隨著科技的進(jìn)步及大數(shù)據(jù)時(shí)代的到來(lái),人們能夠獲取高分遙感影像的方式越來(lái)越多,例如:Google Earth、DigitalGlobe、USGS、地理空間數(shù)據(jù)云等。建筑物作為城市、鄉(xiāng)鎮(zhèn)遙感影像中的重要地物,在測(cè)繪、城市規(guī)劃等領(lǐng)域起著十分重要的作用。目前,基于遙感影像的建筑物提取主要有兩種方式:人工手動(dòng)提取及算法提取。在鄉(xiāng)村規(guī)劃及空間演變研究中,建筑物的年代信息對(duì)于村落的發(fā)展演變有著重要的參考意義。本文在導(dǎo)師蘇南項(xiàng)目的支持下,對(duì)蘇南地區(qū)的三個(gè)自然村進(jìn)行了實(shí)地調(diào)研及建筑物拍攝,隨后又通過(guò)Google Earth下載了調(diào)研區(qū)域的0.61m遙感影像50幅。近年來(lái),隨著人工智能技術(shù)的迅速發(fā)展,其在GIS領(lǐng)域中的應(yīng)用研究越來(lái)越多。本文使用了人工智能中的深度學(xué)習(xí)技術(shù)對(duì)遙感影像中的建筑物進(jìn)行了自動(dòng)提取實(shí)驗(yàn),并基于采集的建筑物照片數(shù)據(jù)實(shí)現(xiàn)了建筑物年代的自動(dòng)識(shí)別分類(lèi),具體內(nèi)容如下:（1）基于U-Net神經(jīng)網(wǎng)絡(luò),在分割結(jié)果和損失函數(shù)上對(duì)其進(jìn)行改進(jìn),通過(guò)使用35張空間分辨率為0.61m的遙感影像進(jìn)行訓(xùn)練、15張作為測(cè)試,訓(xùn)練得出建筑物分割模型。經(jīng)指標(biāo)評(píng)估和分割結(jié)果對(duì)比分析得出:該模型的分割結(jié)果相似度為79.33%... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

蘇南地區(qū)區(qū)位示意圖

經(jīng)濟(jì)概況015 年末，蘇南地區(qū)常住人口 3324.08 萬(wàn)人，人口密度平均水平的 8.3 倍，也是中國(guó)人口密度最高的地區(qū)[82達(dá)的區(qū)域，也是中國(guó)經(jīng)濟(jì)最發(fā)達(dá)的地區(qū)之一，2015 0 億元，人均地區(qū)生產(chǎn)總值 125002 元，城鎮(zhèn)常住居民農(nóng)村常住居民人均可支配收入 22760 元，城鎮(zhèn)化率 7積 42.5 ㎡，農(nóng)村人均住房建筑面積 59.9 ㎡[82]。村落介紹國(guó)家自然基金項(xiàng)目（項(xiàng)目編號(hào)：51678127）資助，課題區(qū) 3 個(gè)村落進(jìn)行了走訪(fǎng)調(diào)研，通過(guò)在線(xiàn)資料收集、遙等方式對(duì)蘇南鄉(xiāng)村現(xiàn)狀有了一定的認(rèn)識(shí)。由于該項(xiàng)目組合作的，本課題組負(fù)責(zé)了宜興市的西渚鎮(zhèn)白塔村、湖 3 個(gè)村落的調(diào)研。

圖 2-3 白塔村村域范圍圖Figure 2-3 Range map of Baita圖 2-4 白塔村村景Figure 2-4 View of Baita（2）湖滏鎮(zhèn)洑西村湖滏鎮(zhèn)洑西村由城澤、龍山、廟干、油車(chē)、九龍五個(gè)村合并而成。地理位位于陽(yáng)羨生態(tài)旅游區(qū)的西南面，靠近竹海風(fēng)景區(qū)，與東興村、浙江長(zhǎng)興縣、鎮(zhèn)相鄰。2016 年末，村域面積 22.13 平方公里，全村 36 個(gè)村民小組，1560 戶(hù)口 4045 人，耕地面積 4199 畝，村級(jí)可支配收入 337 萬(wàn)元，農(nóng)民人均純收

【參考文獻(xiàn)】：
期刊論文
[1]基于全卷積神經(jīng)網(wǎng)絡(luò)的建筑物屋頂自動(dòng)提取[J]. 劉文濤,李世華,覃馭楚.  地球信息科學(xué)學(xué)報(bào). 2018(11)
[2]基于卷積網(wǎng)絡(luò)的遙感圖像建筑物提取技術(shù)研究[J]. 付發(fā),未建英,張麗娜.  軟件工程. 2018(06)
[3]基于深度學(xué)習(xí)AlexNet的遙感影像地表覆蓋分類(lèi)評(píng)價(jià)研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學(xué)學(xué)報(bào). 2017(11)
[4]城郊高分影像中利用陰影的建筑物自動(dòng)提取[J]. 高賢君,鄭學(xué)冬,沈大江,楊元維,張佳華.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2017(10)
[5]顧及局部特性的CNN在遙感影像分類(lèi)的應(yīng)用[J]. 楊嘉樹(shù),梅天燦,仲思東.  計(jì)算機(jī)工程與應(yīng)用. 2018(07)
[6]基于支持向量機(jī)的遙感圖像建筑物識(shí)別與分類(lèi)方法研究[J]. 張浩,趙云勝,陳冠宇,張春苑.  地質(zhì)科技情報(bào). 2016(06)
[7]高分辨率光學(xué)遙感圖像建筑物提取研究進(jìn)展[J]. 王俊,秦其明,葉昕,王建華,秦雪彬,楊繡丞.  遙感技術(shù)與應(yīng)用. 2016(04)
[8]基于深度學(xué)習(xí)的高分辨率遙感影像分類(lèi)研究[J]. 劉大偉,韓玲,韓曉勇.  光學(xué)學(xué)報(bào). 2016(04)
[9]基于隨機(jī)森林的WorldVew2i影像建筑物精細(xì)提取[J]. 范馳,江洪.  地理空間信息. 2016(01)
[10]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)

碩士論文
[1]基于多特征深度學(xué)習(xí)的建筑物識(shí)別方法[D]. 付昊天.北方工業(yè)大學(xué) 2018
[2]基于高分辨率可見(jiàn)光遙感圖像的建筑物提取技術(shù)研究[D]. 左童春.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[3]基于A(yíng)rcGIS Engine的陜西省土系信息查詢(xún)系統(tǒng)構(gòu)建[D]. 陳洋.西北農(nóng)林科技大學(xué) 2017
[4]基于A(yíng)rcGIS Engine的海洋生態(tài)環(huán)境監(jiān)測(cè)技術(shù)研究與應(yīng)用[D]. 胡莉燁.浙江海洋大學(xué) 2017
[5]基于A(yíng)rcGIS Engine城市地下管線(xiàn)三維展示系統(tǒng)的研究與實(shí)現(xiàn)[D]. 王秀超.昆明理工大學(xué) 2017
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)臉識(shí)別研究[D]. 姚欽文.浙江大學(xué) 2016
[7]新農(nóng)村住宅的空間形態(tài)特征分析[D]. 鄭穎霞.山西大學(xué) 2013
[8]城市化進(jìn)程下的農(nóng)宅特征與建造體系演變初探[D]. 楊宇環(huán).重慶大學(xué) 2012
[9]村鎮(zhèn)住宅體系化設(shè)計(jì)與建造技術(shù)初探[D]. 林永錦.同濟(jì)大學(xué) 2008
[10]變遷中的鄉(xiāng)村生活[D]. 盧健松.湖南大學(xué) 2002



本文編號(hào)：2977136