高分辨率遥感影像分类方法研究及在景观格局分析中的应用

摘要

随着计算机硬件以及遥感科学技术的发展，遥感影像的空间分辨率和时间分辨率逐渐提高。高分辨率遥感影像因蕴含复杂的地物及空间信息被广泛应用于土地资源规划及生态环境保护等领域。但其纹理及空间信息含量丰富且细节复杂给遥感影像的处理及分析造成了更复杂的难题。同时，目前遥感分类领域中高质量训练样本数据较少且难以获得。因此，如何利用已有经验数据、探索新型分类器，从而提高对高分辨率遥感影像的分类精度，是满足目前土地利用及城市规划迫切需求的必然要求。
　　本文主要研究内容及结论如下:
　　(1)结合2016年合肥市包河区的高分辨率遥感影像，采用近几年流行的多分类器集成方案，如Bagging、AdaBoost和Random Forest等方法对高分辨率遥感影像进行基于像元的监督分类，并与传统单一分类器，如支持向量机(SVM)、决策树(Decision Tree)等方法进行对比，评估各种分类方法的效果以及结果准确性。证明了多分类器集成方案在高分辨率遥感影像的地物分类效果确实要优于单一分类器。
　　(2)以多分类器集成法的像元地物分类结果作为数据基础，通过采用传统的提取景观格局指数的方式，对2011年和2016年2期合肥市包河区遥感影像分类结果进行景观格局变化研究，并分析其驱动力因素。
　　(3)结合2016年合肥市包河区高分辨率遥感影像数据集进行基于卷积神经网络迁移学习的场景分类实验。通过利用预训练的Inception-v3模型进行ImageNet图像标注数据集在研究区场景的迁移，验证了基于该方法在高分遥感影像数据集上的巨大优势。
　　(4)将场景分类结果与像元分类结果做类比，对场景分类结果在景观格局分析中的应用进行讨论。

目录

声明

致谢

摘要

第一章 绪论

1．1 研究背景

1．1．1 高分辨率遥感影像分类发展

1．1．2 景观格局研究发展

1．2 研究目的与意义

1．3 研究现状

1．3．1 遥感分类方法研究现状

1．3．2 景观格局分析研究现状

1．4 研究内容与技术路线

1．4．1 研究内容

1．4．2 技术路线

1．5 论文结构

1．6 本章小节

第二章 研究区概况及数据资料

2．1 研究区概况

2．1．1 自然地理概况

2．1．2 社会经济概况

2．2 研究区训练数据获取

2．3 本章小结

第三章 基于多分类器集成的遥感影像分类

3．1 引言

3．2 集成学习理论

3．3 多分类器集成系统的建立

3．3．1 确定系统结构

3．3．2 基分类器的构造方式

3．3．3 系统的组合策略

3．4 基于多分类器集成的遥感影像分类方法

3．4．1 Boosting

3．4．2 Bagging

3．4．3 Random Forest

3．5 实验结果及分析

3．5．1 实验目的

3．5．2 实验数据准备

3．5．3 实验内容

3．5．4 结果与讨论

3．6 本章小节

第四章 合肥市包河区景观格局变化分析研究

4．1 引言

4．2 景观格局指标的选取及生态学意义

4．2．1 选取景观格局指标

4．2．2 景观格局指标的介绍

4．3 合肥市包河区景观格局变化分析

4．3．1 数据获取与处理

4．3．2 斑块类别层级景观格局分析

4．3．3 总体景观层级景观格局分析

4．3．4 结果与讨论

4．4 驱动力定性分析

4．4．1 人口变化

4．4．2 经济影响

4．4．3 政策导向

4．4．4 科技水平

4．4．5 资源管理

4．5 本章小结

第五章 基于卷积神经网络迁移学习的高分影像分类方法

5．1 引言

5．2 分类原理

5．2．1 卷积神经网络

5．2．2 Inception-v3模型

5．2．3 迁移学习

5．2．4 基于卷积神经网络迁移学习的遥感影像分类流程

5．3 实验结果与分析

5．3．1 实验目的

5．3．2 实验数据准备

5．3．3 实验内容

5．3．4 结果与讨论

5．4 场景分类结果在景观格局分析应用

5．5 本章小结

第六章 结论与展望

6．1 论文总结

6．2 工作展望

6．3 本章小结

参考文献

攻读硕士学位期间的学术活动及成果情况