土地復(fù)墾與生態(tài)重建是統(tǒng)籌礦產(chǎn)資源開發(fā)、土地資源保護、推動生態(tài)文明建設(shè)的重要舉措,廣泛開展土地復(fù)墾與生態(tài)重建是貫徹落實中央關(guān)于生態(tài)文明建設(shè)的必然要求。面向生態(tài)文明建設(shè)頂層設(shè)計,面對國土資源數(shù)量、質(zhì)量、生態(tài)三位一體保護總體要求,用好遙感技術(shù)手段助力土地復(fù)墾“數(shù)量”清查(土地利用/覆被分類)、“質(zhì)量”監(jiān)測(土壤屬性反演)具有重要意義。然而,工礦復(fù)墾區(qū)內(nèi)地形起伏大,地物類型多且破碎、空間異質(zhì)性強,地物混合分布、布局分散,給基于遙感數(shù)據(jù)的分類策略選擇和土壤屬性反演等研究工作帶來一定技術(shù)困難。對此,本文開展了基于遙感數(shù)據(jù)的工礦復(fù)墾區(qū)分類與反演方法研究,基于GF-1和Landsat-8 OLI遙感影像,利用網(wǎng)格搜索(Grid Search,GS)隨機森林(Random Forest,RF)、支持向量機(Support Vector Machine,SVM)、人工神經(jīng)網(wǎng)(Artificial Neural Network,ANN)、面向?qū)ο蠓治?Object-based Image Analysis,OBIA)、多端元混合像元分解(Multiple Endmember Spectral Mixture...

【文章頁數(shù)】：136 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
        1.1.1 選題背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 礦區(qū)復(fù)墾與環(huán)境遙感監(jiān)測研究現(xiàn)狀
        1.2.2 機器學(xué)習(xí)遙感影像識別研究現(xiàn)狀
        1.2.3 基于遙感數(shù)據(jù)的目標(biāo)反演研究現(xiàn)狀
    1.3 研究內(nèi)容與技術(shù)框架
        1.3.1 研究內(nèi)容
        1.3.2 總體技術(shù)框架
    1.4 論文的組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 基于高分影像與GS-RF的土地利用分類
    2.1 引言
    2.2 理論研究與技術(shù)路線
        2.2.1 隨機森林分類方法概述
        2.2.2 網(wǎng)格搜索參數(shù)尋優(yōu)概述
        2.2.3 本章技術(shù)路線
    2.3 研究區(qū)域與數(shù)據(jù)
        2.3.1 研究區(qū)域概況
        2.3.2 數(shù)據(jù)選取及預(yù)處理
    2.4 特征變量
        2.4.1 BCI指數(shù)構(gòu)建
        2.4.2 特征變量計算選擇
    2.5 結(jié)果與精度
        2.5.1 網(wǎng)格搜索結(jié)果
        2.5.2 分類結(jié)果與精度
    2.6 特征變量重要性與降維
        2.6.1 重要性估計與降維
        2.6.2 不同方法分類結(jié)果比較
    2.7 本章小結(jié)
第三章 基于高分影像與OBIA的土地利用分類
    3.1 引言
    3.2 面向?qū)ο蠓治龇椒?br>        3.2.1 方法簡介
        3.2.2 方法優(yōu)勢
    3.3 影像分割
        3.3.1 影像分割方法概述
        3.3.2 多尺度分割
    3.4 數(shù)據(jù)處理與技術(shù)路線
        3.4.1 研究區(qū)與數(shù)據(jù)預(yù)處理
        3.4.2 技術(shù)路線
    3.5 結(jié)果與精度
        3.5.1 分割尺度參數(shù)尋優(yōu)
        3.5.2 多尺度分割結(jié)果
        3.5.3 不同方法分類結(jié)果比較
    3.6 本章小結(jié)
第四章 基于中分影像與MESMA的土地利用分類
    4.1 引言
    4.2 理論研究與技術(shù)路線
        4.2.1 混合像元分解
        4.2.2 線性光譜混合分解
        4.2.3 非線性光譜混合分解
        4.2.4 多端元混合像元分解
        4.2.5 端元獲取
        4.2.6 技術(shù)路線
    4.3 研究區(qū)域與數(shù)據(jù)
        4.3.1 研究區(qū)域概況
        4.3.2 數(shù)據(jù)選取及預(yù)處理
    4.4 混合像元分解與分類
        4.4.1 光譜庫建立和端元選取
        4.4.2 端元組合模型
        4.4.3 特征變量計算與選取
        4.4.4 分類方法
    4.5 結(jié)果與精度
        4.5.1 多端元混合像元分解結(jié)果
        4.5.2 分類結(jié)果與精度評價
        4.5.3 不同方法分類結(jié)果比較
        4.5.4 不同分辨率數(shù)據(jù)下分類結(jié)果比較
    4.6 特征變量貢獻度分析
        4.6.1 特征變量重要性分析
        4.6.2 組分數(shù)據(jù)與DEM數(shù)據(jù)對于分類結(jié)果的影響
    4.7 本章小結(jié)
第五章 基于高光譜數(shù)據(jù)的復(fù)墾區(qū)土壤重金屬反演
    5.1 引言
    5.2 理論研究與技術(shù)路線
        5.2.1 高光譜在土壤監(jiān)測中的研究應(yīng)用
        5.2.2 光譜預(yù)處理技術(shù)方法
        5.2.3 光譜建模技術(shù)方法
        5.2.4 技術(shù)路線
    5.3 研究區(qū)域與數(shù)據(jù)
        5.3.1 研究區(qū)域概況
        5.3.2 數(shù)據(jù)獲取與分析
    5.4 土壤樣本光譜特征分析
        5.4.1 土壤光譜波形分析
        5.4.2 土壤光譜相關(guān)性分析
    5.5 土壤重金屬元素高光譜反演建模
        5.5.1 線性模型
        5.5.2 非線性模型
        5.5.3 基于遺傳算法(GA)的預(yù)測模型優(yōu)化
    5.6 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 創(chuàng)新點
    6.3 展望
參考文獻
個人簡介
致謝



本文編號：3793131