一、基于GIS的BP神经网络遥感影像分类研究（论文文献综述）
杜保佳[1]（2021）在《基于无人机高光谱影像的湿地植物群落分类与冠层氮素含量反演研究》文中指出湿地植物是湿地退化与恢复的重要指示因子,湿地植物群落作为湿地生态系统的一个结构单元对区域环境变化更加敏感。氮元素含量是湿地植物生长发育不可缺少的重要营养元素,同时也是引发湿地污染和水体富营养化的关键元素之一。对湿地植物群落的空间分布和冠层氮素含量快速、准确的监测,是评价湿地植物生长状况的重要指标,对及时掌控湿地植物群落分布格局、实施精准管理具有重要意义,在湿地保护与恢复过程中具有重要的应用价值。本研究以莫莫格湿地核心区域的优势植物群落遥感分布制图和冠层氮含量反演为研究目标,利用无人机高光谱成像系统获取了湿地植物群落的冠层高光谱影像,同时结合地面调查采样数据,从面向对象和面向像元两个尺度结合随机森林（RF）、卷积神经网络（CNN）和支持向量机（SVM）三种机器学习分类方法开展湿地植物群落分类对比实验,通过分类精度评价选择最优的分类算法完成湿地植物群落的空间分布制图。在此基础上,提取了无人机高光谱数据中响应冠层氮素含量的敏感特征波段、光谱特征参量和光谱指数,结合偏最小二乘回归（PLSR）、随机森林回归（RFR）和BP神经网络回归（BPR）三种建模方法分群落类型构建了湿地植物群落冠层氮素含量估算模型。主要工作与结论如下:（1）基于无人机高光谱遥感平台获取湿地植物群落冠层的无人机高光谱影像数据。通过格式转换、图像拼接、校正等预处理得到无人机高光谱正射影像数据,为植物群落冠层光谱特征选择和提取、特征敏感性分析、群落分类制图和冠层氮素含量反演研究提供数据基础。（2）基于多种光谱变换方法和主成分分析方法对原始反射率光谱数据进行了最优特征波段集的提取。为解决高光谱数据存在的特征冗余、维数灾难等问题,本文从多个角度,对研究区典型湿地植物群落芦苇、香蒲、碱蓬和藨草开展高光谱的光谱特征分析研究。首先,将预处理后的高光谱数据进行一阶导数运算、对数运算、对数的导数运算和连续统去除变换,以突显各群落类型的反射光谱和吸收光谱特征差异。然后采用主成分分析的特征提取方法,对各种变换光谱进行光谱降维。分析得到基于原始光谱及各种光谱变换7种处理方式共71个特征波段空间在群落分类中较为敏感。（3）基于最优特征波段集结合面向对象的随机森林分类算法得到了最优的湿地植物群落分类结果。基于特征波段、植被指数等特征空间,采用面向对象结合机器学习分类算法（RF、CNN和SVM）,对降维后的数据进行湿地植物群落提取和分类精度比较。对象尺度下随机森林、卷积神经网络和支持向量机分类结果的总体分类经度分别为87.75%、83.31%和80.29%,Kappa系数分别为0.86、0.83和0.81。与像元尺度下同种方法的分类精度相比提高了15.06%、8.98%和10.87%。分类对比实验结果表明面向对象结合随机森林分类效果整体最优。根据最优分类方案得到芦苇群落面积为295 ha,占总面积的57%;分布广泛,遍及整个研究区域。香蒲群落面积为84 ha,占总面积的16%;主要分布在研究区域的南部和北部地区。碱蓬群落面积为79 ha,占总面积的15%;集中分布在研究区的西部和北部。藨草群落面积为24 ha,仅占总面积占的5%,零星分布于芦苇群落和香蒲群落中间。（4）基于敏感光谱波段、三边光谱特征参量和高光谱植被指数构建了最优的反演模型,以及应用最优模型实现不同湿地植物群落冠层氮素含量反演与制图。基于响应冠层氮素含量的敏感波段或光谱特征变量,采用偏最小二乘回归（PLSR）、随机森林回归（RFR）和BP神经网络回归算法结合敏感光谱变量估算四种湿地植物群落冠层氮素含量。结果表明,基于光谱微分变换提取的光谱特征变量和高光谱植被指数建立的BP神经网络模型在估算湿地植物群落冠层氮素含量中可以提供更好的拟合度。基于714 nm（芦苇）和710 nm（香蒲）处的三边光谱特征参数组合的BP神经网络反演模型为估测芦苇群落和香蒲群落冠层氮素含量的最优反演模型。建模精度的R2分别为0.87和0.89,均方根误差最小,RMSE分别为0.29和0.23;验证精度的R2分别为0.83和0.85,均方根误差RMSE分别为0.19和0.27。基于618 nm和706 nm处的三边光谱特征建立的BP神经网络反演模型为估测碱蓬群落冠层氮素含量的最优反演模型,建模精度和验证精度的R2分别为0.81和0.82,均方根误差RMSE分别为0.46和0.25。基于10个高光谱植被指数组合的BP神经网络模型为估测藨草群落冠层氮素含量的最优估测模型,建模精度和验证精度的R2分别为0.76和0.75,均方根误差RMSE分别为0.36和0.39。针对芦苇群落和香蒲群落而言,冠层氮素含量均表现为四周高,中间低的空间分布格局。碱蓬群落的冠层氮素含量呈现为南北高中间低的趋势。芦苇群落冠层氮素含量介于7.90～48.47 g/kg之间,平均值12.96 g/kg;香蒲群落冠层氮素含量介于6.67～36.37 g/kg之间,平均值15.39 g/kg;碱蓬群落冠层氮素含量介于7.03～42.18 g/kg之间,平均值17.393 g/kg;藨草群落冠层氮素含量介于6.55～23.58之间,平均值15.98 g/kg。本研究基于无人机高光谱影像开展湿地植物群落冠层氮素含量监测,实现了从“点”到“面”无损、快速、高效的氮含量遥感监测,为大区域的湿地植物群落理化参量监测和实施有效的管理提供了依据。
顾晶晶[2]（2021）在《流域非点源污染风险动态评估方法研究》文中研究说明潘家口水库作为“引滦入津”工程主要水源地,近年来由于受到上游农业、城市等非点源污染,导致水库水质恶化,已严重影响到水库供水质量,因此开展潘家口水库流域非点源污染研究对水质污染防治具有重要的理论与实践意义。非点源污染具有来源广泛、传播随机及不确定性等特点,使得对其监测较为困难,目前模型模拟是研究非点源污染的主要方式之一。国内外非点源污染输出风险研究以输出系数模型为主,但大多研究未考虑年内降雨时空异质性以及地形对非点源污染的影响,因此,本文引入降雨因子和地形因子对输出系数模型进行改进,提出年内非点源污染输出风险动态评估方法。而现有降水产品空间分辨率、土地利用分类精度无法满足精细化非点源污染风险评估模型构建,因此,本文首先基于卫星反演降水产品（GPM）构建降水降尺度模型,获得空间分辨率降水数据;然后基于高分六号卫星研究土地利用分类方法,得到精细化的土地利用数据;最后基于降尺度后降水和高精度的土地利用等数据,构建了非点源污染输出风险动态评估模型,并在潘家口水库流域进行模型验证。主要得到以下结论:（1）降水降尺度研究结果表明,原始GPM降水产品在不同的时间尺度上,对研究区降水估算整体偏高;而利用PSO-BP模型降尺度后的降水数据空间分布与降尺度前数据保持一致,且在月时间尺度上,降尺度后的降雨数据与实测降雨相关性系数均在0.8以上,相对偏差值控制在10%以内,空间尺度和精度都能满足非点源污染输出风险评估研究需求。（2）研究分别利用多分类器组合方法、支持向量机和最大似然法提取潘家口水库流域土地利用。结果表明,分类总体精度依次为94.54%、85.25%和79.89%,Kappa系数分别为0.91、0.79和0.72。通过比较,发现三种分类器分类结果中各土地利用类型空间分布较为一致,但是在细节方面,多分类器组合方法提取效果更好,精度更高,可用于非点源污染输出风险评估研究。（3）研究考虑到降水和地形对非点源污染形成的影响,引入降水因子和地形因子对经典输出系数模型进行改进,构建了非点源污染输出风险动态评估模型,并以潘家口水库流域为研究区,对模型进行验证。模拟结果表明,整体上,氮污染输出风险相较于磷污染更高;在时间上,非点源污染输出风险在汛期更高,尤其在7月和8月;在空间上,潘家口流域非点源污染输出风险在上游和下游更高,在中游较低。通过与已有潘家口流域非点源污染负荷估算研究结果对比,本研究构建的模型能较准确的估算流域非点源污染动态输出风险。
杨帆[3]（2021）在《遥感影像像素纠缠理论的研究》文中进行了进一步梳理遥感技术是以电磁波为基础研究地球物体的分布及时空变化的一门现代科学观测技术。遥感图像分类是遥感技术的基础,无论是在遥感影像专题制图、土地覆盖分析、数字城市等领域都具有广泛的应用。与此同时,遥感影像分类处理是一个复杂而又难以准确处理的海量数据处理工作流程,会因此受到诸多客观因素的相互影响。如,遥感影像的选择,复杂的地表信息,仍然面临巨大的挑战。量子力学尤其是量子纠缠理论给遥感影像处理开辟了新的视角。因此,本文充分借鉴并总结了量子纠缠理论的一些基本概念及主要基本原理,提出一种自组织像素纠缠神经网络遥感影像分类方法。本文结合量子纠缠的基本概念,原理,围绕实际遥感影像分类技术,对像素纠缠理论进行了研究:（1）本文针对单波段遥感影像分类问题,提出了自组织像素纠缠神经网络单波段遥感影像分类算法。在自组织像素纠缠神经网络（SOQENN）中,首先将遥感影像中的像素点视为在空间阵列上的量子粒子;然后,提出量子纠缠系数,用于获取空间阵列上量子粒子的量子纠缠关系;最后,通过建立自组织神经网络模拟量子粒子之间的量子纠缠行为,将单波段遥感图像分类过程转化为量子像素在状态构形空间上的自组织量子纠缠过程。（2）本文将自组织像素纠缠单波段遥感影像分类算法推广至多波段遥感影像,提出了多光谱量子像素在特征空间上的态叠加原理及自组织像素纠缠神经网络多光谱遥感影像分类算法。首先将单波段遥感影像中的量子像素叠加为一个多光谱量子像素,每一个单波段量子像素视为多波段量子像素的特征向量,从而使得一个多光谱量子像素包含各个波段的量子像素信息。（3）为了验证自组织像素纠缠理论的正确性,SOQENN已用于四个测试区域的遥感影像分类。本文将SOPENN的遥感影像分类结果与非监督分类方法ISODATA、K-Means、SOM及监督分类方法SVM进行了对比分析,本文结果表明:提出的方法分类精度较好,四个测试区的相对准确率分别为97.56%,73.14%,96.45%,91.85%,总体上达到遥感影像分类要求。此外,提出的方法的分类精度除第一个实验区与传统的SOM持平外,其余三个测试区的分类精度均优于传统的SOM;提出的方法在四个试验区的分类精度与ISODATA和K-Means相比分别提高了21.21%,4.88%,11.06%和11.31%。研究结果表明,本文提出的自组织像素纠缠神经网络可以有效提高遥感影像分类精度。
蒋治浩[4]（2020）在《基于GF-1影像的面向对象分类研究 ——以杭州市西湖区为例》文中指出近年来,随着遥感技术不断地发展,越来越多高时间分辨率,高空间分辨率卫星相继出现,为我们的生产生活提供了很大的便利,而如何利用好这些数据庞大,信息丰富的遥感影像一直以来都是国内外研究的热点问题。其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础。早期的遥感影像分辨率较低,地物信息不丰富,地物间的关系不明显,多数研究使用基于像元的方法,只利用影像的光谱信息对其进行分析,容易出现错分漏分的现象。后来出现了针对于分辨率较高,地物细节丰富,相互之间关系明确的影像的面向对象的分析方法,同时考虑对象的光谱,拓扑,空间结构等信息,为利用遥感影像分类提供了良好的理论基础。同时传统的分类模型在实际应用中已难以满足要求,深度学习的快速发展,让解决海量影像分类的问题不再难以实现。本研究以浙江省杭州市西湖区为研究对象,以GF-1遥感数据为研究信息源,对数据进行了常规的预处理操作,利用最佳指数法确定最佳波段组合。然后构建moran’s Ⅰ指数与地理探测器q统计量的二维空间确定最佳分割尺度,利用最大面积法确定形状因子和紧致度的权重。利用分割后的对象的光谱特征、几何特征、纹理特征等作为分类模型的输入因子。构建基于像元的支持向量机分类模型,面向对象的支持向量机,最邻近法和BP神经网络分类模型。最后基于TensorFlow学习框架,建立一维卷积神经网络（1D-CNN）的深度学习分类模型,利用混淆矩阵法对所有模型进行精度分析,主要结论如下:（1）利用最佳指数法确定本研究使用的GF-1影像的最佳波段指数为4、2、1。对选用的国产GF-1遥感影像数据,进行了辐射定标,大气校正,正射校正,镶嵌裁剪等预处理,利用最佳指数法确定其最佳波段组合为4、2、1,为GF-1卫星影像的研究提供参考。（2）构建地理探测器q统计量与moran’s Ⅰ指数的二维空间,确定影像分割的最佳分割尺度为90,以最大面积法确定影像分割的形状因子权重为0.7,紧致度权重为0.3。构建的二维空间以归一化地理探测器q统计量为横坐标,归一化moran’s Ⅰ指数为纵坐标,计算每个分割尺度的分割参数优选函数值（SOF）与其分割质量最优点（1,0）的欧氏距离,以确定影像分割的最佳分割尺度为90;利用最大面积法,即计算不同参数下的分割对象最大面积,当其恒定时,各参数为最佳,确定影像分割的形状因子权重为0.7,紧致度权重为0.3。以此参数对影像进行分割,对分割完的影像进行包括光谱特征,几何特征,纹理特征等62维特征进行提取,作为分类模型的输入因子。（3）传统模型中BP神经网络的精度最高,其总体精度为89.52%,Kappa系数为0.8737。采用基于像元的支持向量机分类模型,面向对象的支持向量机分类模型,面向对象的最邻近法分类模型,面向对象的BP神经网络分类模型,对研究区进行分类,其模型的总体精度分别为68.75%,86.90%,84.86%,89.52%,Kappa系数分别为0.6244,0.8421,0.8110,0.8737。由此可见面向对象的分类模型分类效果要好于基于像元的分类模型,同时对各模型的用户精度和生产者精度进行分析可以得到,在建筑用地和交通用地的提取方面,对于各模型来说均有难度。（4）基于TensorFlow学习框架构建了面向对象的基于1D-CNN的深度学习分类模型,其分类总体精度为93.10%,Kappa系数为0.9167,为所有模型中效果最好的。构建的1D-CNN模型一共包括两层卷积,两层池化,三层全连接,并且在前两个全连接层出使用Dropout以防止过拟合,得到其分类总体精度为93.10%,Kappa系数为0.9167,除了较难区分的交通用地,其他类别的用户精度和生产者精度均高于85%,分类效果较理想,与传统的模型相比也具有较大的优势。
党元君[5]（2020）在《滔河流域土地利用变化及驱动力分析》文中认为滔河,丹江的主要支流,地处秦岭南麓,河流全长155km,流域面积为1210km2。依次流经陕西省商洛市商南县、湖北省十堰市郧阳区、河南省南阳市淅川县。近十年来,三个县的社会经济、政策法规均发生了不同程度的发展,其内的土地利用/覆被变化程度不断加深。本文研究了滔河流域十年间的土地利用变化及驱动力,有助于揭示生态环境治理成效,为科学制定发展规划和土地管理措施提供可靠的理论依据,同时也对未来研究类似山高林密、沟峡谷深的流域区提供指导帮助。本文以研究区SPOT5、ZY03和GF01等高分辨遥感影像为数据源,首先,分别采用非监督分类、监督分类中的最小距离分类法和面向对象分类法,三种不同方法提取土地利用信息,选择精度最高的分类方法对研究区2008年、2013年、2018年三期影像进行土地利用分类。其次,通过计算土地利用变化幅度R、动态度K、程度变化量ΔL等指标,分析土地利用面积结构、程度及空间的变化,研究不同时空格局内的土地转移的来源和去向,归纳土地演变规律。最后,结合社会统计数据,建立驱动因子指标体系,定性、定量探索研究区内土地利用变化的主要驱动因素。主要研究结果如下:（1）非监督分类、监督分类中的最小距离分类法和面向对象分类法3种分类方法,总体分类精度分别为83.01%、85.07%、84.64%,分类精度平均达80%以上,解译效果较好。三种分类方法的Kappa系数（KIA）分别0.646、0.78、0.653,Kappa系数均达到0.6以上。其中,最小距离分类法的总体精度以及Kappa系数均略高于其他两种。（2）在2008年、2013年、2018年三个时期林地面积占总面积的3/4以上,面积比例分别为80.08%、79.30%、81.88%,平均值达80%。在研究期内,土地类型结构稳定,变化较大的是未利用地,说明未利用地都得到了有效利用。土地利用转移主要发生在林地与耕地之间,研究前期（2008～2013年间）林地转向耕地面积>耕地转向林地面积,林地流失较严重。在研究后期（2013～2018年间）林地转向耕地面积<耕地转向林地面积,说明后期退耕还林实施面积大,落实效果较好。（3）通过定性分析发现,人口密度与耕地面积、GDP与建设用地面积、农林牧渔业产值比例与林地面积呈正相关。即人口密度越大的区县,耕地面积占比越重;GDP越高的区县,城市建设用地面积占比越大;农林牧渔业产值比例越高,林地面积占比例也更高。同时,农林牧渔业产值比例的波动情况,和林地变动情况基本吻合。（4）通过定量分析发现,政策因素、社会因素是主要驱动因素。2008～2013年间驱动因素权重前三位为:退耕还林、人均GDP、至居民点距离。2013～2018年间驱动因素权重前三位为:退耕还林、海拔、人口密度。总体来说,政策因素、社会因素（人口、GDP）主要驱动因素,这两类因素的作用力和影响力平均强于自然因素和空间因素。此外,研究表明社会因素会增加发生变化概率,退耕还林、人均GDP、人口密度Exp（B）值均大于1。说明有执行退耕还林政策、增加人均GDP、扩大人口密度均有可能增加变化发生的概率。
邢瑾[6]（2020）在《基于邻域影像重叠实现特征迁移机器学习的大区域草地分布提取方法研究》文中提出草地作为全球最常见的植被类型之一,在维护全球生态安全、防止沙漠化及涵养水源等方面具有十分重要的作用。准确获取草地空间分布信息不仅具有十分重要的生态环境意义,还有助于相应保护管理政策的制定。传统的草地覆被信息监测方法主要采用野外采样法,该方法耗时,耗力,效能低且成本高,受到许多人为因素的限制,并且不能快速检测大范围的草地覆被信息。遥感监测技术近几十年来发展迅速,在全球植被信息获取方面发挥着重大作用。当前基于遥感影像的大区域土地覆被信息提取研究中,通常存在相同时相的遥感影像获取困难,不同时相的遥感影像因拍摄时的不同角度、照明以及物候时相等因素的影响产生明显的色彩差异,训练样本获取难度大,相邻影像重叠区域冗余信息处理困难等问题。因此,对于覆盖多景遥感影像的大范围区域,如何实现草地覆被信息的高精度提取,仍然有待探索。其一,相邻影像间重叠区域的地理空间具有一致性,地物类型一般不会随着时间推移发生很大改变。将重叠区域影像对象作为附加样本自动选择的有效区域,可有效利用重叠区域冗余信息,并减少样本选取工作量。其二,迁移学习方法中的联合分布自适应（Joint Distribution Adaptation,JDA）和平衡分布自适应（Balanced Distribution Adaptation,BDA）的领域自适应方法可通过数据特征之间的变换,削弱不同数据域间的差异。采用迁移学习方法平衡遥感影像间存在的时相差异,可削弱因时相差异引起的影像数据特征变化程度。其三,借助机器学习分类器算法完成遥感影像信息提取可大大提高其自动化水平,选择分类能力强的分类器算法对信息提取结果影响较大。研究立足以上三点,本文提出了一种基于影像重叠区域特征迁移机器学习的大区域草地信息自动提取算法,实现了甘肃祁连山保护区草地植被分布的高精度提取。本文以甘肃祁连山自然保护区草地植被分布为例,以Sentinel-2影像数据为主,30m数字高程模型数据为辅。通过卫星遥感影像重叠区域选取不同比例标记样本对分类精度影响实验、迁移学习方法对分类精度影响实验、4种分类器算法对比实验、甘肃祁连山自然保护区草地覆被信息提取实验和5种分类策略对比实验进行对比分析,得到如下结论:（1）本文基于影像重叠区域特征迁移机器学习的大区域草地自动提取算法,能够有效、高精度提取甘肃祁连山自然保护区的草地覆被信息,在一定程度上满足了大区域遥感影像的专题信息提取需求。文中以1景影像分类,迁移学习模型平衡影像时相差异,自适应完成重叠区域信息迁移,拓展完成了12景目标影像分类。研究区平均总体分类精度达到92.59%,平均卡帕系数达到0.84。实验结果论证了本文所提方法可有效实现大区域范围少训练样本的甘肃祁连山自然保护区的草地覆被信息提取。（2）通过选取不同比例的重叠区域标记样本与源训练样本混合完成草地覆被信息提取对比实验,发现随着影像重叠区域标记样本量的增加,草地覆被信息的提取精度先迅速提高,再趋于稳定或有略微下降趋势。当重叠区域标记样本所占比例达到10%时,研究区草地信息提取的平均总体精度最高。（3）通过2种迁移学习方法对分类精度的影响实验,可以发现BDA模型对分类精度的有效性要高于JDA模型。本文所使用的BDA迁移学习方法可有效削弱因时相差异引起的影像数据特征分布差异。（4）通过4种分类器算法对比实验,BP神经网络作为源分类器的平均总体精度和卡帕系数最高,泛化能力最强,其总体精度、卡帕系数达到92.59%、0.84。随机森林和支持向量机次之,其总体精度、卡帕系数分别达到91.61%、0.82和90.34%、0.78。决策树的泛化能力最差,其总体精度、卡帕系数达到87.28%、0.74。（5）本文方法既利用影像的重叠区域信息,又采用迁移学习方法。为了验证两者对草地信息提取的有效性,本文采用5种分类策略进行研究区草地信息提取对比试验。试验结果表明,融合影像重叠区域信息和进行迁移学习均能提高草地提取精度,融合重叠区域信息对提取精度的促进作用要高于迁移学习,同时融合影像重叠区域信息和进行迁移学习对草地信息提取精度有效性最高。本文方法取得的分类精度略优于监督分类,且具有显着减少大区域遥感信息提取过程中训练样本选取的潜力,可有效提升遥感专题信息提取的自动化水平。
樊潭飞[7]（2019）在《遥感图像在城市“海绵体”提取中的应用研究》文中指出遥感图像地物分类与变化检测一直是目前遥感领域的研究热点。当下随着神经网络理论的发展,神经网络算法在城市遥感图像处理领域应用广泛。本课题是以“海绵城市”构建为应用背景的遥感图像处理技术研究,以陕西省汉中市为研究区域,利用遥感处理软件ENVI为平台,通过机器学习的分类算法进行系统地分类提取与检测评价,相比较传统的地面调查能够快速、准确、精细地获得城市“海绵体”以及绿地和城市湖泊结构和面积的变化。为了实现在遥感图像处理过程中准确地提取到有效地物信息,缩短分类用时。本文将经典卷积神经网络进行改进,在卷积神经网络中引入模糊聚类算子,通过基于图片模糊几何聚类算子的多属性决策方法得到较高的城市水体与绿地的分类结果,进而通过监督分类、边缘检测和样本分析等步骤检测提取遥感影像上的特定目标,再进行目标级的形状比较,获取变化检测结果。检测结果表明该方法能有效缩短检测用时,具有良好的抗噪性能。
来周翔[8]（2019）在《基于稳健线性回归的森林地类变化遥感监测》文中指出森林资源动态监测是森林资源管理的核心内容,是实现森林面积蓄积双增目标的重要信息支撑。我国已经初步建立了覆盖大陆地区和海南岛等区域的全国林地一张图,每年进行蓄积和林地数据更新。数据更新的一项重要工作是每年一次的全国性的林地变更调查。这项调查依托遥感图像计算机自动识别、人工解释和实地调查完成。随着遥感数据的不断丰富以及计算机技术的不断进步,计算机自动识别技术在变化监测中的应用变得越来越重要。在前后期的遥感数据中,没明显变化的占多数,发生明显变化的占少数,从统计学上说,变化的数据相当于“异常数据”。所以变化监测的核心是监测这些异常数据。稳健回归是监测异常值的一种重要方法。本文将稳健线性回归技术应用到森林地类的变化监测,以浙江省杭州市临安区为例,主要基于3个部分对森林地类进行变化监测:采用不处理、主成分变换、典型相关变换等3种方法进行数据预处理对比分析。在数据预处理基础上用稳健线性回归、普通最小二乘回归和差值等3种方法提取变化信息。将提取的变化信息作为特征变量,用二项逻辑回归、多元线性回归、支持向量机和BP神经网络等4种监督分类算法将前后期的地类分成变化和不变化两类,最终获得森林地类变化情况。结果表明,相较于普通最小二乘法,稳健线性回归在异常数据存在的情况下估计回归参数有更好的稳健性。稳健线性回归对数据预处理方法不敏感,普通最小二乘回归次之,图像差值法最敏感,尤其对于主成分变换的数据。基于稳健线性回归的12种结果的平均总精度、平均用户精度、平均生产者精度和平均Kappa系数均高于普通最小二乘回归和图像差值,平均总体精度和Kappa系数达到了98.65%和0.972。数据预处理方法中,典型相关变换对提高森林地类变化监测精度有一定帮助。4种判别方法中,二项逻辑回归的9种结果的平均精度最高,支持向量机最稳定,BP神经网络精度与支持向量机接近,多元线性回归表现最差。
董光[9]（2019）在《基于低空遥感的若尔盖草地鼠害信息提取方法及对比研究》文中指出若尔盖草地鼠害频发对当地的生产生活以及生态环境造成严重影响,研究基于无人机影像的草地鼠害信息提取方法,以期为草原鼠害监测提供一定的理论与技术参考,对若尔盖草原鼠害防治与草地资源可持续发展具有重要意义。本研究以若尔盖县辖曼乡鼠害严重的两个小牧场作为实验区,首先利用大疆精灵4Pro无人机获取实验区的航拍像片,通过处理得到4幅低空遥感正射影像,包括春夏两季的鼢鼠鼠害区影像与旱獭鼠害区影像。再运用灰度阈值分割、优选色彩纹理、基于规则的面向对象、BP神经网络共4种方法逐一对四幅影像的地表鼠害信息进行提取,并从空间精度与定量精度两个方面对提取结果进行精度评价,然后对比分析总结各方法的优劣,进而得出不同季节影像中不同鼠害信息的最佳的提取方法。主要研究结论如下:（1）在春季鼢鼠鼠害区影像中,利用优选色彩纹理、面向对象、BP神经网络三种方法提取出的鼢鼠土丘制图精度与用户精度均达到90%以上,分类结果精度高;灰度阈值分割的土丘中心部分的提取效果较差,制图精度仅为73.03%。基于规则的面向对象提取结果的数量位置精度为96.30%,面积偏离度0.16,形状偏离度0.13,各项指标均为最优,是春季影像中提取鼢鼠土丘精度最高的方法。（2）在夏季鼢鼠鼠害区影像中,灰度阈值分割与面向对象方法的提取结果漏分像元较多,制图精度仅为72%左右,土丘图斑的数量位置精度仅为57.14%与50.00%。而优选色彩纹理与BP神经网络方法的制图精度与用户精度均达到85%以上,土丘图斑的数量位置精度分别为86.36%与90.00%。BP神经网络方法的面积偏离度为0.30,为各方法中最小,是提取夏季影像鼢鼠土丘的相对较优的方法。（3）在春季旱獭鼠害区影像中,BP神经网络方法提取洞口像元的制图精度为50%,优选色彩纹理提取洞口的用户精度仅为37.77%,这两种方法对洞口的提取准确度仅为27.59%与23.81%。4种方法对洞口辐射区的提取准确度均不足40%,且图斑破碎程度普遍较高。基于规则的面向对象方法提取洞口与洞口辐射区的制图精度分别为83.02%与74.46%,用户精度分别为100.00%与99.79%,数量位置精度分别为52.17%与38.46%,洞口辐射区的面积偏离度与形状偏离度分别为0.13与0.29,是提取旱獭鼠害精度相对较高的方法。（4）在夏季旱獭鼠害区影像中,各方法对洞口辐射区的提取精度均为良好,其中灰度阈值分割的精度相对略低,其他三种方法的制图精度与用户精度均达90%以上,数量位置准确度也超过80%。对于旱獭洞口,各方法的提取精度差异较大,优选色彩纹理与面向对象方法的错分像元较多,用户精度分别仅为45.10%与65.81%;灰度阈值分割与优选色彩纹理的数量位置精度较低,准确度分别仅为59.46%与18.52%;BP神经网络提取的洞口准确度74.19%,制图精度与用户精度分别为82.37%与99.95%,面积与形状偏离度分别为0.24与0.23,是提取夏季影像中旱獭鼠害信息精度最优的方法。
杨朦朦[10]（2018）在《结合DT-CWT分解的多特征BP神经网络遥感影像分类》文中提出遥感技术凭借宏观、动态、综合、快速的特点,在地球物理数据以及变化信息的采集工作中具有重要的意义,在我国国民经济、社会发展、国防建设的宏观决策中也发挥着重要的作用,展现出广阔的产业化前景。高分辨率遥感影像数据主要有多源性、空间宏观性、时间周期性、多空间分辨率等特性。传统的诸如最小距离法、最大似然法等遥感影像分类方法在一定程度上改善了分类主观性较大、操作较复杂以及耗时较多的缺点,但分类结果依然存在分类杂点较多,区域一致性差等问题,分类精度也无法令人满意,且分类结果作图也需进行进一步处理,给遥感影像分类工作带来了诸多不便。为有效解决高分辨率遥感影像分类模糊性、不确定性并较好克服影像噪声对分类结果的影响,提出了一种基于双树复小波分解的BP神经网络遥感影像分类方法。本文首先提取影像的归一化植被指数（Normalized Difference Vegetation Index,NDVI）、纹理特征来降低影像中因“同谱异物”和“同物异谱”引起的分类不确定性;然后对影像的光谱波段、NDVI、纹理特征共10个波段进行一层双树复小波分解,提取出影像多特征的低频信息,减少图像噪声导致的分类结果中存在“椒盐”现象;最后将提取的低频信息图作为BP神经网络的输入进行分类,得到分类结果。对比实验结果表明本文所提影像分类方法的结果杂点较少,“椒盐”现象更弱,具有较高的分类精度,鲁棒性也好。研究表明本文采所提结合DT-CWT分解的多特征BP神经网络遥感影像分类方法优于其他几种分类方法,证明了利用DT-CWT分解和BP神经网络结合的方法进行影像分类是一个行之有效的方法,也说明对影像多特征进行DT-CWT分解对优化神经网络运算具有一定效果。
二、基于GIS的BP神经网络遥感影像分类研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于GIS的BP神经网络遥感影像分类研究（论文提纲范文）
（1）基于无人机高光谱影像的湿地植物群落分类与冠层氮素含量反演研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景、目的及意义 |
| 1.1.1 选题背景及依据 |
| 1.1.2 研究目的及意义 |
| 1.2 研究进展 |
| 1.2.1 湿地植物群落遥感分类制图研究 |
| 1.2.2 氮含量遥感反演研究 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究区概况、数据获取与处理 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 气候特征 |
| 2.1.4 水文特征 |
| 2.1.5 生物资源 |
| 2.1.6 社会经济状况 |
| 2.2 遥感数据获取及预处理 |
| 2.2.1 无人机高光谱数据获取 |
| 2.2.2 无人机高光谱数据预处理 |
| 2.3 湿地植物冠层氮含量测定 |
| 2.3.1 冠层氮素含量测量 |
| 2.3.2 湿地植物群落冠层氮素含量统计分析 |
| 2.4 本章小结 |
| 第3章 研究方法 |
| 3.1 高光谱数据降维 |
| 3.1.1 影像平滑去噪 |
| 3.1.2 光谱变换 |
| 3.1.3 三边参数 |
| 3.1.4 植被指数 |
| 3.1.5 主成分分析 |
| 3.1.6 特征敏感性分析 |
| 3.2 影像分割 |
| 3.2.1 多尺度分割理论 |
| 3.2.2 最优分割尺度选择 |
| 3.3 湿地植物群落分类方法 |
| 3.3.1 随机森林 |
| 3.3.2 卷积神经网络 |
| 3.3.3 支持向量机 |
| 3.3.4 高光谱图像分类精度评价 |
| 3.4 湿地植物群落冠层氮素含量反演方法 |
| 3.4.1 相关性分析 |
| 3.4.2 偏最小二乘回归 |
| 3.4.3 随机森林回归 |
| 3.4.4 BP神经网络回归 |
| 3.4.5 反演精度评价指标 |
| 3.5 本章讨论与小结 |
| 第4章 湿地植物群落空间分布制图 |
| 4.1 分类系统的确定 |
| 4.2 湿地植物群落光谱特征分析 |
| 4.2.1 原始反射率光谱特征分析 |
| 4.2.2 植物群落冠层光谱一阶导数变换分析 |
| 4.2.3 植物群落冠层对数光谱变换分析 |
| 4.2.4 吸收特征分析 |
| 4.2.5 主成分特征分析 |
| 4.3 湿地植物群落空间分布制图 |
| 4.3.1 特征优选 |
| 4.3.2 样本选择 |
| 4.3.3 最优分割参数确定 |
| 4.3.4 基于随机森林的湿地植物群落分类 |
| 4.3.5 基于卷积神经网络的湿地植物群落分类 |
| 4.3.6 基于支持向量机的湿地植物群落分类 |
| 4.3.7 确定最优分类方案 |
| 4.4 群落空间分布遥感制图 |
| 4.5 本章讨论与小结 |
| 第5章 湿地植物群落冠层氮素含量反演模型构建 |
| 5.1 响应湿地植物冠层氮素含量的高光谱数据分析与特征波段提取 |
| 5.1.1 冠层氮素含量与反射率光谱及一阶导数相关性分析 |
| 5.1.2 光谱特征参量与冠层氮素含量相关性分析 |
| 5.1.3 群落冠层氮素含量与高光谱植被指数相关性分析 |
| 5.2 芦苇冠层氮素含量估算与验证 |
| 5.2.1 基于高光谱波段信息的估算与验证 |
| 5.2.2 基于光谱特征参数的估算与验证 |
| 5.2.3 基于高光谱植被指数的估算与验证 |
| 5.2.4 三种反演模型的评价对比 |
| 5.3 香蒲冠层氮素含量估算与验证 |
| 5.3.1 基于高光谱波段信息的估算与验证 |
| 5.3.2 基于光谱特征参数的估算与验证 |
| 5.3.3 基于高光谱植被指数的估算与验证 |
| 5.3.4 不同反演模型对比 |
| 5.4 碱蓬冠层氮素含量估算与验证 |
| 5.4.1 基于光谱特征参数的估算与验证 |
| 5.4.2 基于高光谱植被指数的估算与验证 |
| 5.5 藨草冠层氮素含量估算与验证 |
| 5.5.1 基于光谱特征参数的估算与验证 |
| 5.5.2 基于高光谱植被指数的估算与验证 |
| 5.6 本章讨论与小结 |
| 第6章 无人机高光谱的湿地植物冠层氮素含量估算制图 |
| 6.1 芦苇群落冠层氮素含量空间分布 |
| 6.2 香蒲群落冠层氮素含量空间分布 |
| 6.3 碱蓬群落冠层氮素含量空间分布 |
| 6.4 藨草群落冠层氮素含量空间分布 |
| 6.5 研究区湿地植物群落冠层氮素含量空间分布 |
| 6.6 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（2）流域非点源污染风险动态评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非点源污染研究现状 |
| 1.2.2 输出系数模型研究现状 |
| 1.2.3 土地利用分类研究现状 |
| 1.2.4 遥感反演降水研究现状 |
| 1.3 拟解决的问题、研究内容及技术路线 |
| 1.3.1 拟解决的关键问题 |
| 1.3.2 研究内容及技术路线 |
| 1.4 章节安排 |
| 2 流域非点源污染风险动态评估框架 |
| 2.1 研究区概况与基础数据 |
| 2.1.1 研究区概况 |
| 2.1.2 基础数据 |
| 2.2 非点源污染影响因素分析 |
| 2.2.1 土地利用方式 |
| 2.2.2 地形地貌与土壤植被 |
| 2.2.3 气候及水文特征 |
| 2.2.4 农事活动及田间管理 |
| 2.3 非点源污染风险动态评估框架 |
| 3 基于星地数据的降水空间降尺度方法 |
| 3.1 数据源及预处理 |
| 3.1.1 GPM降水产品 |
| 3.1.2 CGDPA降水产品 |
| 3.1.3 站点降水数据 |
| 3.1.4 降水影响因子数据 |
| 3.2 遥感反演降水的流域适用性分析 |
| 3.2.1 GPM产品适用性评估方法 |
| 3.2.2 季、年尺度GPM产品适用性分析 |
| 3.2.3 月尺度GPM产品适用性分析 |
| 3.3 遥感反演降水空间降尺度方法 |
| 3.3.1 BP、PSO和 PSO-BP算法原理 |
| 3.3.2 PSO-BP降尺度模型构建 |
| 3.4 GPM降水降尺度结果与分析 |
| 3.4.1 年、季尺度GPM降水降尺度精度评估 |
| 3.4.2 月尺度GPM降水降尺度精度评估 |
| 3.4.3 降水降尺度结果 |
| 3.5 本章小结 |
| 4 基于高分六号卫星的土地利用分类方法 |
| 4.1 数据源及预处理 |
| 4.1.1 数据源 |
| 4.1.2 预处理 |
| 4.2 分类体系、样本与分类特征 |
| 4.2.1 分类体系及样本选取 |
| 4.2.2 分类特征计算 |
| 4.3 分类方法 |
| 4.3.1 常用单一分类方法 |
| 4.3.2 多分类组合分类原理 |
| 4.4 土地利用分类结果与分析 |
| 4.5 本章小结 |
| 5 非点源污染风险动态评估模型 |
| 5.1 风险动态评估模型构建 |
| 5.1.1 输出系数模型原理及改进 |
| 5.1.2 子流域划分 |
| 5.1.3 改进的输出系数模型参数计算 |
| 5.1.4 非点源污染输出风险计算 |
| 5.2 风险评估结果与分析 |
| 5.3 非点源污染防控建议 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）遥感影像像素纠缠理论的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像分类研究现状 |
| 1.2.2 量子群智能算法研究现状 |
| 1.3章节安排 |
| 第2章 量子纠缠理论 |
| 2.1 量子力学基本原理 |
| 2.1.1 波函数的统计解释 |
| 2.1.2 态叠加原理 |
| 2.1.3 薛定谔方程 |
| 2.1.4 算符化规则 |
| 2.1.5 全同性原理 |
| 2.2 量子纠缠理论 |
| 2.2.1 量子比特 |
| 2.2.2 张量积与多量子比特 |
| 2.2.3 纯态和混合态 |
| 2.2.4 量子纠缠 |
| 2.2.5 常见的量子纠缠态 |
| 2.3 量子纠缠探测及纠缠度量 |
| 2.4 本章小结 |
| 第3章 单波段自组织像素纠缠理论及遥感影像分类 |
| 3.1 自组织映射神经网络 |
| 3.2 自组织像素纠缠神经网络 |
| 3.2.1 量子像素阵列 |
| 3.2.2 量子像素纠缠理论 |
| 3.3 自组织像素纠缠神经网络算法 |
| 3.3.1 单波段遥感影像分类算法 |
| 3.4 本章小结 |
| 第4章 多光谱自组织像素纠缠理论及遥感影像分类 |
| 4.1 量子像素的态叠加原理 |
| 4.2 多光谱自组织像素纠缠神经网络算法 |
| 4.3 SOPENN算法的分析与讨论 |
| 4.4 本章小结 |
| 第5章 遥感影像分类实验及精度分析 |
| 5.1 遥感影像分类实验过程 |
| 5.2 .遥感影像分类实验结果 |
| 5.2.1 单波段遥感影像分类 |
| 5.2.2 多光谱遥感影像分类 |
| 5.3 精度分析与讨论 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 个人简历、参与的科研项目及论文成果 |
| 致谢 |
（4）基于GF-1影像的面向对象分类研究 ——以杭州市西湖区为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于像元的遥感影像分类 |
| 1.2.2 面向对象的遥感影像分类 |
| 1.2.3 基于卷积神经网络的遥感影像分类 |
| 1.3 课题来源 |
| 1.4 研究方案 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 研究区概况与数据处理 |
| 2.1 研究区概况 |
| 2.2 遥感影像介绍 |
| 2.3 遥感影像预处理 |
| 2.4 最佳波段组合分析 |
| 2.5 分类体系的确定 |
| 2.6 本章小结 |
| 3 面向对象的影像分割 |
| 3.1 影像分割 |
| 3.2 最佳分割尺度的确定 |
| 3.3 均质因子的确定 |
| 3.4 影像对象特征提取 |
| 3.4.1 光谱特征 |
| 3.4.2 几何特征 |
| 3.4.3 纹理特征 |
| 3.4.4 自定义特征 |
| 3.5 本章小结 |
| 4 基于传统机器学习的遥感影像分类 |
| 4.1 传统机器学习模型介绍 |
| 4.1.1 支持向量机 |
| 4.1.2 最邻近分类 |
| 4.1.3 BP神经网络 |
| 4.2 分类结果 |
| 4.2.1 支持向量机分类结果 |
| 4.2.2 最邻近法的分类结果 |
| 4.2.3 BP神经网络的分类结果 |
| 4.3 本章小结 |
| 5 基于卷积神经网络的遥感影像分类 |
| 5.1 卷积神经网络 |
| 5.1.1 卷积神经网络结构 |
| 5.1.2 经典卷积神经网络模型 |
| 5.2 基于1D-CNN结合面向对象的遥感影像分类 |
| 5.3 1D-CNN分类结果 |
| 5.4 本章小结 |
| 6 结果分析 |
| 6.1 精度评价方法 |
| 6.2 不同分类方法精度对比 |
| 6.3 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 附录：攻读学位期间的主要学术成果 |
| 致谢 |
（5）滔河流域土地利用变化及驱动力分析（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感信息提取技术 |
| 1.2.2 驱动力分析技术 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 2.研究区概况和数据处理 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 植被资源 |
| 2.1.4 气候条件 |
| 2.1.5 土壤条件 |
| 2.2 数据来源及处理 |
| 2.2.1 数据来源 |
| 2.2.2 数据预处理 |
| 3.土地利用遥感信息提取方法研究 |
| 3.1 非监督分类 |
| 3.2 监督分类 |
| 3.2.1 最小距离分类法 |
| 3.2.2 面向对象分类法 |
| 3.3 分类精度评价 |
| 3.3.1 精度评价方法 |
| 3.3.2 非监督分类法的精度评价 |
| 3.3.3 监督分类的精度评价 |
| 3.4 分类结果 |
| 4.土地利用动态变化分析 |
| 4.1 土地利用类型数量变化分析 |
| 4.1.1 土地利用类型面积变化 |
| 4.1.2 土地利用变化幅度、动态度 |
| 4.2 土地利用程度变化分析 |
| 4.2.1 土地利用程度综合指数Lp |
| 4.2.2 土地利用程度变化量和变化率 |
| 4.3 土地利用空间变化分析 |
| 5.驱动力分析 |
| 5.1 驱动力定性分析 |
| 5.1.1 人口因素 |
| 5.1.2 经济因素 |
| 5.2 驱动力定量分析 |
| 5.2.1 指标体系选择 |
| 5.2.2 驱动因子空间化 |
| 5.2.3 Logistic回归分析 |
| 5.3 发展建议 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（6）基于邻域影像重叠实现特征迁移机器学习的大区域草地分布提取方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 草地信息提取研究进展 |
| 1.2.2 机器学习分类器研究进展 |
| 1.2.3 迁移学习研究进展 |
| 1.3 研究目标、研究内容与技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容与技术路线 |
| 1.4 论文特色与创新 |
| 1.5 论文章节安排 |
| 第二章 基本原理与方法 |
| 2.1 影像分割 |
| 2.1.1 影像分割方法 |
| 2.1.2 影像分割参数优选 |
| 2.2 分类器算法 |
| 2.2.1 决策树 |
| 2.2.2 随机森林 |
| 2.2.3 支持向量机 |
| 2.2.4 BP神经网络 |
| 2.3 迁移学习 |
| 2.3.1 联合分布自适应 |
| 2.3.2 平衡分布自适应 |
| 2.4 基于影像重叠区域特征迁移机器学习的草地信息自动提取策略 |
| 2.4.1 构建源分类器模型 |
| 2.4.2 平衡时相差异 |
| 2.4.3 草地覆被信息提取 |
| 第三章 研究区概况与数据准备 |
| 3.1 研究区概况 |
| 3.1.1 地理位置 |
| 3.1.2 自然环境概况 |
| 3.1.3 社会经济概况 |
| 3.2 数据与预处理 |
| 3.2.1 数据源 |
| 3.2.2 数据预处理 |
| 3.3 本章小结 |
| 第四章 实验准备 |
| 4.1 影像分割参数设置 |
| 4.2 特征空间构建 |
| 4.2.1 光谱特征 |
| 4.2.2 几何特征 |
| 4.2.3 纹理特征 |
| 4.2.4 地理信息辅助特征 |
| 4.2.5 自定义特征 |
| 4.3 分类器超参数设置 |
| 4.3.1 决策树参数设置 |
| 4.3.2 随机森林参数设置 |
| 4.3.3 支持向量机参数设置 |
| 4.3.4 BP神经网络参数设置 |
| 4.4 迁移学习参数设置 |
| 4.5 本章小结 |
| 第五章 实验结果与讨论 |
| 5.1 重叠区域不同标记样本量对分类结果的影响实验 |
| 5.2 迁移学习对分类结果的影响实验 |
| 5.2.1 迁移学习方法对比分析实验 |
| 5.2.2 BDA平衡时相差异分析实验 |
| 5.3 不同分类器算法对比分析实验 |
| 5.4 草地覆被信息提取实验 |
| 5.5 5种提取策略对比分析实验 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（7）遥感图像在城市“海绵体”提取中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 遥感影像分类研究现状 |
| 1.2.2 遥感影像变化检测研究现状 |
| 1.3 研究内容 |
| 1.3.1 遥感影像分类 |
| 1.3.2 神经网络分类方法 |
| 1.3.3 变化检测研究 |
| 1.4 论文章节安排 |
| 2 遥感影像分类 |
| 2.1 引言 |
| 2.2 遥感图像预处理 |
| 2.2.1 遥感图像数字化处理 |
| 2.2.2 遥感图像校正 |
| 2.2.3 遥感图像增强 |
| 2.2.4 遥感图像特征提取 |
| 2.3 遥感影像分类方法 |
| 2.3.1 最大似然分类 |
| 2.3.2 最小距离分类 |
| 2.3.3 K均值聚类 |
| 2.4 模糊几何聚类算法 |
| 2.4.1 直觉模糊集 |
| 2.4.2 基于模糊几何聚类的多重决策方法 |
| 2.5 遥感影像分类评价标准 |
| 2.6 本章总结 |
| 3 卷积神经网络改进算法 |
| 3.1 神经网络概述 |
| 3.2 BP神经网络 |
| 3.2.1 BP神经网络基本原理 |
| 3.2.2 BP神经网络算法步骤 |
| 3.3 卷积神经网络 |
| 3.3.1 卷积神经网络算法流程 |
| 3.3.2 卷积神经网络特性 |
| 3.4神经网络分类实验 |
| 3.4.1 研究区概况 |
| 3.4.2 遥感图像预处理 |
| 3.4.3 分类结果 |
| 3.4.4 精度评价 |
| 3.5 本章总结 |
| 4 基于模糊聚类与卷积神经网络的遥感图像变化检测 |
| 4.1 研究区概况 |
| 4.2 变化检测方法 |
| 4.2.1 变化检测发展过程 |
| 4.2.2 主成分分析法 |
| 4.2.3 变向量检测方法 |
| 4.3 FCM聚类与CNN训练过程 |
| 4.3.1 FCM聚类过程 |
| 4.3.2 CNN训练过程 |
| 4.4 实验结果和分析 |
| 4.5 本章总结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的学术论文及成果 |
（8）基于稳健线性回归的森林地类变化遥感监测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感变化监测研究现状 |
| 1.2.2 稳健线性回归在森林地类变化监测方面的研究现状 |
| 1.3 研究内容与数据 |
| 1.3.1 研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 论文框架 |
| 2 研究区概况与数据 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候概况 |
| 2.1.3 植被覆盖状况 |
| 2.1.4 地形地貌 |
| 2.2 数据 |
| 2.2.1 遥感数据 |
| 2.2.2 样点数据 |
| 3 研究方法 |
| 3.1 遥感图像预处理 |
| 3.1.1 主成分变换 |
| 3.1.2 典型相关变换 |
| 3.2 变化信息提取方法 |
| 3.2.1 图像差值 |
| 3.2.2 普通最小二乘回归 |
| 3.2.3 稳健线性回归 |
| 3.3 变化判别模型 |
| 3.3.1 二项逻辑回归 |
| 3.3.2 多元线性回归 |
| 3.3.3 支持向量机SVM |
| 3.3.4 BP神经网络 |
| 4 结果分析 |
| 4.1 变化监测结果比较 |
| 4.1.1 稳健线性回归和最小二乘回归比较 |
| 4.2 判别精度比较 |
| 4.2.1 总体判别精度比较 |
| 4.2.2 按数据预处理方法比较 |
| 4.2.3 按变化信息提取方法比较 |
| 4.2.4 按变化判别方法比较 |
| 4.3 变化监测结果图像比较 |
| 4.3.1 整体比较 |
| 5 结论与讨论 |
| 5.1 结论 |
| 5.2 讨论 |
| 5.3 创新 |
| 参考文献 |
| 附录1 各方法混淆矩阵 |
| 个人简介 |
| 导师简介 |
| 致谢 |
（9）基于低空遥感的若尔盖草地鼠害信息提取方法及对比研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 草地鼠害监测的研究进展 |
| 1.2.1 国外研究概况 |
| 1.2.2 国内研究概况 |
| 1.2.3 研究方法小结 |
| 1.3 研究目的与意义 |
| 1.4 研究内容与技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 自然环境 |
| 2.3 人文环境 |
| 2.4 区域鼠害概况 |
| 3 无人机数据获取及预处理 |
| 3.1 无人机飞行 |
| 3.1.1 无人机参数 |
| 3.1.2 无人机遥感系统 |
| 3.1.3 航摄设计 |
| 3.1.4 飞行实施 |
| 3.2 航摄数据处理 |
| 3.2.1 数据处理平台 |
| 3.2.2 正射影像生产 |
| 4 地表鼠害信息提取方法 |
| 4.1 基于灰度的图像分割 |
| 4.2 优选色彩纹理特征 |
| 4.2.1 地表鼠害特征计算与统计 |
| 4.2.2 地表鼠害特征选择与信息提取 |
| 4.3 基于规则的面向对象 |
| 4.3.1 发现对象 |
| 4.3.2 规则构建与信息提取 |
| 4.4 BP神经网络 |
| 4.5 精度评价 |
| 4.5.1 空间精度评价 |
| 4.5.2 定量精度评价 |
| 5 鼢鼠土丘的地表信息提取 |
| 5.1 春季影像中鼢鼠土丘的地表信息提取 |
| 5.1.1 灰度阈值分割 |
| 5.1.2 优选色彩纹理特征 |
| 5.1.3 基于规则的面向对象 |
| 5.1.4 BP神经网络 |
| 5.1.5 精度对比 |
| 5.2 夏季影像中鼢鼠土丘的地表信息提取 |
| 5.2.1 灰度阈值分割 |
| 5.2.2 优选色彩纹理 |
| 5.2.3 基于规则的面向对象 |
| 5.2.4 BP神经网络 |
| 5.2.5 精度对比 |
| 6 旱獭洞的地表信息提取 |
| 6.1 春季影像中旱獭洞的地表信息提取 |
| 6.1.1 灰度阈值分割 |
| 6.1.2 优选色彩纹理特征 |
| 6.1.3 基于规则的面向对象 |
| 6.1.4 BP神经网络 |
| 6.1.5 精度对比 |
| 6.2 夏季影像中旱獭洞的地表信息提取 |
| 6.2.1 灰度阈值分割 |
| 6.2.2 优选色彩纹理特征 |
| 6.2.3 基于规则的面向对象 |
| 6.2.4 BP神经网络 |
| 6.2.5 精度对比 |
| 7 结论与讨论 |
| 7.1 本研究的特色 |
| 7.2 结论 |
| 7.3 讨论 |
| 参考文献 |
| 致谢 |
| 在校期间科研成果 |
（10）结合DT-CWT分解的多特征BP神经网络遥感影像分类（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究方法与研究内容 |
| 1.4 论文结构及技术路线 |
| 1.5 本章小结 |
| 2 遥感影像分类概述 |
| 2.1 遥感影像分类原理 |
| 2.2 遥感影像分类过程 |
| 2.3 遥感影像分类方法 |
| 2.4 BP神经网络算法概述 |
| 2.5 本章小结 |
| 3 结合DT-CWT变换的多特征BP神经网络遥感影像分类算法 |
| 3.1 高分辨率影像数据的预处理 |
| 3.2 高分辨率影像多特征提取 |
| 3.3 多特征的DT-CWT分解 |
| 3.4 BP神经网络分类器构建 |
| 3.5 本章小结 |
| 4 算法实现 |
| 4.1 遥感数据源以及研究区概况 |
| 4.2 高分辨率影像预处理 |
| 4.3 高分辨率影像多特征提取结果 |
| 4.4 影像多特征DT-CWT分解结果 |
| 4.5 本章小结 |
| 5 影像分类结果对比分析 |
| 5.1 不同方法分类结果的比较 |
| 5.2 精度评价 |
| 5.3 方法适用性分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间主要成果 |
四、基于GIS的BP神经网络遥感影像分类研究（论文参考文献）
- [1]基于无人机高光谱影像的湿地植物群落分类与冠层氮素含量反演研究[D]. 杜保佳. 中国科学院大学(中国科学院东北地理与农业生态研究所), 2021(02)
- [2]流域非点源污染风险动态评估方法研究[D]. 顾晶晶. 兰州交通大学, 2021(02)
- [3]遥感影像像素纠缠理论的研究[D]. 杨帆. 桂林理工大学, 2021(01)
- [4]基于GF-1影像的面向对象分类研究 ——以杭州市西湖区为例[D]. 蒋治浩. 中南林业科技大学, 2020
- [5]滔河流域土地利用变化及驱动力分析[D]. 党元君. 北京林业大学, 2020(02)
- [6]基于邻域影像重叠实现特征迁移机器学习的大区域草地分布提取方法研究[D]. 邢瑾. 兰州大学, 2020(01)
- [7]遥感图像在城市“海绵体”提取中的应用研究[D]. 樊潭飞. 西安建筑科技大学, 2019(06)
- [8]基于稳健线性回归的森林地类变化遥感监测[D]. 来周翔. 浙江农林大学, 2019(01)
- [9]基于低空遥感的若尔盖草地鼠害信息提取方法及对比研究[D]. 董光. 四川师范大学, 2019(02)
- [10]结合DT-CWT分解的多特征BP神经网络遥感影像分类[D]. 杨朦朦. 山东科技大学, 2018(03)