隨著科技的進步及大數(shù)據(jù)時代的到來,人們能夠獲取高分遙感影像的方式越來越多,例如:Google Earth、DigitalGlobe、USGS、地理空間數(shù)據(jù)云等。建筑物作為城市、鄉(xiāng)鎮(zhèn)遙感影像中的重要地物,在測繪、城市規(guī)劃等領域起著十分重要的作用。目前,基于遙感影像的建筑物提取主要有兩種方式:人工手動提取及算法提取。在鄉(xiāng)村規(guī)劃及空間演變研究中,建筑物的年代信息對于村落的發(fā)展演變有著重要的參考意義。本文在導師蘇南項目的支持下,對蘇南地區(qū)的三個自然村進行了實地調(diào)研及建筑物拍攝,隨后又通過Google Earth下載了調(diào)研區(qū)域的0.61m遙感影像50幅。近年來,隨著人工智能技術的迅速發(fā)展,其在GIS領域中的應用研究越來越多。本文使用了人工智能中的深度學習技術對遙感影像中的建筑物進行了自動提取實驗,并基于采集的建筑物照片數(shù)據(jù)實現(xiàn)了建筑物年代的自動識別分類,具體內(nèi)容如下:（1）基于U-Net神經(jīng)網(wǎng)絡,在分割結果和損失函數(shù)上對其進行改進,通過使用35張空間分辨率為0.61m的遙感影像進行訓練、15張作為測試,訓練得出建筑物分割模型。經(jīng)指標評估和分割結果對比分析得出:該模型的分割結果相似度為79.33%... 

【文章來源】：中國礦業(yè)大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

蘇南地區(qū)區(qū)位示意圖

經(jīng)濟概況015 年末，蘇南地區(qū)常住人口 3324.08 萬人，人口密度平均水平的 8.3 倍，也是中國人口密度最高的地區(qū)[82達的區(qū)域，也是中國經(jīng)濟最發(fā)達的地區(qū)之一，2015 0 億元，人均地區(qū)生產(chǎn)總值 125002 元，城鎮(zhèn)常住居民農(nóng)村常住居民人均可支配收入 22760 元，城鎮(zhèn)化率 7積 42.5 ㎡，農(nóng)村人均住房建筑面積 59.9 ㎡[82]。村落介紹國家自然基金項目（項目編號：51678127）資助，課題區(qū) 3 個村落進行了走訪調(diào)研，通過在線資料收集、遙等方式對蘇南鄉(xiāng)村現(xiàn)狀有了一定的認識。由于該項目組合作的，本課題組負責了宜興市的西渚鎮(zhèn)白塔村、湖 3 個村落的調(diào)研。

圖 2-3 白塔村村域范圍圖Figure 2-3 Range map of Baita圖 2-4 白塔村村景Figure 2-4 View of Baita（2）湖滏鎮(zhèn)洑西村湖滏鎮(zhèn)洑西村由城澤、龍山、廟干、油車、九龍五個村合并而成。地理位位于陽羨生態(tài)旅游區(qū)的西南面，靠近竹海風景區(qū)，與東興村、浙江長興縣、鎮(zhèn)相鄰。2016 年末，村域面積 22.13 平方公里，全村 36 個村民小組，1560 戶口 4045 人，耕地面積 4199 畝，村級可支配收入 337 萬元，農(nóng)民人均純收

【參考文獻】：
期刊論文
[1]基于全卷積神經(jīng)網(wǎng)絡的建筑物屋頂自動提取[J]. 劉文濤,李世華,覃馭楚.  地球信息科學學報. 2018(11)
[2]基于卷積網(wǎng)絡的遙感圖像建筑物提取技術研究[J]. 付發(fā),未建英,張麗娜.  軟件工程. 2018(06)
[3]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)
[4]城郊高分影像中利用陰影的建筑物自動提取[J]. 高賢君,鄭學冬,沈大江,楊元維,張佳華.  武漢大學學報(信息科學版). 2017(10)
[5]顧及局部特性的CNN在遙感影像分類的應用[J]. 楊嘉樹,梅天燦,仲思東.  計算機工程與應用. 2018(07)
[6]基于支持向量機的遙感圖像建筑物識別與分類方法研究[J]. 張浩,趙云勝,陳冠宇,張春苑.  地質(zhì)科技情報. 2016(06)
[7]高分辨率光學遙感圖像建筑物提取研究進展[J]. 王俊,秦其明,葉昕,王建華,秦雪彬,楊繡丞.  遙感技術與應用. 2016(04)
[8]基于深度學習的高分辨率遙感影像分類研究[J]. 劉大偉,韓玲,韓曉勇.  光學學報. 2016(04)
[9]基于隨機森林的WorldVew2i影像建筑物精細提取[J]. 范馳,江洪.  地理空間信息. 2016(01)
[10]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)

碩士論文
[1]基于多特征深度學習的建筑物識別方法[D]. 付昊天.北方工業(yè)大學 2018
[2]基于高分辨率可見光遙感圖像的建筑物提取技術研究[D]. 左童春.中國科學技術大學 2017
[3]基于ArcGIS Engine的陜西省土系信息查詢系統(tǒng)構建[D]. 陳洋.西北農(nóng)林科技大學 2017
[4]基于ArcGIS Engine的海洋生態(tài)環(huán)境監(jiān)測技術研究與應用[D]. 胡莉燁.浙江海洋大學 2017
[5]基于ArcGIS Engine城市地下管線三維展示系統(tǒng)的研究與實現(xiàn)[D]. 王秀超.昆明理工大學 2017
[6]基于卷積神經(jīng)網(wǎng)絡的車臉識別研究[D]. 姚欽文.浙江大學 2016
[7]新農(nóng)村住宅的空間形態(tài)特征分析[D]. 鄭穎霞.山西大學 2013
[8]城市化進程下的農(nóng)宅特征與建造體系演變初探[D]. 楊宇環(huán).重慶大學 2012
[9]村鎮(zhèn)住宅體系化設計與建造技術初探[D]. 林永錦.同濟大學 2008
[10]變遷中的鄉(xiāng)村生活[D]. 盧健松.湖南大學 2002



本文編號：2977136