二十一世紀(jì)以來,人類對地球表面覆蓋進(jìn)行多尺度、全方位實時動態(tài)觀測的能力進(jìn)一步提升,遙感對地獲取影像能力日益精進(jìn),進(jìn)入了海量數(shù)據(jù)、多源遙感、多時相、全天候信息獲取和以快速即時自動化處理數(shù)據(jù)為突出特征的對地觀測新時代。地表水資源在地球環(huán)境演變,人類日常生產(chǎn)生活中扮演重要角色,如何有效利用豐富的遙感影像資料對地表水進(jìn)行提取分析一直是科研人員廣泛探討的問題。集成學(xué)習(xí)算法是通過構(gòu)建并結(jié)合多個相同種類或者不同種類的學(xué)習(xí)器進(jìn)行學(xué)習(xí),通過將構(gòu)建的多個學(xué)習(xí)器以不同的結(jié)合方法進(jìn)行組合,通常可以獲得比單一學(xué)習(xí)器學(xué)習(xí)效果更佳,泛化性能更優(yōu)越的學(xué)習(xí)器�，F(xiàn)實中往往可以輕易找到一種簡單低效的學(xué)習(xí)器,通過集成框架將簡單低效易實現(xiàn)的學(xué)習(xí)器構(gòu)建成學(xué)習(xí)能力強,穩(wěn)定性高,泛化能力強的強學(xué)習(xí)器具有很大的實用意義。本文利用決策樹算法和隨機森林（RF）、梯度提升樹（GBDT）以及AdaBoost三種集成學(xué)習(xí)算法對中國長江流域洞庭湖區(qū)域的GF-1兩米分辨率融合遙感影像、GF-2一米分辨率融合影像和GF-6兩米分辨率遙感影像進(jìn)行水體信息提取,在此基礎(chǔ)上,研究高分遙感影像水體提取過程中的最佳樣本采集比例和最優(yōu)特征組合,取得主要主要成果如... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線圖

第2章研究區(qū)與數(shù)據(jù)源10(a).1-GF-1(b).1-GF-2(c).1-GF-6(d).2-GF-1圖2.1各研究區(qū)遙感影像（假彩色影像）2.2數(shù)據(jù)介紹高分辨率系列遙感衛(wèi)星是我國高分辨率對地觀測系統(tǒng)重點項目之一。截至目前，我國已成功發(fā)射入軌多顆高分系列遙感衛(wèi)星，進(jìn)一步滿足各行業(yè)領(lǐng)域日益增長的對高分辨率影像的需求，為我國現(xiàn)代化農(nóng)業(yè)監(jiān)測、災(zāi)害預(yù)防工作、災(zāi)害救援工作、城市環(huán)境質(zhì)量監(jiān)測、城市景觀布局、脫貧攻艱等領(lǐng)域提供了長時序可靠性強穩(wěn)定性高的衛(wèi)星數(shù)據(jù)支持。本論文三四章節(jié)采用GF-1，GF-2和GF-6影像作為試驗數(shù)據(jù)。高分一號（GF-1）衛(wèi)星搭載了一臺2m分辨率全色相機和一臺8m分辨率多

第3章多源高分遙感影像地表水體提取集成方法研究12第3章多源高分遙感影像地表水體提取集成方法研究集成學(xué)習(xí)[55-56]是機器學(xué)習(xí)的研究熱點之一，也可被稱為“多分類器系統(tǒng)”和“基于委員會的學(xué)習(xí)”，它是一種博采眾長的學(xué)習(xí)方法，是通過構(gòu)建并結(jié)合多個相同種類或者不同種類的學(xué)習(xí)器進(jìn)行學(xué)習(xí)，通過將構(gòu)建的多個學(xué)習(xí)器以不同的結(jié)合方法進(jìn)行組合，通�？梢垣@得比單一學(xué)習(xí)器學(xué)習(xí)效果更佳，泛化性能更優(yōu)越的學(xué)習(xí)器。集成學(xué)習(xí)的理論基礎(chǔ)來源于Kearns和Valiant[57-58]提出的基于PAC（probablyapproximatelycorrect）的可學(xué)習(xí)性理論[59]。有研究報告指出，集成學(xué)習(xí)算法與更復(fù)雜的機器學(xué)習(xí)算法有相似的精度，如SVM[60-61]，另有其他研究表明，由于在分類中使用校準(zhǔn)數(shù)據(jù)和預(yù)測變量，集成學(xué)習(xí)算法，比如RF和Bagging，在計算性能上優(yōu)于非集成算法，比如支持向量機和神經(jīng)網(wǎng)絡(luò)[62]。由集成中所包含弱學(xué)習(xí)器的種類區(qū)分，集成學(xué)習(xí)包括“同質(zhì)”集成和“異質(zhì)”集成，“同質(zhì)”集成中的弱學(xué)習(xí)器的類型相同，例如隨機森林中的基礎(chǔ)弱學(xué)習(xí)器全部為決策樹，“異質(zhì)”集成中的弱學(xué)習(xí)器的類型不同，例如同時包括支持向量機和決策樹。隨機森林（RF）、Adaboost[63-64]和GBDT均屬于同質(zhì)集成學(xué)習(xí)法。集成算法中有兩個主要問題需要解決，一是如何改變數(shù)據(jù)的分布或權(quán)重以得到不同的基礎(chǔ)弱分類器，二是使用什么樣的策略將得到的基礎(chǔ)弱分類器結(jié)合到一起形成一個強分類器。集成原理如圖3.1所示。圖3.1集成分類器原理示意圖集成學(xué)習(xí)算法可歸為兩大類：1）Boosting系列算法，屬于串行集成方法，這種方法串行生成的基礎(chǔ)弱分類器模型（如AdaBoost）之間存在強依賴關(guān)系，通過

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)特征和支持向量機的遙感圖像分類[J]. 業(yè)巧林,許等平,張冬.  林業(yè)工程學(xué)報. 2019(02)
[2]決策樹結(jié)合混合像元分解的中國竹林遙感信息提取[J]. 崔璐,杜華強,周國模,李雪建,毛方杰,徐小軍,范渭亮,李陽光,朱迪恩,劉騰艷,邢璐琪.  遙感學(xué)報. 2019(01)
[3]集成學(xué)習(xí)方法研究[J]. 周鋼,郭福亮.  計算技術(shù)與自動化. 2018(04)
[4]對地觀測大數(shù)據(jù)開放共享:挑戰(zhàn)與思考[J]. 何國金,王桂周,龍騰飛,彭燕,江威,尹然宇,焦偉利,張兆明.  中國科學(xué)院院刊. 2018(08)
[5]矢量約束的面向?qū)ο蟾叻诌b感影像水體提取[J]. 崔齊,王杰,汪閩,張東,孫艷霞.  遙感信息. 2018(04)
[6]基于梯度提升決策樹的微博虛假消息檢測[J]. 段大高,蓋新新,韓忠明,劉冰心.  計算機應(yīng)用. 2018(02)
[7]高分辨率遙感影像的隨機森林變化檢測方法[J]. 馮文卿,眭海剛,涂繼輝,孫開敏,黃偉明.  測繪學(xué)報. 2017(11)
[8]基于GF-1衛(wèi)星影像的改進(jìn)SWI水體提取方法[J]. 王瑾杰,丁建麗,張成,陳文倩.  國土資源遙感. 2017(01)
[9]結(jié)合馬氏距離的區(qū)域化模糊聚類遙感圖像分割[J]. 趙泉華,李曉麗,趙雪梅,李玉.  中國礦業(yè)大學(xué)學(xué)報. 2017(01)
[10]遙感與中國可持續(xù)發(fā)展:機遇和挑戰(zhàn)[J]. 徐冠華,柳欽火,陳良富,劉良云.  遙感學(xué)報. 2016(05)

博士論文
[1]中分辨率遙感數(shù)據(jù)面向?qū)ο蠓诸惖挠绊懸匮芯縖D]. 尚明.中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所) 2018
[2]隨機森林及其在遙感影像處理中應(yīng)用研究[D]. 雷震.上海交通大學(xué) 2012
[3]高維數(shù)據(jù)的特征選擇與特征提取研究[D]. 蔣勝利.西安電子科技大學(xué) 2011
[4]樸素貝葉斯分類器及其改進(jìn)算法研究[D]. 蔣良孝.中國地質(zhì)大學(xué) 2009

碩士論文
[1]基于Landsat TM/OLI影像的南昌城區(qū)湖泊面積提取與動態(tài)變化研究[D]. 聶欣然.東華理工大學(xué) 2018
[2]基于Boosting的集成樹算法研究與分析[D]. 連克強.中國地質(zhì)大學(xué)(北京) 2018
[3]基于多特征的SVM高分辨率遙感影像分類研究[D]. 樊彥麗.中國地質(zhì)大學(xué)(北京) 2018
[4]基于CART決策樹方法的各拉丹冬地區(qū)冰川變化研究[D]. 蒙張.武漢大學(xué) 2018
[5]基于集成學(xué)習(xí)的目標(biāo)跟蹤算法研究[D]. 曾禮靈.江南大學(xué) 2018
[6]基于屬性選擇加權(quán)的樸素貝葉斯算法的改進(jìn)與應(yīng)用[D]. 白贊.西安理工大學(xué) 2017
[7]基于主動學(xué)習(xí)的遙感圖像地物分類[D]. 曾杰.西安電子科技大學(xué) 2017
[8]基于高分辨率遙感影像的水體信息提取方法研究[D]. 于曉寧.吉林大學(xué) 2016
[9]Boosting分類算法的應(yīng)用與研究[D]. 李想.蘭州交通大學(xué) 2012
[10]基于主成分分析的去除乘性噪聲算法研究[D]. 姚莉麗.西安電子科技大學(xué) 2011



本文編號：2942770