發(fā)布時(shí)間：2020-06-10 01:10

【摘要】：竹林資源是我國(guó)重要的自然資源,不僅在自然景觀中占據(jù)重要地位,同時(shí)也可帶來(lái)巨大的社會(huì)經(jīng)濟(jì)效益。準(zhǔn)確提取竹林資源信息,為合理的空間分配和竹林資源優(yōu)化調(diào)整提供有價(jià)值的參考。目前,經(jīng)典的基于像元分類方法和基于面向?qū)ο蟮姆诸惙椒◤V泛應(yīng)用于地物分類信息提取之中,但現(xiàn)有的分類方法在特征地物的信息提取中無(wú)法滿足用戶精度需求。雖然機(jī)器學(xué)習(xí)方法不斷改進(jìn),但受地物類別差異大、地塊破碎和同物異譜等眾多條件的限制,原有的流程簡(jiǎn)略、判斷條件簡(jiǎn)潔的提取算法對(duì)于組成多樣且地貌繁雜的區(qū)域難以發(fā)揮出應(yīng)有的效果(李大威,2017)。因此,提高提取精度成為遙感技術(shù)在林業(yè)領(lǐng)域應(yīng)用中的關(guān)鍵。本文針對(duì)江西省宜豐縣竹林信息提取做了理論分析和研究,重點(diǎn)提出了一種梯度增強(qiáng)-隨機(jī)森林融合分類算法以提高竹林信息提取精度。論文主要從以下幾個(gè)方面開(kāi)展了研究工作:(1)主要信息提取及特征集合建立:基于已獲取的衛(wèi)星圖像,對(duì)其進(jìn)行校正以及融合等操作,并得到圖像特征,基于這些處理后采用隨機(jī)森林算法,對(duì)于獲取的特征重要性進(jìn)行排序;通過(guò)遍歷特征后再對(duì)它們組合,然后對(duì)于取得的結(jié)果作為判斷的依據(jù),之后根據(jù)各自權(quán)重對(duì)其進(jìn)行評(píng)估;最后根據(jù)獲得的數(shù)據(jù)從中求取極優(yōu)特征組,據(jù)此建立對(duì)應(yīng)的紋理集、光譜集以及聯(lián)合集,并將這些數(shù)據(jù)作為后續(xù)步驟的輸入。(2)梯度增強(qiáng)-隨機(jī)森林融合分類模型構(gòu)建研究:由于影響竹林分類的因子較多,過(guò)多的因子不但會(huì)造成數(shù)據(jù)冗余,而且會(huì)降低竹林分類精度。采用梯度增強(qiáng)機(jī)器學(xué)習(xí)方法剔除無(wú)用因子,保留描述竹林相關(guān)性強(qiáng)的因子。另外,為提升系統(tǒng)的多樣性和分類性能,采用隨機(jī)森林分類法在待選特征中選取最優(yōu)特征,構(gòu)建多種不同的子決策樹(shù),然后每個(gè)子決策樹(shù)的輸出作為一票進(jìn)行票數(shù)對(duì)比,從而求出最終的結(jié)果。(3)精度對(duì)比驗(yàn)證:利用改進(jìn)的分類算法即梯度增強(qiáng)-隨機(jī)森林融合模型分類法所得出的竹林分類結(jié)果,與經(jīng)典的基于像元分類法和基于面向?qū)ο蠓诸惙ㄋ贸龅姆诸惤Y(jié)果進(jìn)行精度對(duì)比分析。主要對(duì)比分析指標(biāo)有:總體分類精度、Kappa系數(shù)、竹林生產(chǎn)者精度、竹林用戶精度。(4)竹林面積變化分析:2017年江西省宜豐縣的竹林面積為573.44 km2,占總林地面積的52.47%。竹林區(qū)域主要分布在宜豐縣的西南、東北和西部低山丘陵地區(qū)。與2009年相比,研究區(qū)內(nèi)的竹林面積在研究周期內(nèi)呈增長(zhǎng)狀態(tài),變化幅度為11.42%。研究結(jié)果表明,基于資源三號(hào)衛(wèi)星遙感影像,針對(duì)江西省宜豐縣竹林信息提取,提出了新的分類算法即梯度增強(qiáng)-隨機(jī)森林融合模型分類法以提高研究區(qū)竹林分類提取精度。以梯度增強(qiáng)為技術(shù)手段提取竹林特征及構(gòu)建特征集,利用隨機(jī)森林分類法評(píng)估特征的重要性并賦予不同的權(quán)值,最終構(gòu)建多種子決策樹(shù),通過(guò)對(duì)決策樹(shù)的投票結(jié)果得出最終輸出結(jié)果。新開(kāi)發(fā)的算法對(duì)研究區(qū)竹林信息提取的總體精度和Kappa系數(shù)分別為93.25%和0.9239,竹林提取的用戶精度和生產(chǎn)者精度分別為96.06%和94.57%,組合的機(jī)器學(xué)習(xí)分類方法相比于傳統(tǒng)的、結(jié)構(gòu)單一的基于像元和基于面向?qū)ο蠓诸惙?在各指標(biāo)精度上都有較大的提升。綜上,新開(kāi)發(fā)的分類方法更能提取竹林特征并構(gòu)建特征集,能有效提高研究區(qū)竹林分類提取精度。
【圖文】：

利用梯度增強(qiáng)分類器選取出最佳竹林特征子集，使用隨機(jī)森林（ＲＦ）和梯度逡逑增強(qiáng)（ＧＢ）分類器建立具有最佳特征的集合模型，并高精度快速的提取出研究逡逑區(qū)竹林類別。具體流程如圖１。逡逑Ｉ邋￣自動(dòng)提取指標(biāo)￣Ｉ］邐Ｉ邐組合優(yōu)化逡逑Ｉ邋邐１邋Ｉ邋邐１逡逑Ｉ邋邐１邐Ｉ邐■邐ｒ－邋—邋—邋—邋—邋—邋—邋—邋—邋１逡逑Ｉ邐手動(dòng)設(shè)ｉ十指標(biāo)邐＇邋Ｉ邐：邐１＇邐＇，邐，邋１逡逑１邐！邐１丨邋：邐！邋Ｉ邐混淆矩陣邐Ｉ逡逑邐＞—！，邐Ｉ－．＇１邐邐逡逑Ｉ邐刪除空值邐｜｜邋Ｉ邋ＲＦ分類器邋丨邋丨邐邋；逡逑｜邐￣邋，邐｜邐￣￣邋，邋Ｉ邐總體精度邐｜逡逑Ｉ邋ＳｅｌｓｅｃｋＢｅｓｔ邋選擇■邋Ｉ邋ＧＢ邋分類＃邋１邐５邐■逡逑�。卞澹撸X邋Ｉ＇邐�。�！逡逑＇邋；，邐逡逑圖１邋ＲＦ－ＧＢ融合模型分類流程圖逡逑１０逡逑

密稀不分和竹木不分情況，連片生長(zhǎng)�；盍⒅裥罘e量１．２億株，居全國(guó)第三位，，逡逑全省第一位，享有中國(guó)竹子之鄉(xiāng)美譽(yù)。竹產(chǎn)業(yè)已成為宜豐縣的支柱產(chǎn)業(yè)。研宄區(qū)逡逑區(qū)位圖如圖３。逡逑圖３研究區(qū)區(qū)位圖逡逑２．２數(shù)據(jù)收集和準(zhǔn)備逡逑現(xiàn)階段，我國(guó)的森林資源調(diào)查主要依靠遙感技術(shù)和實(shí)測(cè)調(diào)查相結(jié)合的方法，逡逑森林資源二類調(diào)查是利用航片作為底圖對(duì)其進(jìn)行小班勾繪。此實(shí)驗(yàn)借用２０１７年逡逑２月２３日及２月２８日的資源３號(hào)衛(wèi)星遙感測(cè)量信息，原始信息第一步需要通過(guò)逡逑一致性的輻射檢測(cè)、去除噪音、選配標(biāo)準(zhǔn)、裝配等預(yù)處理才能獲得所需的影像產(chǎn)逡逑品。森林二類調(diào)查數(shù)據(jù)選用２００９年的信息。除此之外，校準(zhǔn)并裝配２００９年逡逑１２逡逑
【學(xué)位授予單位】：云南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：S771.8

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王瑾;;遙感分類技術(shù)在植被分類研究中的發(fā)展特點(diǎn)[J];科技展望;2015年26期

2 解韓瑋;張琴;;遙感植被分類方法研究進(jìn)展[J];中國(guó)園藝文摘;2015年08期

3 滕全曉;徐天蜀;;基于ALOS遙感影像植被分類方法的比較研究[J];林業(yè)資源管理;2015年04期

4 趙志明;周小成;付乾坤;汪小欽;;基于資源三號(hào)影像的建筑物高度信息提取方法[J];國(guó)土資源遙感;2015年03期

5 張繼平;劉春蘭;郝海廣;喬青;王輝;孫莉;;面向?qū)ο蟮腁LOS高分辨率遙感影像亞熱帶森林遙感分類研究[J];南方林業(yè)科學(xué);2015年01期

6 劉書(shū)含;顧行發(fā);余濤;王珂;張周威;鞠頌;;高分一號(hào)多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸怺J];測(cè)繪科學(xué);2014年12期

7 宋浩;陳長(zhǎng)紅;;基于資源三號(hào)衛(wèi)星數(shù)據(jù)的喀什市研究區(qū)的植被信息提取[J];國(guó)土與自然資源研究;2014年05期

8 王野;;基于資源三號(hào)衛(wèi)星影像的城市綠地信息提取方法探討[J];測(cè)繪工程;2014年07期

9 權(quán)文婷;王釗;;冬小麥種植面積遙感提取方法研究[J];國(guó)土資源遙感;2013年04期

10 李小江;孟慶巖;王春梅;劉苗;鄭利娟;王珂;;一種面向?qū)ο蟮南裨?jí)遙感圖像分類方法[J];地球信息科學(xué)學(xué)報(bào);2013年05期

相關(guān)博士學(xué)位論文 前1條

1 李大威;基于集成學(xué)習(xí)的高分遙感圖像玉米區(qū)高精度提取算法研究[D];中北大學(xué);2017年

本文編號(hào)：2705545