針對(duì)高海拔復(fù)雜地形區(qū)地貌類(lèi)型復(fù)雜、多樣,溝壑縱橫、地形破碎等特點(diǎn),研究快速、有效的土地利用/土地覆被分類(lèi)方法對(duì)土地利用/土地覆被信息獲取及更新是非常重要的。以位于黃土高原向青藏高原過(guò)渡帶的青海湟水流域?yàn)檠芯繀^(qū)域,基于Landsat 8 OLI影像數(shù)據(jù)、DEM數(shù)據(jù),并結(jié)合各種專(zhuān)題特征,在對(duì)研究區(qū)進(jìn)行地理分區(qū)的基礎(chǔ)上,采用人工神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、支持向量機(jī)和隨機(jī)森林4種機(jī)器學(xué)習(xí)方法進(jìn)行土地利用/土地覆被信息提取并進(jìn)行精度評(píng)價(jià),探索適合于復(fù)雜地形區(qū)最優(yōu)的分類(lèi)方法。研究結(jié)果表明,隨機(jī)森林和決策樹(shù)的分類(lèi)精度明顯高于支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)。其中,隨機(jī)森林分類(lèi)方法的精度最高,研究區(qū)整體分類(lèi)精度高達(dá)85.65%,Kappa系數(shù)高達(dá)0.84。在分類(lèi)效率方面,隨機(jī)森林與決策樹(shù)分類(lèi)器的運(yùn)行速度高于支持向量機(jī)與人工神經(jīng)網(wǎng)絡(luò)分類(lèi)器。但決策樹(shù)分類(lèi)方法在制定分類(lèi)規(guī)則時(shí)耗時(shí)耗力,因此隨機(jī)森林方法更具優(yōu)勢(shì)。綜合分類(lèi)精度和分類(lèi)效率兩個(gè)方面,隨機(jī)森林方法更適合于復(fù)雜地形區(qū)的土地利用/土地覆被分類(lèi)。此外,腦山區(qū)隨機(jī)森林方法的總體分類(lèi)精度和Kappa系數(shù)分別為87.27%和0.84,淺山區(qū)隨機(jī)森林方法的總體分類(lèi)精度和Kappa... 

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與選題意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
    1.3 研究目標(biāo)與研究?jī)?nèi)容
    1.4 論文技術(shù)路線(xiàn)
    1.5 研究特色、創(chuàng)新與難點(diǎn)
第二章 機(jī)器學(xué)習(xí)分類(lèi)方法概述
    2.1 人工神經(jīng)網(wǎng)絡(luò)方法
    2.2 決策樹(shù)方法
    2.3 支持向量機(jī)方法
    2.4 隨機(jī)森林方法
第三章 數(shù)據(jù)源與數(shù)據(jù)預(yù)處理
    3.1 研究區(qū)概況
        3.1.1 地理位置
        3.1.2 地貌
        3.1.3 氣候特征
        3.1.4 水系
        3.1.5 土壤與植被
        3.1.6 社會(huì)經(jīng)濟(jì)特征
        3.1.7 土地利用/土地覆被類(lèi)型空間分布
    3.2 數(shù)據(jù)源與數(shù)據(jù)預(yù)處理
        3.2.1 數(shù)據(jù)源
        3.2.2 數(shù)據(jù)預(yù)處理
        3.2.3 野外采樣數(shù)據(jù)
第四章 湟水流域土地利用/土地覆被分類(lèi)
    4.1 分類(lèi)系統(tǒng)
    4.2 地理分區(qū)
    4.3 樣本選擇
    4.4 特征參數(shù)選擇
        4.4.1 主要特征參數(shù)
        4.4.2 基于地理分區(qū)特點(diǎn)的特征參數(shù)選擇
    4.5 湟水流域遙感影像的機(jī)器學(xué)習(xí)方法分類(lèi)
        4.5.1 人工神經(jīng)網(wǎng)絡(luò)分類(lèi)
        4.5.2 決策樹(shù)分類(lèi)
        4.5.3 支持向量機(jī)分類(lèi)
        4.5.4 隨機(jī)森林分類(lèi)
        4.5.5 融合后影像分類(lèi)
        4.5.6 分類(lèi)方法對(duì)比
第五章 精度評(píng)價(jià)
    5.1 腦山區(qū)精度評(píng)價(jià)與分析
    5.2 淺山區(qū)精度評(píng)價(jià)與分析
    5.3 川水區(qū)精度評(píng)價(jià)與分析
    5.4 研究區(qū)總體精度評(píng)價(jià)與分析
第六章 結(jié)論與展望
    6.1 主要結(jié)論
    6.2 討論與展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷


【參考文獻(xiàn)】：
期刊論文
[1]基于SVM的東莞市土地利用/覆被自動(dòng)分類(lèi)誤差來(lái)源與后處理[J]. 陳洋波,張濤,竇鵬,董禮明,陳華.  遙感技術(shù)與應(yīng)用. 2017(05)
[2]結(jié)合隨機(jī)森林的高分一號(hào)分類(lèi)最優(yōu)組合研究[J]. 杜政,方耀.  地理空間信息. 2017(02)
[3]基于環(huán)境衛(wèi)星數(shù)據(jù)的沿海灘涂地物類(lèi)型分類(lèi)的隨機(jī)森林方法[J]. 王艷楠,王健健,龔健新,袁帥,劉輝,羅文.  遙感技術(shù)與應(yīng)用. 2016(06)
[4]機(jī)器學(xué)習(xí)法在面向?qū)ο笥跋穹诸?lèi)中的對(duì)比分析[J]. 趙丹平,顧海燕,賈瑩.  測(cè)繪科學(xué). 2016(10)
[5]機(jī)器學(xué)習(xí)及其算法和發(fā)展研究[J]. 張潤(rùn),王永濱.  中國(guó)傳媒大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(02)
[6]基于遙感光譜和空間變量隨機(jī)森林的黃河三角洲刺槐林健康等級(jí)分類(lèi)[J]. 趙玉,王紅,張珍珍.  遙感技術(shù)與應(yīng)用. 2016(02)
[7]遙感影像提取土地覆蓋信息的決策樹(shù)優(yōu)化方法[J]. 陳丹,武淑琴.  測(cè)繪科學(xué). 2016(09)
[8]基于隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類(lèi)研究[J]. 馬玥,姜琦剛,孟治國(guó),李遠(yuǎn)華,王棟,劉驊欣.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(01)
[9]北京地區(qū)植被蓋度提取及其分布變化研究[J]. 史世蓮,章文波,王國(guó)燕.  遙感技術(shù)與應(yīng)用. 2014(05)
[10]基于隨機(jī)森林的大姚縣TM遙感影像分類(lèi)研究[J]. 王棟,岳彩榮,田傳召,范懷剛,王躍輝.  林業(yè)調(diào)查規(guī)劃. 2014(02)

博士論文
[1]基于機(jī)器學(xué)習(xí)的高維多光譜數(shù)據(jù)分類(lèi)[D]. 夏建濤.西北工業(yè)大學(xué) 2002

碩士論文
[1]利用CART算法從LandSat8衛(wèi)星影像提取居民地的研究[D]. 劉欣.蘭州大學(xué) 2015
[2]面向?qū)ο蟮膹?fù)雜地形區(qū)土地利用信息提取研究[D]. 賈偉.青海師范大學(xué) 2015
[3]基于Hadoop平臺(tái)的隨機(jī)森林算法研究及圖像分類(lèi)系統(tǒng)實(shí)現(xiàn)[D]. 梁世磊.廈門(mén)大學(xué) 2014
[4]隨機(jī)森林及其在遙感圖像分類(lèi)中的應(yīng)用[D]. 姚明煌.華僑大學(xué) 2014
[5]復(fù)雜地形區(qū)土地利用/土地覆被分類(lèi)研究[D]. 李金山.青海師范大學(xué) 2013
[6]基于機(jī)器學(xué)習(xí)的多光譜遙感影像分類(lèi)及城市擴(kuò)展研究[D]. 秦高峰.重慶大學(xué) 2012
[7]支持向量機(jī)遙感圖像分類(lèi)的研究[D]. 梁懷翔.長(zhǎng)安大學(xué) 2011
[8]湟水流域土地利用/覆被變化下的水文響應(yīng)研究[D]. 亢健.青海師范大學(xué) 2010
[9]決策樹(shù)與SVM相結(jié)合的影像分類(lèi)方法研究[D]. 李琳.中國(guó)地質(zhì)大學(xué)（北京） 2009
[10]基于ETM數(shù)據(jù)的額濟(jì)納綠洲景觀分類(lèi)方法的研究[D]. 金宇.內(nèi)蒙古農(nóng)業(yè)大學(xué) 2009



本文編號(hào)：3710255