發(fā)布時間：2021-01-04 03:45

　　采用面向地理對象的影像分析法,從祁連山區(qū)選擇其中一幅典型區(qū)域采集訓練樣本,分別采用支持向量機、隨機森林和深度神經網(wǎng)絡法3種機器學習方法進行訓練,在此基礎之上從毗鄰區(qū)域多時相Landsat 8 OLI影像中提取出整個祁連山區(qū)青海云杉林的空間信息,并從精度評價和鄰接區(qū)域邊界一致性等方面對支持向量機、隨機森林和深度神經網(wǎng)絡法3種分類器的泛化能力進行了比較.結果表明,深度神經網(wǎng)絡法的信息提取精度最高,泛化能力最好,對50幅影像的平均總體精度達到96.63%, kappa系數(shù)為0.78. 

【文章來源】：蘭州大學學報(自然科學版). 2020年03期 北大核心

【文章頁數(shù)】：8 頁

【文章目錄】：
1 研究區(qū)與數(shù)據(jù)
2 方法
    2.1 影像分幅
    2.2 分割
    2.3 樣本選擇及特征優(yōu)化
    2.4 機器學習算法
3 結果與分析
    3.1 典型影像幅分類對比
    3.2 分類器泛化能力比較
4 結論


【參考文獻】：
期刊論文
[1]青海云杉種群空間分布特征及不同林齡相互關系[J]. 葛紅元,王紅義,韋煒,趙傳燕.  蘭州大學學報(自然科學版). 2018(04)
[2]祁連山土地利用情景下生態(tài)系統(tǒng)水源供給特征[J]. 趙宇豪,黨虹,葉苗,張玉鳳,蔣暉,趙傳燕,王超.  蘭州大學學報(自然科學版). 2018(02)
[3]遙感土地覆被分類的空間尺度響應研究[J]. 徐凱健,田慶久,楊閆君,徐念旭.  地球信息科學學報. 2018(02)
[4]基于深度學習AlexNet的遙感影像地表覆蓋分類評價研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學學報. 2017(11)
[5]基于深度學習的遙感數(shù)據(jù)降維分類方法研究[J]. 方宇.  電子技術與軟件工程. 2017(13)
[6]機器學習法在面向對象影像分類中的對比分析[J]. 趙丹平,顧海燕,賈瑩.  測繪科學. 2016(10)
[7]利用多光譜衛(wèi)星遙感和深度學習方法進行青藏高原積雪判識[J]. 闞希,張永宏,曹庭,王劍庚,田偉.  測繪學報. 2016(10)
[8]西北旱區(qū)遙感影像分類的支持向量機法[J]. 張靜,張翔,田龍,張青峰.  測繪科學. 2017(01)
[9]高光譜遙感影像分類研究進展[J]. 杜培軍,夏俊士,薛朝輝,譚琨,蘇紅軍,鮑蕊.  遙感學報. 2016(02)
[10]基于ReliefF和PSO混合特征選擇的面向對象土地利用分類[J]. 肖艷,姜琦剛,王斌,李遠華,劉舒,崔璨.  農業(yè)工程學報. 2016(04)

博士論文
[1]基于GF-1/WFV和面向對象的農作物種植結構提取方法研究[D]. 宋茜.中國農業(yè)科學院 2016
[2]高維數(shù)據(jù)的特征選擇與特征提取研究[D]. 蔣勝利.西安電子科技大學 2011
[3]基于特征選擇技術的集成學習方法及其應用研究[D]. 劉天羽.上海大學 2007

碩士論文
[1]訓練數(shù)據(jù)分類結果的不可指定性與模糊決策樹泛化能力關系的研究[D]. 高相輝.河北大學 2007



本文編號：2956085