论文部分内容阅读
土地覆被和土地利用变化研究是记录地表动态变化、实现土地资源管理和优化配置、评价气候变化和人类活动影响的基础。基于卫星遥感影像的土地覆被和土地利用分类信息的提取是土地覆被和土地利用研究的关键技术，是国际卫星遥感应用研究的基础性研究。 近年来，随着国内外卫星遥感技术的发展，中高分辨率和高分辨率以及高光谱分辨率卫星遥感影像数据日渐丰富，为全球和区域尺度土地覆被信息提取研究提供了丰富的数据来源。本文即针对中高分辨率和高分辨率两种数据粒度影像，分别从像元尺度和对象尺度开展土地覆被信息提取方法研究。 一方面，针对以Landsat8数据为代表的中高分辨率遥感数据，本文自主构建了基于卷积神经网络(CNN:Convolutional Neural Networks)的模型化方法、参数体系和应用系统。具体做法是:首先，利用跨波段光谱信息整合层实现多光谱数据跨波段组织光谱信息，从而提高网络的表达能力，并对输出波段数升维和降维。然后，利用平均池化层方法对训练数据进行逻辑回归分类，通过减少中间参数的生成，从而有效避免过拟合。最后，将CNN方法所得结果与支持向量机、最大似然分类两种方法所得结果开展精度对比和空间一致性评价，分析CNN方法的适用性和比较优势。 结果表明:应用CNN方法在北京市主城区、雄安新区、秦皇岛3个实验区所得土地覆被分类成果总体精度分别为77.93％，91.75％和81.95％。CNN方法在以雄安新区、秦皇岛为代表的农村地区和复杂类型地区具有较高的分类精度，但在以北京市主城区为代表的城市地区的分类精度相对较低。在上述3个实验区，卷积神经网络、支持向量机和最大似然三种分类方法所得结果完全一致或基本一致的区域占总面积均在89％以上，完全不一致的区域最高仅为11％。卷积神经网络分类方法所得结果与其他两种方法分类结果具有较高的空间一致性。 另一方面，针对以GF-2数据为例的高分辨率遥感数据，本文采用面向对象技术开展了土地覆被信息提取。具体做法是:在MATLAB平台支持下，首先，通过不同尺度对象亮度标准差与尺度关系分析，确定了不同实验区的最优分割尺度，并进一步明确土地覆被信息提取的基本对象特征参数指标;而后，分别应用BP神经网络、支持向量机、k最邻近算法等三种经典开展土地覆被信息提取;最后，对三种机器学习分类方法进行精度评价和分类结果的一致性分析。 结果表明:BP神经网络、支持向量机有着更高的分类精度。其中，在石景山区和北戴河区，BP神经网络所得结果总体精度分别为91.17％、91.75％;支持向量机所得结果总体精度分别为94.17％、91.25％;K最邻近分类方法所得结果精度仅为88.17％、85.25％。进一步的对比研究表明，BP神经网络、支持向量机和K最邻近三种分类方法所得结果完全一致或基本一致的区域占总面积的96％以上;完全不一致的区域仅为4％。三种分类结果呈现较高的空间一致性。 论文最后对本研究的主要研究创新点进行了总结，对未来的研究方向和重点进行了展望。