论文部分内容阅读
针对状态估计技术在土地类型识别中的应用研究，通过文献调研得知，近几年使用状态估计技术优化模型参数的研究较多，也已取得了大量研究成果，例如，Vladimir Naumovich Vapnik在1963年发展了支持向量机算法，但是该算法在基于遥感数据的地表覆盖分类方面的精度仍有待提高。因此提高分类精度仍是土地覆盖分类方面的研究重点。尤其在泰国Ayutthaya Province和中国鄱阳湖流域的研究区，分类精度波动较大也是研究的难点。为此，本研究提出了基于多源遥感数据协同反演技术，结合支持向量机、神经网络和模糊逻辑等算法提高分类精度。研究改进与集成的卡尔曼滤波(Kalman Filter,KF)、扩展卡尔曼滤波(EntendedKalman Filter,EKF)和粒子滤波(Particle Filter,PF)三种状态估计技术，分别构建了提高水体识别精度的水体识别模型和水体（湿地）面积变化监测模型。研究结果表明，集成支持向量机算法和粒子滤波算法能够减少“误判样本”并改进分类结果;将土地覆盖分类算法与滤波算法协同，构建了精度较高的土地覆盖分类集成算法;集成算法在中国的鄱阳湖湿地验证的精度较高。本研究状态估计技术由动态递归测量模型和系统模型组成，可用于解决水体面积提取与湿地分类问题，具有重要的理论和实际意义。 本论文的主要研究内容有以下几点: 1.改进支持向量机和粒子滤波算法，构建SVM-PF模型 SVM-PF分类模型采用PF算法优化支持向量机(Support Vector Machine)算法的训练参数改进SVM算法。由于SVM分类精度主要取决于训练样本参数选取和其准确度，因此本文首先采用PF算法估计SVM训练参数最优值，并在假设数据集与训练参数的相关性，能反映SVM分类器性能的基础上，构建“SVM-PF”水体识别模型;在位于泰国Ayutthaya省洪水爆发区和中国鄱阳湖流域湿地对模型进行了验证。结果表明，本文提出的SVM-PF模型在两个研究区均改善了水体识别精度，提高了训练数据集与训练参数间的相关性。 2.KF和EKF算法比较研究 水体（湿地）面积变化监测模型采用KF或EKF算法提取NDVI序列平均值和NDVI序列振幅，计算决策矩阵，以周期三角波作为系统模型，多时相NDVI作为测量模型，监测水体（湿地）面积变化。 3.水体（湿地）面积变化监测模型精度验证 基于SVM模型改进的SVM-PF模型在泰国的洪水区和中国鄱阳湖的湿地区进行了验证，结果显示其比参照模型精度有明显提高。KF算法和EKF算法在中国鄱阳湖流域的湿地研究区验证的结果显示，EKF算法精度相对较高。 本文创新点: 1.改进了状态估计技术在水体识别和水体（湿地）面积变化监测的SVM-PF模型; 2.结合SVM分类算法的状态估计技术，提高了洪水面积和湿地水体面积分类精度; 3.首次将状态估计技术引入土地覆盖分类和土地覆盖变化监测研究。