草地作為全球最常見的植被類型之一,在維護全球生態(tài)安全、防止沙漠化及涵養(yǎng)水源等方面具有十分重要的作用。準(zhǔn)確獲取草地空間分布信息不僅具有十分重要的生態(tài)環(huán)境意義,還有助于相應(yīng)保護管理政策的制定。傳統(tǒng)的草地覆被信息監(jiān)測方法主要采用野外采樣法,該方法耗時,耗力,效能低且成本高,受到許多人為因素的限制,并且不能快速檢測大范圍的草地覆被信息。遙感監(jiān)測技術(shù)近幾十年來發(fā)展迅速,在全球植被信息獲取方面發(fā)揮著重大作用。當(dāng)前基于遙感影像的大區(qū)域土地覆被信息提取研究中,通常存在相同時相的遙感影像獲取困難,不同時相的遙感影像因拍攝時的不同角度、照明以及物候時相等因素的影響產(chǎn)生明顯的色彩差異,訓(xùn)練樣本獲取難度大,相鄰影像重疊區(qū)域冗余信息處理困難等問題。因此,對于覆蓋多景遙感影像的大范圍區(qū)域,如何實現(xiàn)草地覆被信息的高精度提取,仍然有待探索。其一,相鄰影像間重疊區(qū)域的地理空間具有一致性,地物類型一般不會隨著時間推移發(fā)生很大改變。將重疊區(qū)域影像對象作為附加樣本自動選擇的有效區(qū)域,可有效利用重疊區(qū)域冗余信息,并減少樣本選取工作量。其二,遷移學(xué)習(xí)方法中的聯(lián)合分布自適應(yīng)(Joint Distribution Adaptation,JDA)和平衡分布自適應(yīng)(Balanced Distribution Adaptation,BDA)的領(lǐng)域自適應(yīng)方法可通過數(shù)據(jù)特征之間的變換,削弱不同數(shù)據(jù)域間的差異。采用遷移學(xué)習(xí)方法平衡遙感影像間存在的時相差異,可削弱因時相差異引起的影像數(shù)據(jù)特征變化程度。其三,借助機器學(xué)習(xí)分類器算法完成遙感影像信息提取可大大提高其自動化水平,選擇分類能力強的分類器算法對信息提取結(jié)果影響較大。研究立足以上三點,本文提出了一種基于影像重疊區(qū)域特征遷移機器學(xué)習(xí)的大區(qū)域草地信息自動提取算法,實現(xiàn)了甘肅祁連山保護區(qū)草地植被分布的高精度提取。本文以甘肅祁連山自然保護區(qū)草地植被分布為例,以Sentinel-2影像數(shù)據(jù)為主,30m數(shù)字高程模型數(shù)據(jù)為輔。通過衛(wèi)星遙感影像重疊區(qū)域選取不同比例標(biāo)記樣本對分類精度影響實驗、遷移學(xué)習(xí)方法對分類精度影響實驗、4種分類器算法對比實驗、甘肅祁連山自然保護區(qū)草地覆被信息提取實驗和5種分類策略對比實驗進(jìn)行對比分析,得到如下結(jié)論:(1)本文基于影像重疊區(qū)域特征遷移機器學(xué)習(xí)的大區(qū)域草地自動提取算法,能夠有效、高精度提取甘肅祁連山自然保護區(qū)的草地覆被信息,在一定程度上滿足了大區(qū)域遙感影像的專題信息提取需求。文中以1景影像分類,遷移學(xué)習(xí)模型平衡影像時相差異,自適應(yīng)完成重疊區(qū)域信息遷移,拓展完成了12景目標(biāo)影像分類。研究區(qū)平均總體分類精度達(dá)到92.59%,平均卡帕系數(shù)達(dá)到0.84。實驗結(jié)果論證了本文所提方法可有效實現(xiàn)大區(qū)域范圍少訓(xùn)練樣本的甘肅祁連山自然保護區(qū)的草地覆被信息提取。(2)通過選取不同比例的重疊區(qū)域標(biāo)記樣本與源訓(xùn)練樣本混合完成草地覆被信息提取對比實驗,發(fā)現(xiàn)隨著影像重疊區(qū)域標(biāo)記樣本量的增加,草地覆被信息的提取精度先迅速提高,再趨于穩(wěn)定或有略微下降趨勢。當(dāng)重疊區(qū)域標(biāo)記樣本所占比例達(dá)到10%時,研究區(qū)草地信息提取的平均總體精度最高。(3)通過2種遷移學(xué)習(xí)方法對分類精度的影響實驗,可以發(fā)現(xiàn)BDA模型對分類精度的有效性要高于JDA模型。本文所使用的BDA遷移學(xué)習(xí)方法可有效削弱因時相差異引起的影像數(shù)據(jù)特征分布差異。(4)通過4種分類器算法對比實驗,BP神經(jīng)網(wǎng)絡(luò)作為源分類器的平均總體精度和卡帕系數(shù)最高,泛化能力最強,其總體精度、卡帕系數(shù)達(dá)到92.59%、0.84。隨機森林和支持向量機次之,其總體精度、卡帕系數(shù)分別達(dá)到91.61%、0.82和90.34%、0.78。決策樹的泛化能力最差,其總體精度、卡帕系數(shù)達(dá)到87.28%、0.74。(5)本文方法既利用影像的重疊區(qū)域信息,又采用遷移學(xué)習(xí)方法。為了驗證兩者對草地信息提取的有效性,本文采用5種分類策略進(jìn)行研究區(qū)草地信息提取對比試驗。試驗結(jié)果表明,融合影像重疊區(qū)域信息和進(jìn)行遷移學(xué)習(xí)均能提高草地提取精度,融合重疊區(qū)域信息對提取精度的促進(jìn)作用要高于遷移學(xué)習(xí),同時融合影像重疊區(qū)域信息和進(jìn)行遷移學(xué)習(xí)對草地信息提取精度有效性最高。本文方法取得的分類精度略優(yōu)于監(jiān)督分類,且具有顯著減少大區(qū)域遙感信息提取過程中訓(xùn)練樣本選取的潛力,可有效提升遙感專題信息提取的自動化水平。
【學(xué)位單位】：蘭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：S812
【部分圖文】：

技術(shù)路線圖

蘭州大學(xué)碩士學(xué)位論文基于鄰域影像重疊實現(xiàn)特征遷移機器學(xué)習(xí)的大區(qū)域草地分布提取方法研究14越大。圖2-1決策樹示意圖C4.5算法繼承了ID3算法的優(yōu)點，采用信息增益率（信息增益與內(nèi)在信息的比值）作為測試特征選擇的度量標(biāo)準(zhǔn)。內(nèi)在信息是指單個特征信息分支所需要的信息量。內(nèi)在信息量與值數(shù)量成正比，可校正值數(shù)量對信息增益率的影響，克服了在選擇信息增益的屬性時，存有多個屬性值的偏向選擇的缺點。在構(gòu)造樹的過程中進(jìn)行修剪可實現(xiàn)連續(xù)屬性的離散化，并且可以處理不完整的數(shù)據(jù)。2.2.2隨機森林隨機森林（RandomForest，RF）[76]是集成算法中的一種，它依靠決策樹的投票選擇來決定最后的分類結(jié)果（圖2-2）。自2001年隨機森林算法被提出以來，在遙感影像信息提取領(lǐng)域得到了不斷的改進(jìn)，被證明是一種具有魯棒性的分類器[77]。其基本思想是在訓(xùn)練數(shù)據(jù)和相關(guān)變量的隨機子集上生長多棵決策樹，隨機森林通過聚合單棵決策樹的不同輸出來減少可能導(dǎo)致決策樹錯誤的方差。通過多數(shù)投票算法，可以找到大多數(shù)單棵樹給出的平均輸出，從而平滑了方差，這樣的集成在復(fù)雜的數(shù)據(jù)集上表現(xiàn)出了魯棒和準(zhǔn)確的性能，幾乎不需要進(jìn)行微調(diào)，并且可以抑制有許多噪聲的變量[42]。隨機森林為了保證較強的抗過擬合和抗噪聲能力，在構(gòu)建每一棵CART決策樹的時候采用了行抽樣和列抽樣的隨機化。行抽樣是指：假設(shè)訓(xùn)練集的數(shù)據(jù)行數(shù)為N，對于每一棵CART樹，從N個原始樣本中有放回地隨機抽取N個作為單棵樹的訓(xùn)練集。假設(shè)隨機森林中CART樹數(shù)目為K，那么通過該辦法生成K個獨立的訓(xùn)練集用于CART的訓(xùn)練。列抽樣是指：假設(shè)原始數(shù)據(jù)集的特征數(shù)為

蘭州大學(xué)碩士學(xué)位論文基于鄰域影像重疊實現(xiàn)特征遷移機器學(xué)習(xí)的大區(qū)域草地分布提取方法研究15M，在通過行采樣獲取每棵CART樹的訓(xùn)練集后，隨機森林會隨機選取m個特征（m＜M）訓(xùn)練用于每一棵CART樹的生成。當(dāng)m越小時，模型的抗干擾性和抗過擬合性越強，但是模型的準(zhǔn)確率會下降，因此在實際建模過程中，常需要用交叉驗證等方式選擇合適的m值。圖2-2隨機森林示意圖2.2.3支持向量機支持向量機(SupportVectorMachines，SVM)是一種非參數(shù)監(jiān)督學(xué)習(xí)分類器算法，在遙感應(yīng)用中得到了越來越廣泛的應(yīng)用[78]。SVM理論最初由Vapnik和Chervonenkis在1971年提出[79]，在1999年由Vapnik詳細(xì)討論[80]。支持向量機是一個二分類算法，支持線性分類和非線性分類。其基本思想是在特征空間上找到最佳的分離超平面使得訓(xùn)練集上正負(fù)樣本間隔最大，并將其作為決策邊界區(qū)分不同的類[45]。圖2-3[81]為二維輸入空間中一個二分類問題的簡單場景。術(shù)語“最佳分離超平面”是指在訓(xùn)練步驟中獲得的最小化誤分類的決策邊界，即圖2-3（a）中黑色實線。在虛線上被藍(lán)色和紅色圓圈圈出的點即為支持向量。所謂支持向量是指距離分隔超平面最近的點。關(guān)于二元分類的問題，若是有一個分離超平面可以分離不同類別的數(shù)據(jù)（也就是說，兩種類型的數(shù)據(jù)恰好位于超平面的兩側(cè)），則稱為線性可分。如果沒有這樣的超平面，則稱其為線性不可分的。在現(xiàn)實分類的過程中，訓(xùn)練數(shù)據(jù)集中會包含有噪聲，而且手動的添加訓(xùn)練樣本類別的過程中也可能存在一些誤差，因此，訓(xùn)練集數(shù)據(jù)的分類函數(shù)不需要太完美，太完美會使模型本身過擬合，對其他數(shù)據(jù)難以適應(yīng)。為了糾正這些分類中容易出現(xiàn)的錯誤，
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 任海娟;董建軍;李曉媛;牛建明;張雪峰;;利用多時相Landsat8圖像提取苜蓿人工草地信息[J];中國草地學(xué)報;2015年02期

2 吳田軍;駱劍承;夏列鋼;楊海平;沈占鋒;胡曉東;;遷移學(xué)習(xí)支持下的遙感影像對象級分類樣本自動選擇方法[J];測繪學(xué)報;2014年09期

3 郭釔宏;王博;劉勇;楊亦寧;;綜合優(yōu)度法和不一致性法的最優(yōu)分割參數(shù)選擇方法[J];遙感技術(shù)與應(yīng)用;2014年03期

4 牛赟;劉賢德;敬文茂;雷軍;苗毓新;;祁連山北坡土壤特性與植被垂直分布的關(guān)系[J];山地學(xué)報;2013年05期

5 汪有奎;;祁連山國家級自然保護區(qū)有效管理評價研究[J];中南林業(yè)科技大學(xué)學(xué)報(社會科學(xué)版);2013年04期

6 吳煒;沈占鋒;李均力;楊海平;駱劍承;;聯(lián)合概率密度脊提取的影像鑲嵌色彩一致性處理方法[J];測繪學(xué)報;2013年02期

7 錢育蓉;于炯;賈振紅;孫華;古麗給娜·達(dá)列力汗;;基于決策樹的典型荒漠草地遙感分類策略[J];西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版);2013年02期

8 于海達(dá);楊秀春;徐斌;金云翔;高添;李金亞;;草原植被長勢遙感監(jiān)測研究進(jìn)展[J];地理科學(xué)進(jìn)展;2012年07期

9 張健康;程彥培;張發(fā)旺;岳德鵬;郭曉曉;董華;王計平;唐宏才;;基于多時相遙感影像的作物種植信息提取[J];農(nóng)業(yè)工程學(xué)報;2012年02期

10 朱江洪;李江風(fēng);葉菁;;利用決策樹工具的土地利用類型遙感識別方法研究[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2011年03期

相關(guān)博士學(xué)位論文 前2條

1 于惠;青藏高原草地變化及其對氣候的響應(yīng)[D];蘭州大學(xué);2013年

2 劉莊;祁連山自然保護區(qū)生態(tài)承載力評價研究[D];南京師范大學(xué);2004年

相關(guān)碩士學(xué)位論文 前8條

1 陸海霞;集成機器學(xué)習(xí)與面向?qū)ο笥跋穹诸惖拇髤^(qū)域林地信息提取及其泛化能力研究[D];蘭州大學(xué);2019年

2 王小鵬;基于弱監(jiān)督深度學(xué)習(xí)的圖像檢索技術(shù)研究與實現(xiàn)[D];西北大學(xué);2018年

3 李肖娟;氣候變化和人類活動對祁連山草地演變影響程度的研究[D];陜西師范大學(xué);2018年

4 韓希光;面向?qū)ο蟮母叻直媛蔬b感影像土地覆被分類制圖研究[D];蘭州大學(xué);2018年

5 蔣捷峰;基于BP神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類研究[D];首都師范大學(xué);2011年

6 王富貴;祁連山自然保護區(qū)民族地區(qū)經(jīng)濟可持續(xù)發(fā)展研究[D];蘭州大學(xué);2010年

7 李勵恒;祁連山自然保護區(qū)社會經(jīng)濟發(fā)展模式研究[D];蘭州大學(xué);2009年

8 劉祺;決策樹ID3算法的改進(jìn)研究[D];哈爾濱工程大學(xué);2009年

本文編號：2880223