1 自然地理概況合肥市是安徽省省會城市，其地理位置優(yōu)越，處中緯度地帶北緯 N31°51′，東經(jīng) E117°16′，位于長江、淮河之間，以平原丘陵為主。合肥市早在 1992 年被評為首批國家級園林城市，其環(huán)境優(yōu)雅，四季分明，城市規(guī)劃較為合理，南淝河及護(hù)城河繞合肥市區(qū)中心，道路十分開闊。合肥市現(xiàn)轄市轄區(qū)有 4 個，包括包河區(qū)、瑤海區(qū)、廬陽區(qū)、蜀山區(qū)。除此之外還下轄 4 個縣和 1 個代管縣級市。合肥市區(qū)目前常住人口為 355 萬，全市行政轄區(qū)總面積為 11445.06 平方公里，其中市區(qū)建成區(qū)面積為 403 平方公里，巢湖水面面積 770 平方公里。本文研究區(qū)域?yàn)楹戏适邪訁^(qū)，如圖 2.1 所示。包河區(qū)，為中國安徽省合肥市下轄的一個城區(qū)，位于合肥市東南部，因合肥舊城東南的包河得名。其濱臨且位居巢湖西北，處長江與淮河之間，地理位置十分優(yōu)越。包河區(qū)北面毗鄰廬陽區(qū)、瑤海區(qū)，西依靠蜀山區(qū)，東鄰肥東縣，南鄰巢湖�？偯娣e 340 平方公里(其中巢湖水面面積 70 平方公里)，常駐人口 81 萬（2010 年）。

第二章 研究區(qū)概況及數(shù)據(jù)資料根據(jù)《土地利用現(xiàn)狀分類（GB／T21010-2007）》，綜合影像與實(shí)驗(yàn)地區(qū)的地理情況，并結(jié)合合肥市包河區(qū)土地資源的利用情況和特征以及遙感影像的特點(diǎn)，將合肥市包河區(qū)劃分為綠地（Greenbelt）、裸地（Wasteland）、建筑用地（Buildings）、水域（Water）、耕地（Farmland）5 種地物類型。訓(xùn)練樣本類別間距盡可能大，樣本質(zhì)量盡可能高，即遵循“好而不同”的采樣原則。本文在多分類器集成實(shí)驗(yàn)中采用 ENVI5.0 作為影像預(yù)處理平臺，并在遙感影像中圈劃特征區(qū)域的像元訓(xùn)練樣本。其中，每一類別訓(xùn)練樣本個數(shù)分別為 15000。訓(xùn)練樣本與測試樣本容量配比大約為 1:50。在遷移學(xué)習(xí)的實(shí)驗(yàn)中，依舊選取該五類場景的瓦片訓(xùn)練樣本，每類地物選取 100 張圖片，場景樣本集圖片大小為256*256，如圖 2.3 示：
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳田軍;駱劍承;夏列鋼;楊海平;沈占鋒;胡曉東;;遷移學(xué)習(xí)支持下的遙感影像對象級分類樣本自動選擇方法[J];測繪學(xué)報;2014年09期

2 劉培;杜培軍;譚琨;;一種基于集成學(xué)習(xí)和特征融合的遙感影像分類新方法[J];紅外與毫米波學(xué)報;2014年03期

3 么欣欣;韓春蘭;劉洪彬;錢鳳魁;;基于RS與GIS的沈陽市土地利用及景觀格局變化[J];水土保持研究;2014年02期

4 陳善靜;胡以華;石亮;王磊;孫杜娟;徐世龍;;空-譜二維蟻群組合優(yōu)化SVM的高光譜圖像分類[J];光譜學(xué)與光譜分析;2013年08期

5 徐嘉興;李鋼;陳國良;;基于logistic回歸模型的礦區(qū)土地利用演變驅(qū)動力分析[J];農(nóng)業(yè)工程學(xué)報;2012年20期

6 段翰晨;王濤;薛嫻;郭堅;文星;;科爾沁沙地沙漠化時空演變及其景觀格局——以內(nèi)蒙古自治區(qū)奈曼旗為例[J];地理學(xué)報;2012年07期

7 單丹丹;杜培軍;夏俊士;;基于多分類器集成的“北京一號”小衛(wèi)星遙感影像分類研究[J];遙感信息;2011年02期

8 李衛(wèi)鋒,王仰麟,彭建,李貴才;深圳市景觀格局演變及其驅(qū)動因素分析[J];應(yīng)用生態(tài)學(xué)報;2004年08期

9 唐春生,金以慧;基于全信息矩陣的多分類器集成方法[J];軟件學(xué)報;2003年06期

10 宋冬梅,肖篤寧,張志城,曹宇,馬明國,王建華,王建;甘肅民勤綠洲的景觀格局變化及驅(qū)動力分析[J];應(yīng)用生態(tài)學(xué)報;2003年04期

相關(guān)博士學(xué)位論文 前2條

1 張艷;基于柔性陣列 傳感器的足跡特征分析與應(yīng)用研究[D];安徽大學(xué);2015年

2 夏俊士;基于集成學(xué)習(xí)的高光譜遙感影像分類[D];中國礦業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 姜含露;基于卷積神經(jīng)網(wǎng)的高光譜數(shù)據(jù)特征提取及分類技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

2 王爽;深度學(xué)習(xí)在圖像分類中的應(yīng)用研究[D];山東師范大學(xué);2016年

3 鮑蕊;光譜和空間特征聯(lián)合的高光譜遙感影像多分類器集成方法[D];南京大學(xué);2016年

4 王超;基于激光掃描儀的ETC系統(tǒng)設(shè)計與實(shí)現(xiàn)[D];華南理工大學(xué);2016年

5 柏龍;湖北宜昌景觀格局與松材線蟲病流行之間的關(guān)系研究[D];北京林業(yè)大學(xué);2015年

6 李聰慧;北京野鴨湖不同人為干擾區(qū)生態(tài)質(zhì)量遙感分析[D];北京林業(yè)大學(xué);2015年

7 董曉曉;西部生態(tài)脆弱區(qū)土地生態(tài)狀況評價及預(yù)測[D];山東農(nóng)業(yè)大學(xué);2014年

8 朱春曉;基于3S技術(shù)的區(qū)域景觀格局變化及驅(qū)動力研究[D];華中師范大學(xué);2012年

9 王耀宗;陜北黃土高原退耕還林還草工程生態(tài)效益評價[D];西北農(nóng)林科技大學(xué);2010年

10 王黎;基于融合決策的多分類器系統(tǒng)研究[D];西安理工大學(xué);2008年

本文編號：2840616