隨著遙感技術(shù)的快速發(fā)展,遙感探測(cè)頻譜范圍不斷拓寬、分辨率不斷提高,可利用的數(shù)據(jù)源也不斷增多。由于不同巖性單元在不同類(lèi)型的數(shù)據(jù)源上具有不同的顯示特征,如何綜合多源遙感數(shù)據(jù)各自的優(yōu)勢(shì),結(jié)合人工智能領(lǐng)域算法和模型,將其應(yīng)用于遙感巖性制圖是一項(xiàng)重大的課題,至今仍然存在較多方面值得探索和研究。結(jié)合遙感和GIS技術(shù),選取3種各具優(yōu)勢(shì)的多源遙感數(shù)據(jù)—GF-1衛(wèi)星數(shù)據(jù)、Landsat-8 OLI衛(wèi)星數(shù)據(jù)和Sentinel-1A雷達(dá)數(shù)據(jù),在完成影像預(yù)處理、干擾信息弱化、多源數(shù)據(jù)協(xié)同的基礎(chǔ)上,構(gòu)建局部Lanczos雙對(duì)角化極限學(xué)習(xí)機(jī)模型和支持向量機(jī)模型分別對(duì)貴州德江地區(qū)進(jìn)行巖性分類(lèi)研究。本次研究對(duì)其它多源遙感數(shù)據(jù)協(xié)同處理提供一定的技術(shù)參考,也為其它人工智能算法引入遙感圖像分類(lèi)領(lǐng)域具有一定借鑒作用。取得的主要研究成果如下:(1)采用“抑制-掩膜-強(qiáng)迫不變-直方圖均衡化”植被信息抑制方法,對(duì)貴州德江地區(qū)Landsat-8 OLI數(shù)據(jù)處理試驗(yàn)得出該方法能顯著抑制原始影像中的植被信息。證明該方法是一種不需要先驗(yàn)知識(shí)和野外實(shí)地光譜數(shù)據(jù),適用于地形復(fù)雜、陰影較多、植被覆蓋中等地區(qū)的通用光學(xué)遙感圖像植被信息抑制方法。(...

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 選題背景及意義
        1.1.1 選題背景與項(xiàng)目依托
        1.1.2 研究目的與意義
    1.2 研究現(xiàn)狀及問(wèn)題
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
        1.2.3 現(xiàn)有研究問(wèn)題
    1.3 研究?jī)?nèi)容與技術(shù)方法
        1.3.1 研究?jī)?nèi)容
        1.3.2 技術(shù)路線
    1.4 論文結(jié)構(gòu)安排
第2章 研究區(qū)概況及數(shù)據(jù)來(lái)源
    2.1 研究區(qū)概況
        2.1.1 自然地理概況
        2.1.2 區(qū)域地質(zhì)概況
    2.2 數(shù)據(jù)來(lái)源
        2.2.1 光學(xué)數(shù)據(jù)
        2.2.2 Sentinel-1A數(shù)據(jù)
第3章 改進(jìn)式機(jī)器學(xué)習(xí)算法原理
    3.1 極限學(xué)習(xí)機(jī)
        3.1.1 ELM的結(jié)構(gòu)和原理
        3.1.2 ELM的創(chuàng)新點(diǎn)
    3.2 局部Lanczos雙對(duì)角化的極限學(xué)習(xí)機(jī)
        3.2.1 局部LBD方法
        3.2.2 基于局部LBD最小二乘近似解
        3.2.3 基于局部LBD-ELM的學(xué)習(xí)算法
    3.3 本章小結(jié)
第4章 多源數(shù)據(jù)巖性分類(lèi)研究
    4.1 光學(xué)數(shù)據(jù)處理
        4.1.1 輻射定標(biāo)
        4.1.2 大氣校正
        4.1.3 正射校正
        4.1.4 后續(xù)處理
    4.2 Sentinel-1A數(shù)據(jù)處理
        4.2.1 應(yīng)用軌道數(shù)據(jù)
        4.2.2 噪聲濾波
        4.2.3 輻射定標(biāo)
        4.2.4 地形校正和地理編碼
        4.2.5 后續(xù)處理
    4.3 特征參數(shù)提取
        4.3.1 光譜特征提取
        4.3.2 紋理特征提取
        4.3.3 地形特征提取
    4.4 基于局部LBD-ELM算法巖性分類(lèi)
        4.4.1 植被抑制
        4.4.2 影像協(xié)同
        4.4.3 樣本選取
        4.4.4 格式轉(zhuǎn)換
        4.4.5 歸一化處理
        4.4.6 LBD-ELM模型訓(xùn)練
    4.5 巖性分類(lèi)結(jié)果
    4.6 本章小結(jié)
第5章 經(jīng)典機(jī)器學(xué)習(xí)算法巖性分類(lèi)
    5.1 基于SVM算法分類(lèi)
        5.1.1 SVM算法原理
        5.1.2 SVM算法特點(diǎn)
    5.2 巖性分類(lèi)及結(jié)果評(píng)價(jià)
        5.2.1 SVM分類(lèi)器構(gòu)建
        5.2.2 分類(lèi)結(jié)果及評(píng)價(jià)
    5.3 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要結(jié)論
    6.2 研究展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間取得學(xué)術(shù)成果



本文編號(hào)：3835945