本文關(guān)鍵詞：基于新型遙感數(shù)據(jù)的典型地質(zhì)環(huán)境信息智能識(shí)別　出處：《中國(guó)地質(zhì)大學(xué)》2016年博士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 地質(zhì)環(huán)境信息 遙感 機(jī)器學(xué)習(xí)算法 滑坡 露天采礦 農(nóng)業(yè)開發(fā)景觀 干旱區(qū) 特征降維 激光雷達(dá) 資源三號(hào)衛(wèi)星 RapidEye衛(wèi)星

【摘要】：地質(zhì)環(huán)境問題種類繁多,發(fā)生頻率高,影響范圍廣,不利于人類生存和可持續(xù)發(fā)展。因此,識(shí)別地質(zhì)環(huán)境中的表層地質(zhì)環(huán)境信息對(duì)于地質(zhì)環(huán)境保護(hù)和生態(tài)文明建設(shè)具有重要意義。遙感技術(shù)在地表信息識(shí)別領(lǐng)域發(fā)揮著日益重要的作用。本文以遙感數(shù)據(jù)為主,開展典型地質(zhì)環(huán)境信息的智能識(shí)別研究,此處典型地質(zhì)環(huán)境信息特指下述3類地質(zhì)環(huán)境中的地表或淺地表信息：(1)地形切割強(qiáng)烈的高植被覆蓋的滑坡識(shí)別,(2)復(fù)雜的露天采礦和農(nóng)業(yè)開發(fā)混合景觀區(qū)土地覆蓋制圖,(3)內(nèi)陸干旱區(qū)依賴地下水的生態(tài)系統(tǒng)區(qū)土地覆蓋分類。然而,本文提及的3類地質(zhì)環(huán)境區(qū)地質(zhì)背景復(fù)雜,人類擾動(dòng)劇烈,導(dǎo)致基于傳統(tǒng)遙感數(shù)據(jù)如Landsat精確識(shí)別其地表信息具有很大的難度。近些年來(lái)出現(xiàn)了一些新型遙感數(shù)據(jù),如能夠提供高精度的裸地表地形參數(shù)的激光雷達(dá)數(shù)據(jù)(LiDAR),能同時(shí)提供高空間分辨率光學(xué)數(shù)據(jù)和地形數(shù)據(jù)的資源三號(hào)立體測(cè)繪衛(wèi)星數(shù)據(jù)(ZY-3),以及具備植被紅邊波段且能寬幅成像的RapidEye衛(wèi)星遙感數(shù)據(jù)。它們有望提升復(fù)雜地表信息識(shí)別能力。論文選擇三峽庫(kù)區(qū)、武漢市烏龍泉露天開采礦區(qū)和敦煌盆地西湖國(guó)家自然保護(hù)區(qū)為研究區(qū),在深入分析上述3類典型地質(zhì)環(huán)境遙感信息識(shí)別困難的基礎(chǔ)上,分別選用機(jī)載LiDAR,ZY-3衛(wèi)星數(shù)據(jù),以及RapidEye衛(wèi)星數(shù)據(jù),輔以野外調(diào)查分析,并構(gòu)建了一套有效的方法體系,開展了應(yīng)用研究：(1)基于選擇的遙感數(shù)據(jù)發(fā)展更多有效的特征參數(shù)；(2)利用特征降維方法獲取有效的特征子集,主要包含兩種wrapper特征選擇方法(即varSelRF和Boruta程序包)和三種特征提取方法(即主成分分析,PCA；獨(dú)立成分分析,ICA；最小噪聲分離變換,MNF)；(3)選用了三種機(jī)器學(xué)習(xí)算法(隨機(jī)森林,RF；支持向量機(jī),SVM；人工神經(jīng)網(wǎng)絡(luò),ANN)開展了地表信息智能分類；(4)分別使用基于像元和對(duì)象圖像分析方法的分類結(jié)果實(shí)現(xiàn)滑坡邊界半自動(dòng)識(shí)別。本文包含兩個(gè)關(guān)鍵的科學(xué)問題：(1)如何建立有效的典型地質(zhì)環(huán)境信息表征參數(shù),(2)如何基于高維特征集構(gòu)建有效的典型地質(zhì)環(huán)境信息識(shí)別特征參數(shù)子集。創(chuàng)新點(diǎn)如下：(1)基于高分辨率地形和光學(xué)數(shù)據(jù),構(gòu)建了一系列地形紋理、濾波特征模型和光譜濾波特征模型。這些模型能夠作為敏感特征向量及組合,提高地形切割強(qiáng)烈的基巖山區(qū)高植被覆蓋滑坡的分類精度,以及復(fù)雜的露天采礦和農(nóng)業(yè)開發(fā)混合景觀區(qū)土地覆蓋分類的精度。(2)提出了一種基于varSelRF和特征選中次數(shù)閾值的特征子集構(gòu)建方法,該方法利用多次特征選擇和特征選中次數(shù)閾值解決了特征子集隨訓(xùn)練數(shù)據(jù)不同而變化的問題,能夠提高地形切割強(qiáng)烈的基巖山區(qū)高植被覆蓋滑坡分類和復(fù)雜的露天采礦和農(nóng)業(yè)開發(fā)混合景觀區(qū)土地覆蓋分類的精度,同時(shí)降低數(shù)據(jù)維數(shù)提高計(jì)算效率。論文主要工作如下：1.地形切割強(qiáng)烈的基巖山區(qū)高植被覆蓋滑坡識(shí)別分別采用基于像元和對(duì)象的圖像分析方法,僅利用LiDAR衍生特征參數(shù),首次開展了地形切割強(qiáng)烈的基巖山區(qū)高植被覆蓋滑坡識(shí)別研究。得到了如下結(jié)論：(1)提出了一些新的像元特征,如基于坡向方向的坡向、數(shù)字地面模型(DTM)和坡度紋理,和新的對(duì)象特征如對(duì)象的最大值和最小值層特征,及基于地表粗糙度的濾波特征計(jì)算得到的對(duì)象特征等。結(jié)果表明這些特征參數(shù)能夠提高分類精度;(2)評(píng)價(jià)了特征選擇對(duì)分類精度的影響,對(duì)比了基于對(duì)象和像元的方法、兩種機(jī)器學(xué)習(xí)算法及它們對(duì)特征選擇的敏感性：(a)在基于像元和對(duì)象的研究中特征選擇方法均能提高分類精度同時(shí)降低特征參數(shù)的維數(shù);(b)相比于SVM,RF算法分類精度較高且對(duì)特征選擇具有較低的敏感性；(c)與基于像元的方法相比,基于對(duì)象的方法對(duì)特征選擇有較高的敏感性,能夠進(jìn)一步減少運(yùn)算時(shí)間,同時(shí)能得到更加完整的地形對(duì)象；(3)利用Canny邊緣檢測(cè)方法圈定的滑坡邊界盡管是斷斷續(xù)續(xù)的,但是其與參考的滑坡編目圖比較吻合；基于本文提出的新的半自動(dòng)的圈定方法得到的滑坡邊界與參考的滑坡編目圖基本一致,二者位置不匹配度為9%�？傊�,本文提出的方法體系能夠精確地識(shí)別地形切割強(qiáng)烈的高植被覆蓋區(qū)滑坡邊界。2.復(fù)雜的露天采礦和農(nóng)業(yè)開發(fā)混合景觀區(qū)土地覆蓋制圖首次開展了復(fù)雜的露天采礦和農(nóng)業(yè)開發(fā)混合景觀區(qū)土地覆蓋制圖研究,包含兩項(xiàng)工作：一是露天采礦和農(nóng)業(yè)開發(fā)混合景觀區(qū)(即整個(gè)研究區(qū))土地覆蓋制圖,二是露天采礦占地土地覆蓋分類。得到了如下結(jié)論：(1)特征參數(shù)的有效性：(a)紋理特征作用很小,而提出的特征參數(shù)如ZY-3光譜波段的均值和標(biāo)準(zhǔn)偏差濾波特征及使用的基于ZY-3立體相對(duì)提取的地形特征有助于提高分類精度；(b)所有特征參數(shù)中,DTM和歸一化植被指數(shù)(NDVI)具有較高的重要性；(2)評(píng)價(jià)了特征選擇對(duì)上述兩項(xiàng)工作的精度的影響,對(duì)比了三種機(jī)器學(xué)習(xí)算法對(duì)特征選擇的敏感性,檢查了特征選擇是否會(huì)產(chǎn)生顯著性的影響：(a)特征選擇大幅降低特征參數(shù)集的維數(shù)而且通常能夠提高總分類精度,(使用三種算法分類整個(gè)研究區(qū),精度平均提高了4.48%;分類露天采礦占地時(shí),基于RF和SVM算法,精度平均提高了11.39%)；(b)特征選擇能夠顯著性地提高分類精度,除了利用ANN算法開展研究區(qū)土地覆蓋制圖例外；(c)SVM對(duì)特征選擇最敏感,ANN次之,RF最不敏感；(d)易分的土地覆蓋類型(如采場(chǎng)和道路)對(duì)特征選擇具有較低的敏感性；(3)對(duì)比了三種機(jī)器學(xué)習(xí)算法及它們之間是否具有統(tǒng)計(jì)上顯著性的差異：(a)基于特征參數(shù)子集開展研究區(qū)土地覆蓋制圖研究時(shí),RF算法精度最高(總精度為77.57%),SVM次之,ANN最低；而對(duì)于露天采礦占地土地覆蓋分類,SVM算法精度最高(87.34%),RF次之,ANN最低；(b)基于特征參數(shù)子集開展上述兩項(xiàng)工作時(shí)三種機(jī)器學(xué)習(xí)算法中任意兩者之間均具有顯著性差異。總之,文中提出的方法體系能夠?qū)崿F(xiàn)復(fù)雜的露天采礦和農(nóng)業(yè)開發(fā)混合景觀區(qū)土地覆蓋制圖研究。3.內(nèi)陸干旱區(qū)依賴地下水的生態(tài)系統(tǒng)土地覆蓋分類本研究有以下三項(xiàng)內(nèi)容：一是基于RapidEye影像5個(gè)光譜波段和2個(gè)植被指數(shù)(即NDVI和其紅邊調(diào)整參數(shù)：NDVI_RE)利用RF算法開展土地覆蓋分類研究；二是利用包含和不包含紅邊波段和植被指數(shù)(NDVI和NDVI_RE1)的特征參數(shù)集,評(píng)價(jià)了紅邊波段和植被指數(shù)對(duì)土地覆蓋分類精度的影響；三是評(píng)價(jià)特征選擇、特征提取方法和集成的方法能否提高分類精度。得到了如下結(jié)論：(1)基于RapidEye影像和RF算法得到了高精度的土地覆蓋分類結(jié)果,總精度為89.67%；(2)紅邊波段和植被指數(shù)的影響：(a)紅邊波段僅能略微提高分類精度；(b)植被指數(shù)對(duì)土地覆蓋分類精度提高具有顯著性的促進(jìn)作用；(c)同時(shí)添加紅邊波段和植被指數(shù)能夠得到顯著性的精度增長(zhǎng)(從86.67%開始總精度增長(zhǎng)了346%)：(3)特征選擇和特征提取的對(duì)比與集成：(a)新的紅邊簡(jiǎn)單比值和綠波段NDVI特征能夠?yàn)橥恋馗采w分類提供有效的信息；(b)所有5種特征降維方法均能提高分類精度,但是僅varSelRF包獲得了顯著性地精度增長(zhǎng)；(c)varSelRF包優(yōu)于所有特征提取方法,MNF和PCA次之,ICA表現(xiàn)最差；(d)本文新提出的集成的varSelRF-PCA模型能夠顯著性地提升分類精度(從88.17%開始總精度增長(zhǎng)了2.66%),其表現(xiàn)優(yōu)于其它所有方法�？傊�,該方法體系能夠獲得高精度的土地覆蓋分類結(jié)果,而且新發(fā)展的紅邊植被指數(shù)和集成降維方法均能促進(jìn)分類精度的提升。綜上所述,基于新型遙感數(shù)據(jù)和本文提出的方法體系,能夠有效地識(shí)別文中典型地質(zhì)環(huán)境信息,能夠?yàn)榈刭|(zhì)環(huán)境保護(hù)和生態(tài)文明建設(shè)提供科學(xué)的理論和技術(shù)支撐。
[Abstract]:This paper takes remote sensing data as the main source to develop more effective feature parameters for geological environment protection and ecological civilization . ( 1 ) Based on high resolution terrain and optical data , a series of terrain textures , filter feature models and spectral filter feature models are constructed . This paper presents a method for constructing a feature subset based on varselRF and feature selection times threshold . The method uses multiple feature selection and feature selection times threshold to solve the problem of different feature subsets with different training data . ( a ) Based on the characteristic parameter set , the accuracy of the algorithm is high ( 77.57 % ) , the accuracy of SVM is highest ( 87.34 % ) , and the ANN is the lowest . ( 3 ) Comparison and integration of feature selection and feature extraction : ( a ) new red - edge simple ratio and green - band - based vegetation index can provide effective information for land cover classification ; ( b ) all five feature - reduction methods can improve classification precision . ( d ) The new integrated varselRF - PCA model can improve classification precision significantly ( from 88.17 % to total accuracy ) .

【學(xué)位授予單位】：中國(guó)地質(zhì)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：P627;X141

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 ;Human Driving Forces:Analysis of Rocky Desertification in Karst Region in Guanling County,Guizhou Province[J];Chinese Geographical Science;2011年05期

2 陳鵬飛;Nicolas Tremblay;王紀(jì)華;Philippe Vigneault;黃文江;李保國(guó);;估測(cè)作物冠層生物量的新植被指數(shù)的研究[J];光譜學(xué)與光譜分析;2010年02期

3 李雄偉;田望學(xué);汪國(guó)虎;施彬;;三峽庫(kù)區(qū)(湖北段)崩滑地質(zhì)作用形成的地質(zhì)背景[J];內(nèi)蒙古石油化工;2007年09期

，

本文編號(hào)：1426813