發(fā)布時間：2022-12-05 19:56

　　針對高海拔復雜地形區(qū)地貌類型復雜、多樣,溝壑縱橫、地形破碎等特點,研究快速、有效的土地利用/土地覆被分類方法對土地利用/土地覆被信息獲取及更新是非常重要的。以位于黃土高原向青藏高原過渡帶的青海湟水流域為研究區(qū)域,基于Landsat 8 OLI影像數(shù)據(jù)、DEM數(shù)據(jù),并結合各種專題特征,在對研究區(qū)進行地理分區(qū)的基礎上,采用人工神經網(wǎng)絡、決策樹、支持向量機和隨機森林4種機器學習方法進行土地利用/土地覆被信息提取并進行精度評價,探索適合于復雜地形區(qū)最優(yōu)的分類方法。研究結果表明,隨機森林和決策樹的分類精度明顯高于支持向量機和人工神經網(wǎng)絡。其中,隨機森林分類方法的精度最高,研究區(qū)整體分類精度高達85.65%,Kappa系數(shù)高達0.84。在分類效率方面,隨機森林與決策樹分類器的運行速度高于支持向量機與人工神經網(wǎng)絡分類器。但決策樹分類方法在制定分類規(guī)則時耗時耗力,因此隨機森林方法更具優(yōu)勢。綜合分類精度和分類效率兩個方面,隨機森林方法更適合于復雜地形區(qū)的土地利用/土地覆被分類。此外,腦山區(qū)隨機森林方法的總體分類精度和Kappa系數(shù)分別為87.27%和0.84,淺山區(qū)隨機森林方法的總體分類精度和Kappa... 

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與選題意義
    1.2 國內外研究現(xiàn)狀及發(fā)展趨勢
    1.3 研究目標與研究內容
    1.4 論文技術路線
    1.5 研究特色、創(chuàng)新與難點
第二章 機器學習分類方法概述
    2.1 人工神經網(wǎng)絡方法
    2.2 決策樹方法
    2.3 支持向量機方法
    2.4 隨機森林方法
第三章 數(shù)據(jù)源與數(shù)據(jù)預處理
    3.1 研究區(qū)概況
        3.1.1 地理位置
        3.1.2 地貌
        3.1.3 氣候特征
        3.1.4 水系
        3.1.5 土壤與植被
        3.1.6 社會經濟特征
        3.1.7 土地利用/土地覆被類型空間分布
    3.2 數(shù)據(jù)源與數(shù)據(jù)預處理
        3.2.1 數(shù)據(jù)源
        3.2.2 數(shù)據(jù)預處理
        3.2.3 野外采樣數(shù)據(jù)
第四章 湟水流域土地利用/土地覆被分類
    4.1 分類系統(tǒng)
    4.2 地理分區(qū)
    4.3 樣本選擇
    4.4 特征參數(shù)選擇
        4.4.1 主要特征參數(shù)
        4.4.2 基于地理分區(qū)特點的特征參數(shù)選擇
    4.5 湟水流域遙感影像的機器學習方法分類
        4.5.1 人工神經網(wǎng)絡分類
        4.5.2 決策樹分類
        4.5.3 支持向量機分類
        4.5.4 隨機森林分類
        4.5.5 融合后影像分類
        4.5.6 分類方法對比
第五章 精度評價
    5.1 腦山區(qū)精度評價與分析
    5.2 淺山區(qū)精度評價與分析
    5.3 川水區(qū)精度評價與分析
    5.4 研究區(qū)總體精度評價與分析
第六章 結論與展望
    6.1 主要結論
    6.2 討論與展望
參考文獻
致謝
個人簡歷


【參考文獻】：
期刊論文
[1]基于SVM的東莞市土地利用/覆被自動分類誤差來源與后處理[J]. 陳洋波,張濤,竇鵬,董禮明,陳華.  遙感技術與應用. 2017(05)
[2]結合隨機森林的高分一號分類最優(yōu)組合研究[J]. 杜政,方耀.  地理空間信息. 2017(02)
[3]基于環(huán)境衛(wèi)星數(shù)據(jù)的沿海灘涂地物類型分類的隨機森林方法[J]. 王艷楠,王健健,龔健新,袁帥,劉輝,羅文.  遙感技術與應用. 2016(06)
[4]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)
[5]機器學習及其算法和發(fā)展研究[J]. 張潤,王永濱.  中國傳媒大學學報(自然科學版). 2016(02)
[6]基于遙感光譜和空間變量隨機森林的黃河三角洲刺槐林健康等級分類[J]. 趙玉,王紅,張珍珍.  遙感技術與應用. 2016(02)
[7]遙感影像提取土地覆蓋信息的決策樹優(yōu)化方法[J]. 陳丹,武淑琴.  測繪科學. 2016(09)
[8]基于隨機森林算法的農耕區(qū)土地利用分類研究[J]. 馬玥,姜琦剛,孟治國,李遠華,王棟,劉驊欣.  農業(yè)機械學報. 2016(01)
[9]北京地區(qū)植被蓋度提取及其分布變化研究[J]. 史世蓮,章文波,王國燕.  遙感技術與應用. 2014(05)
[10]基于隨機森林的大姚縣TM遙感影像分類研究[J]. 王棟,岳彩榮,田傳召,范懷剛,王躍輝.  林業(yè)調查規(guī)劃. 2014(02)

博士論文
[1]基于機器學習的高維多光譜數(shù)據(jù)分類[D]. 夏建濤.西北工業(yè)大學 2002

碩士論文
[1]利用CART算法從LandSat8衛(wèi)星影像提取居民地的研究[D]. 劉欣.蘭州大學 2015
[2]面向對象的復雜地形區(qū)土地利用信息提取研究[D]. 賈偉.青海師范大學 2015
[3]基于Hadoop平臺的隨機森林算法研究及圖像分類系統(tǒng)實現(xiàn)[D]. 梁世磊.廈門大學 2014
[4]隨機森林及其在遙感圖像分類中的應用[D]. 姚明煌.華僑大學 2014
[5]復雜地形區(qū)土地利用/土地覆被分類研究[D]. 李金山.青海師范大學 2013
[6]基于機器學習的多光譜遙感影像分類及城市擴展研究[D]. 秦高峰.重慶大學 2012
[7]支持向量機遙感圖像分類的研究[D]. 梁懷翔.長安大學 2011
[8]湟水流域土地利用/覆被變化下的水文響應研究[D]. 亢健.青海師范大學 2010
[9]決策樹與SVM相結合的影像分類方法研究[D]. 李琳.中國地質大學（北京） 2009
[10]基于ETM數(shù)據(jù)的額濟納綠洲景觀分類方法的研究[D]. 金宇.內蒙古農業(yè)大學 2009



本文編號：3710255