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,遷移學習方法中的聯(lián)合分布自適應(Joint Distribution Adaptation,JDA)和平衡分布自適應(Balanced Distribution Adaptation,BDA)的領域自適應方法可通過數(shù)據(jù)特征之間的變換,削弱不同數(shù)據(jù)域間的差異。采用遷移學習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,借助機器學習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)域特征遷移機器學習的大區(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)域選取不同比例標記樣本對分類精度影響實驗、遷移學習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行對比分析,得到如下結論:(1)本文基于影像重疊區(qū)域特征遷移機器學習的大區(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,遷移學習模型平衡影像時相差異,自適應完成重疊區(qū)域信息遷移,拓展完成了12景目標影像分類。研究區(qū)平均總體分類精度達到92.59%,平均卡帕系數(shù)達到0.84。實驗結果論證了本文所提方法可有效實現(xiàn)大區(qū)域范圍少訓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)域標記樣本與源訓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。當重疊區(qū)域標記樣本所占比例達到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種遷移學習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遷移學習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,又采用遷移學習方法。為了驗證兩者對草地信息提取的有效性,本文采用5種分類策略進行研究區(qū)草地信息提取對比試驗。試驗結果表明,融合影像重疊區(qū)域信息和進行遷移學習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作用要高于遷移學習,同時融合影像重疊區(qū)域信息和進行遷移學習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。
【學位單位】：蘭州大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：S812
【部分圖文】：

技術路線圖

蘭州大學碩士學位論文基于鄰域影像重疊實現(xiàn)特征遷移機器學習的大區(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準。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。在構造樹的過程中進行修剪可實現(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域得到了不斷的改進，被證明是一種具有魯棒性的分類器[77]。其基本思想是在訓練數(shù)據(jù)和相關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，這樣的集成在復雜的數(shù)據(jù)集上表現(xiàn)出了魯棒和準確的性能，幾乎不需要進行微調(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：假設訓練集的數(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個作為單棵樹的訓練集。假設隨機森林中CART樹數(shù)目為K，那么通過該辦法生成K個獨立的訓練集用于CART的訓練。列抽樣是指：假設原始數(shù)據(jù)集的特征數(shù)為

蘭州大學碩士學位論文基于鄰域影像重疊實現(xiàn)特征遷移機器學習的大區(qū)域草地分布提取方法研究15M，在通過行采樣獲取每棵CART樹的訓練集后，隨機森林會隨機選取m個特征（m＜M）訓練用于每一棵CART樹的生成。當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)督學習分類器算法，在遙感應用中得到了越來越廣泛的應用[78]。SVM理論最初由Vapnik和Chervonenkis在1971年提出[79]，在1999年由Vapnik詳細討論[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練集上正負樣本間隔最大，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。術語“最佳分離超平面”是指在訓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），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，訓練數(shù)據(jù)集中會包含有噪聲，而且手動的添加訓練樣本類別的過程中也可能存在一些誤差，因此，訓練集數(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。為了糾正這些分類中容易出現(xiàn)的錯誤，
【參考文獻】

相關期刊論文 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;;遷移學習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];遙感技術與應用;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系[J];山地學報;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)科技大學學報(社會科學版);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];測繪學報;2013年02期

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

8 于海達;楊秀春;徐斌;金云翔;高添;李金亞;;草原植被長勢遙感監(jiān)測研究進展[J];地理科學進展;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)工程學報;2012年02期

10 朱江洪;李江風;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];武漢大學學報(信息科學版);2011年03期

相關博士學位論文 前2條

1 于惠;青藏高原草地變化及其對氣候的響應[D];蘭州大學;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;2004年

相關碩士學位論文 前8條

1 陸海霞;集成機器學習與面向對象影像分類的大區(qū)域林地信息提取及其泛化能力研究[D];蘭州大學;2019年

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

4 韓希光;面向對象的高分辨率遙感影像土地覆被分類制圖研究[D];蘭州大學;2018年

5 蔣捷峰;基于BP神經(jīng)網(wǎng)絡的高分辨率遙感影像分類研究[D];首都師范大學;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;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;2009年

8 劉祺;決策樹ID3算法的改進研究[D];哈爾濱工程大學;2009年

本文編號：2880223