發(fā)布時間：2017-09-08 04:30

  本文關(guān)鍵詞：基于RapidEye影像的典型植被要素提取

  更多相關(guān)文章： RapidEye 植被分類 決策樹算法 特征選擇 紅邊

【摘要】：植被作為地理國情監(jiān)測中重要的監(jiān)測對象，對人類的生態(tài)環(huán)境質(zhì)量有著深遠的影響。自然界的植被類型復(fù)雜多樣，傳統(tǒng)的利用人工進行實地調(diào)查的方法要耗費大量人力和物力，近年來日益成熟的遙感技術(shù)為植被的分類和識別提供了一條新的途徑。遙感影像全面真實地記錄了地表植被與環(huán)境的信息，不同的植被類型由于其波譜特性不同，這使得對它們的區(qū)分成為可能。隨著遙感技術(shù)的提高，高分辨率影像使得影像的空間信息、地物幾何結(jié)構(gòu)和紋理信息更加明顯，使得植被類型判讀的精度大大提高。 本文針對RapidEye高分辨率遙感影像光譜、紋理、結(jié)構(gòu)等空間特征豐富的特點，以地物要素特征庫為基礎(chǔ)，結(jié)合不同時相不同傳感器的影像和不同的分類方法，對植被類型進行提取。本文具體做了以下工作： （1）本文通過改進AdaBoost算法與決策樹的結(jié)合方式以及最終的預(yù)測函數(shù)，，構(gòu)造了一種新的組合決策樹算法AdaTree.WL。通過與SVM算法的對比，客觀評價兩種分類算法的優(yōu)勢和不足。研究表明，改進的決策樹分類算法在總體分類精度上優(yōu)于SVM算法，但對單一地類，兩者各有優(yōu)劣：AdaTree.WL算法在提取多數(shù)植被類型時效果較好，而SVM在提取建設(shè)用地等地物類型時效果優(yōu)于AdaTree.WL算法。 （2）針對高分辨率影像分類可選特征繁多，存在冗余的問題，本文構(gòu)造了兩種特征選擇模型，首先使用決策樹分類器CART（分類與回歸樹）計算特征對分類的貢獻度，通過大量實驗，初步篩選出一組特征；然后，采用基于相關(guān)性的特征選擇模型，逐步剔除相關(guān)性大和干擾性大的冗余特征，并將篩選出的特征組用實例驗證分類效果。實驗表明，經(jīng)過優(yōu)化的特征組能大大提高植被類型的分類精度與速度。 （3）本文研究了RapidEye影像特有的紅邊波段與植被分類的關(guān)系，實驗表明紅邊波段的加入使GLC樹分類和SVM分類精度分別提高了2.45%和10.12%。除此，本文還提出基于多時相特征和紋理特征的兩種植被分類方法�；诙鄷r相特征的方法使GLC樹分類和SVM分類精度分別提高了7.47%和6.29%；結(jié)合紋理的分類方法使GLC樹分類和SVM分類精度分別提高了3.91%和2.56%。
【關(guān)鍵詞】：RapidEye 植被分類 決策樹算法 特征選擇 紅邊
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：Q948;P237
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-8
• 目錄8-10
• Contents10-12
• 圖清單12-14
• 表清單14-16
• 1 緒論16-24
• 1.1 研究背景與研究意義16-17
• 1.2 國內(nèi)外研究現(xiàn)狀17-21
• 1.3 研究內(nèi)容與技術(shù)路線21-24
• 2 RapidEye 高分影像預(yù)處理24-30
• 2.1 RapidEye 影像特性24-25
• 2.2 RapidEye 預(yù)處理模型25-27
• 2.3 RapidEye 彩色合成權(quán)重優(yōu)選模型27-29
• 2.4 本章小結(jié)29-30
• 3 面向?qū)ο蠓诸惙椒ㄅc關(guān)鍵技術(shù)30-43
• 3.1 影像分割30-36
• 3.2 基于 AdaBoost 算法的 GLC 決策樹分類器36-39
• 3.3 支持向量機分類法39-41
• 3.4 分類后精度評價41
• 3.5 本章小結(jié)41-43
• 4 特征分析與特征選擇43-63
• 4.1 高分影像分類常用特征分析43-47
• 4.2 針對 RapidEye 影像的特征選擇47-54
• 4.3 RapidEye 影像中紅邊波段對分類精度的影響分析54-59
• 4.4 基于多時相 RapidEye 影像的分類研究59-60
• 4.5 基于紋理特征的 RapidEye 影像分類研究60-61
• 4.6 本章小結(jié)61-63
• 5 基于特征選擇的 RapiEeye 影像分類應(yīng)用實例63-69
• 5.1 數(shù)據(jù)選擇與處理63-64
• 5.2 樣本選擇方案64-66
• 5.3 影像分割與特征提取66
• 5.4 分類結(jié)果與分析66-69
• 6 結(jié)論與展望69-71
• 6.1 結(jié)論69
• 6.2 展望69-71
• 參考文獻71-75
• 作者簡歷75-77
• 學(xué)位論文數(shù)據(jù)集77

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳露露;袁偉志;羅旭;馮仲科;李雪梅;;基于高分辨率衛(wèi)星影像綠色信息提取的最佳假彩色合成方法及評價研究[J];北京林業(yè)大學(xué)學(xué)報;2008年S1期

2 陳啟浩;高偉;劉修國;;輔以紋理特征的高分辨率遙感影像分類[J];測繪科學(xué);2008年01期

3 雷群英;;高分辨率衛(wèi)星影像掛圖制作技術(shù)探討[J];測繪技術(shù)裝備;2006年03期

4 杜培軍;林卉;孫敦新;;基于支持向量機的高光譜遙感分類進展[J];測繪通報;2006年12期

5 熊興華,錢曾波,王任享;遺傳算法與最小二乘法相結(jié)合的遙感圖像子像素匹配[J];測繪學(xué)報;2001年01期

6 尤淑撐;劉順喜;;一種顧及先驗知識與光譜信息的土地利用/覆被遙感分類方法[J];地理與地理信息科學(xué);2010年03期

7 張文安;SPAD-501型葉綠素儀在測定水稻葉綠素含量中的應(yīng)用[J];貴州農(nóng)業(yè)科學(xué);1991年04期

8 鄧媛媛;巫兆聰;易俐娜;胡忠文;龔正娟;;面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類[J];國土資源遙感;2010年04期

9 韋春桃;王寧;張利恒;原凱敏;鄒tD;;基于紋理特征的高分辨率遙感影像分類方法[J];桂林理工大學(xué)學(xué)報;2013年01期

10 朱程輝,陳昕,王金玲;基于RBF神經(jīng)網(wǎng)絡(luò)在圖像分割參數(shù)估計的應(yīng)用[J];計算機工程與應(yīng)用;2003年30期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 鞠昌華;利用地—空高光譜遙感監(jiān)測小麥氮素狀況與生長特征[D];南京農(nóng)業(yè)大學(xué);2008年

本文編號：811886