一、空间信息遥感分类背景参数的应用分析（论文文献综述）
叶自然[1]（2021）在《基于深度学习的农村住房遥感信息提取研究及时空演变应用》文中提出农村居民点是乡村生产、生活的载体,而农村住房是农村居民点用地的主体要素。借助农村住房数据的空间聚类结果,对农村居民点范围进行表征,有助于了解农村居民点的动态变化,为农村居民点布局优化、土地集约节约利用、乡村空间重构、推动乡村振兴提供科学依据。高空间分辨率遥感数据产品的日益丰富,使得农村居民建筑物的准确识别和快速制图成为可能。随着机器学习领域的迅速发展,基于深度学习技术的高分辨率遥感影像智能解译已成为遥感领域的研究热点。本研究以长三角水网平原的典型农村地区为研究区,使用多源高空间分辨率遥感数据,研究基于深度学习的农村住房信息遥感提取方法,并应用农村住房空间聚类结果表征农村居民点,对研究区农村居民点的空间分布特征的时空变化进行深入探讨。本文的主要研究内容和结论如下:（1）基于高空间分辨率航拍影像和全卷积网络（FCN）,提出了适用于亚米级空间分辨率影像的建筑物自动提取方法（RFA-UNet）。本研究针对全卷积网络模型在融合不同层级的特征时,忽视特征间的语义差距而引起的特征冗余和表达歧义问题,将注意力加权模块应用于跳跃连接结构,使用可学习的注意力权重对浅层特征在通道和空间维度的响应程度进行加权调整,从而加强特征表达的一致性。在多个遥感建筑物数据集上实验所得结果表明,提出的联合注意力模块（RFA）模块能够有效提高经典分割模型U-Net在高分辨率数据中对建筑物的提取效果。与其他方法对比,RFA-UNet的提取结果更加完整、准确,满足高分辨率影像建筑物高精度提取需求。（2）基于高空间分辨率卫星影像和全卷积网络,提出了一个用于农村住房类型识别的多尺度扩张残差网络（MSDRN）。高分遥感影像中的农村人造地物复杂易混,使用传统遥感分类方法提取精度相对较低。本研究考虑农村住房类内光谱差异和空间尺度变化较大等特点,利用扩张残差网络提取高分辨率的特征表示,获取更多的空间上下文信息,并采用多尺度特征融合结构和通道注意力模块对分类特征进行优化,提高深度网络对于农村住房的分类能力。在桐乡市典型农村地区的高分2号影像上开展的实验结果表明,本研究提出的模型方法可以有效地区分农村住房与其他人造地物,得到更准确的农村住房分类结果,两类农村住房的F1精度优于85%。在实际应用中,本研究提出的方法流程可以推广到更大范围内的农村地区,为区域尺度下的大范围地籍调查或农村住房变化监测提供重要参考。（3）基于半监督学习和集成学习,提出了一个适用于多源多时相高分辨率遥感影像农村住房提取方法,并成功提取了桐乡市2005年、2012年、2018年的农村住房信息。当前基于深度学习的遥感分类方法依赖大量标记样本,而人工标注的高成本使得此类监督学习模型难以应对多源多时相遥感影像构建的复杂场景。针对上述问题,研究提出了一个深度集成网络框架集成多个基于少样本构建的语义分割模型,从无标注图像中筛选置信度高的集成预测结果生成伪标签,用于后续迭代优化。实验结果表明,三个年份的分类总体精度均优于83%,使用半监督集成学习策略前后的平均总体精度提升分别为1.6%、3.1%和4%,证明本文的半监督集成学习策略可以有效缓解标记样本不足的问题,增强深度模型的性能。研究提出的半监督集成学习方法流程,可以为遥感影像智能解译提供借鉴,提高海量遥感数据的利用率。（4）基于桐乡市2005年、2012年和2018年的农村住房提取结果,使用渗流聚类算法（CCA）对桐乡市2005年、2012年和2018年的农村居民点范围进行量化,在此基础上借助探索性空间数据分析方法分析桐乡市农村居民点类型、数量及空间分布的演变规律。结果表明:1)基于渗流理论的CCA聚类算法可以根据农村住房网格的建筑密度属性进行空间聚类,实现格网尺度下农村居民点范围的近似提取;2)2005年到2018年桐乡市农村居民点面积总量先增后减,总体上减少了14.5%面积;2005年-2018年间桐乡市农村居民点的空间分布存在空间聚集性,且以低-低集聚和低-高集聚为主;3)2005-2012年为桐乡市农村居民点面积增长时期,增长热点区域为远离中心城区的西南区域乡镇和桐乡市北部乡镇;2012-2018年为农村居民点面积显着减少时期,中心城区及其周围乡镇为居民点面积减少的高值聚集区。
王建飞[2]（2021）在《基于遥感技术的建筑抗震因子提取与应用研究》文中研究表明开展建筑抗震能力影响因子（下文简称“抗震因子”）调查,预测地震情景下的建筑破坏比,是编制区域防震减灾规划、制定区域抗震设防水准的重要依据。受“保障生命”的抗震设计思路影响,传统的单体建筑抗震能力验算重点在于研究单体建筑的物理响应机制、建立建筑破坏概率模型。在此基础上,通过影响建筑破坏率的“结构、高度、设防等级”等抗震因子加权,建立了丰富的区域建筑震害预评估模型。近年来,在“保障性态”的抗震设计新思路下,建筑抗震能力评估不仅考虑建筑本身的破坏概率,还增加了“建筑使用功能、人员伤亡、经济损失”等社会影响方面的考虑。在传统的“结构、高度、设防等级”等抗震因子体系中引入“设防水准、人口密度、经济密度”等空间分布差异显着的因素,综合开展城市群、建筑群建筑抗震能力,构建地震情景,预评估建筑破坏比、人员伤亡和经济损失是当前建筑抗震能力评估的新趋势。第一次全国自然灾害风险普查对我国的建筑抗震因子数据调查提出了“范围更广、效率更高”的需求。然而,由于我国地域辽阔且建筑基础数据库不完整,加之,传统实地调查方法难度大、成本高且效率较低。如何建立快速、高效、低成本的大范围建筑抗震因子调查方法,建立适合大空间尺度的震害预评估流程,是我国自然灾害风险普查亟需解决的关键科学问题。针对建筑群震害预评估中的抗震因子参数难获取的问题,本论文研究了各类遥感数据与Web大数据信息相结合的建筑群抗震因子提取方法,结合灯光遥感数据,统计分析了人口与经济等承灾体的时空分布特征,构建了基于遥感的震害预评估流程与方法。本文取得的主要成果包括:（1）基于建筑震害等级和震害指数,研究了影响建筑抗震能力的主要因素,分析了各类遥感影像的“光谱特征、纹理特征、相位特征”等遥感指数与建筑“轮廓、高度、年代”等抗震因子的关系,介绍了各类建筑抗震因子的遥感提取原理。基于遥感提取的建筑抗震因子（下文简称“遥感抗震因子”）概率化分布特点,给出了基于遥感抗震因子的建筑破坏比预评估方法。（2）构建了基于遥感数据的建筑群抗震因子提取流程与方法。结合Web大数据改进了K-means影像分类算法,提出了网络数据与遥感数据相结合的建筑区快速提取技术,提取精度可达到90%以上;针对国内建筑属性数据库不完善的问题,提出了“城市、乡镇、农村”三级抽样的建筑抗震因子获取方法,评估了“人口普查数据”和“1%人口抽样调查数据”的建筑属性分布率随时间变化特征,在双侧精度99%置信区间内,全国各省份建筑属性结构在10年内无显着变化。最终认为,“人口普查数据”中的建筑属性分布概率可作为区域建筑抗震因子参数输入区域建筑破坏比预评估模型。（3）建立了单体建筑抗震因子的遥感提取方法与流程。基于机器学习的Seg Net模型建立了基于GF-2的0.8m分辨率建筑轮廓提取方法,平均提取精度92.14%;提出了基于永久散射体合成孔径雷达干涉测量（Persistent Scatterer Interferometric Synthetic Aperture Radar,PS-In SAR）相位残差的建筑高度提取方法,结果的误差均值为-0.06层,误差均方差为2.01层（样本最大楼层数为29层）,能够满足建筑易损性曲线评估模型的要求;建立了基于时序光学遥感数据和web大数据的建筑年代变化检测方法,90年代以前老旧建筑的识别率46.15%,90年代建筑识别率63.55%,2000-2010年建筑识别率84.23%,2010年以后建筑识别率90.91%;尝试基于PS-In SAR的时序形变数据,探索考虑大型建筑热胀冷缩系数的结构鉴定方法,结构判别精度可达到70.17%。（4）分别以首都圈和四川为研究区,基于模糊评价法与建筑易损曲线,实现了应用遥感技术进行建筑震害预评估。以首都圈当前建筑震害因子数据为例,复现1976年唐山地震,预评估了首都圈建筑群破坏比,产出县域尺度的建筑抗震指数与模拟的宏观地震烈度;以四川省2008年汶川地震前后遥感数据为例,模拟了2008年四川省建筑震害、震中区县人员伤亡及建筑经济损失,验证了本方法的震害损失预评估精度。
高会然[3]（2021）在《基于遥感与数值模型的冻土监测与模拟方法体系研究》文中认为冻土作为冰冻圈的重要组成因素,对气候变化具有高度的敏感性和强烈的反馈作用。全球变暖的背景下,季节性冻土和多年冻土环境的变化已成为与区域环境和人类生产生活息息相关的重要问题。冻土时空分布动态信息的获取是进行寒区水文过程、气候以及生态环境、地质变化领域的重要基础研究内容,遥感对地观测和数值模拟技术是当前大空间尺度下冻土研究的重要手段。经过数十年的发展,冻土遥感监测与数值模型模拟研究均取得了重大进展,尤其在全球变化的背景下的冻土时空监测、水热过程机理、数值模拟等研究,无论在方法手段创新上,还是应用评估方面,均取得了许多重要成果。但是,目前冻土遥感监测与数值模拟等研究仍然处于不断探索之中,距离完善冻土及冻土水热过程的刻画与表达以及利用新技术手段进行系统性的寒区冻土研究尚有待进一步发展。例如,目前大多数冻土遥感监测研究缺乏对多类型冻土之间相互联系的考虑,无法形成完整统一的冻土分布遥感监测方法体系。在当前流域尺度分布式冻土过程模拟研究中,冻土水热过程数值模型的进展主要集中在模型集成上,由于其发展大多针对某一具体研究对象或目标,导致其在某一方面考虑的较为详细,而在冻土水热传输过程本身的描述上有所简化甚至略有欠缺。冻土水热过程数值模拟的不确定性一直是当前研究的一个关键问题,冻土遥感监测信息作为重要的冻土数据源,目前还未在冻土水热过程数值模拟中得到充分利用,两种冻土监测与模拟手段的耦合研究尚未发展。因此,本研究首先利用被动微波遥感数据,进行季节性冻土和多年冻土识别与监测的算法、方法和应用研究,然后基于水热耦合原理,建立分布式冻土水热传输过程数值模型FFIMS模型（Fully Distributed Frozen Soil Processes Integrated Modeling System）;通过空间降尺度、数据融合等方法,联立冻土遥感监测方法和冻土过程数值模型两种技术手段,实现冻土时空监测与模拟综合方法体系的构建;最后通过构建冻土水文过程模块,耦合分布式流域过程模型ESSI-3模型,在我国东北地区典型流域进行方法体系的综合应用,主要得到以下研究结论:（1）提出一种利用土壤水分特征参数改进的DIA算法（Dual-index Algorithm）,显着提高了基于被动微波遥感的地表土壤冻融状态判别准确率。在我国东北地区的地表土壤冻融判别研究中,改进的DIA算法平均判别准确率达到91.6%。利用本研究提出的基于地表冻融状态的多年冻土识别与监测方法,获取了研究区25 km格网尺度上的逐年的多年冻土空间分布序列,通过与现有的多年冻土区划图进行对比验证,证明了本研究提出的多年冻土监测与分类方法具有较为可靠的准确度（误差小于3%）。经过统计分析,发现我国东北地区多年冻土南界在研究期间（2002年至2017年）普遍北移约25 km～75 km,研究区内的多年冻土始终呈现退化的趋势。（2）利用频谱分析的方法,对中国典型的高纬度冻土区地表土壤冻结天数进行空间降尺度研究。研究结果表明,频谱降尺度图像既包含原始低分辨率图像的空间分布特征,又包含普通统计降尺度图像的部分空间分布细节,表明了频谱降尺度方法在地表土壤冻融状态遥感判别中应用的合理性;通过站点实测数据的精度验证和对比,发现通过频谱分析方法进行降尺度后,由于融合了高分辨率相位信息,降尺度结果的精度亦有显着提升,表明了频谱降尺度方法在地表土壤冻融状态遥感判别中应用的有效性。（3）FFIMS模型能够较好地刻画各个冻土过程水热参量的时间变化特征和空间分布规律。在冻土过程数值模型中融合冻土遥感反演信息,通过对比融合冻土遥感反演信息前后的冻土数值模拟结果和多变量、多角度的验证,发现遥感反演信息有效的引导和修正了模型模拟过程,明显提高了模拟结果的精度。耦合冻土过程的流域水文过程模型（ESSI-3模型）模拟结果表明,冻土水热过程对流域水文的影响几乎贯穿整个水循环过程,但是冻土水热过程影响的流域径流量对流域总径流的贡献率较小。但是,在季节性冻土发生融化的时期,冻土过程对水文径流的影响尤为明显,该时段的平均Nash效率系数从近乎为0提高到0.67,显着提高了水文径流的模拟精度,表明了在寒区流域水文过程模拟研究中考虑冻土过程影响的必要性。本研究在冻土遥感监测方法、冻土过程数值模拟等等关键科学问题和难点上重点突破,通过建立基于遥感和数值模型的冻土监测与模拟方法体系,以期显着提升寒区冻土过程及其与气候变化关系的研究能力,为区域生态环境安全、水资源安全、寒区工程建设与社会经济发展等一系列重大问题提供科技支撑。
唐淑兰[4]（2021）在《基于多尺度分析和机器学习的遥感影像找矿预测及填图方法研究》文中研究指明遥感数据获取技术的快速发展使得遥感数据的定量化、智能化处理技术急需提高。基于遥感影像的矿区外围勘探、矿床定位及填图技术能显着提高矿产资源勘查及填图的效率和质量。近年来,基于遥感技术的找矿及填图工作取得了很大进展,但是应用效果与地质调查工作的实际需求尚有差距。基于遥感影像的找矿预测和填图工作主要存在以下几个困难:1)基于像素的匹配滤波、波段比值、主成分分析等技术不能很好地消除影像获取过程中受到的气候和光照等因素的影响,也不能很好地利用矿物的丛集特征,提取的蚀变信息存在较多“椒盐”噪声;2)对于植被覆盖多、干扰信息众多、矿化线索微弱地区的遥感地质信息的提取,掩膜去除干扰的方法会丢失影像的原始信息,无法保证提取结果的准确性;3)基于单一尺度的分析方法不能有效提取矿物异常分布的多分辨率特征,无法精确描述矿物的富集和贫化规律;4)热液蚀变的间歇性和多期次性引起的光谱信息叠加问题及岩性风化引起的纹理不确定性,导致岩性识别的精度降低。上述问题成为大规模遥感地质应用的瓶颈。本文在野外地质调查、薄片鉴定的辅助下,以多尺度分析方法、面向对象提取技术、机器学习和深度特征分解为主线,进行了蚀变矿物的区域特征及深度特征提取方法、岩性智能化分类及填图方法研究。主要研究内容及成果如下:（1）提出了结合主成分分析、多尺度分割和支持向量机的遥感矿化蚀变信息提取方法。该方法选取ASTER影像各矿化蚀变信息的诊断性波段进行主成分分析;利用多重分形理论描述矿物的奇异性和自相似性,得到多尺度纹理影像;利用局部特征过滤掉大部分不相关的数据,运用支持向量机向量逼近的方法对目标矿物类别进行定位;采用序列最小优化算法提高求解效率。实验对比结果表明,该方法提取的矿化蚀变信息与成矿区带、已知矿点和已有不同地质背景成矿特征相关性较好。（2）在蚀变矿物特征向量主成分分析的基础上,提出了结合小波包变换和随机森林的蚀变信息提取方法。该方法采用小波包变换提取影像的时频局部化及多尺度细节特征,利用代价函数优化小波包树,得到蚀变矿物高低频信息的最优表示,经过干扰特征机制筛选重要特征,并利用随机森林完成投票分类。实验结果表明,该方法提取铁染、Al-OH及Mg-OH基团蚀变信息时能充分利用矿物光谱的能量特征,削弱矿物组分的噪声干扰。（3）提出了基于多尺度卷积神经网络特征分解的矿床定位方法。该方法在分析金属矿床的有机质特征的基础上,充分利用影像所显示的颜色、形状、纹理等影像形态,构造深层语义信息分类空间;采用模糊数学理论、元素相乘算法求交、逻辑叠加分析法提取影像的控矿因素;结合物化探等多源资料,构造遥感地质找矿模型。实验结果表明,该方法为地勘工作中的外围勘查和矿床定位提供了可靠的依据。（4）提出了比值运算、多尺度分割、随机森林相结合提取变质矿物的方法。核心思想为利用地统计学中的变差函数描述矿物的全局和局部空间结构变化性,采用矢量叠加的方法组合多尺度纹理特征与光谱特征,利用随机森林完成矿物分布带的搜索。实验表明,该方法能很好地描述地球化学元素分布的随机性,及其在岩石等介质中的局部富集和贫化规律,提取结果稳定。（5）提出了遥感影像岩性自动分类和主要及典型造岩矿物识别交叉验证的填图方法。核心思想为利用影像光谱特征及小波变换得到的多尺度纹理特征构造分类特征空间,进行10次高维且非正态分布的岩性分类,利用投票法避免岩性因样本的空间变异性产生的动态变化,优化岩性单元分类结果;采用可避免局部最优的蜂群算法搜索支持向量机的参数;构造了可有效提取白云母、黑云母、方解石、角闪石等矿物的指数。野外工作证明,该方法能智能化地识别影像的大部分岩性,填图结果与野外调查结果的相关系数为0.7。
陈亦晨[5]（2020）在《基于高分遥感的农田生态系统信息提取方法研究》文中认为在环境质量与生态系统服务的评价中,农田生态系统的空间分布、类型组成以及覆盖度等均是极为重要的指标,对与农田生态系统相关的信息进行科学地估算、有效地提取是精准农业建设的基础。在时代发展的同时,各项科学技术也有了长足的进步,这其中遥感技术的发展为与农田生态系统相关信息的提取创造了良好的条件。但是,由于农田生态系统形体与自然环境相结合,导致其背景复杂、组成方式丰富,过去以中、低分辨率遥感影像为基础的信息提取手段存在着明显的弊端,可能会遇到异物同谱或是同物异谱的问题。高分遥感影像可以提取更为丰富、全面、准确的信息,如上下文、纹理、形状以及光谱信息等,综合运用此类特征信息可以明显提高结果的精度,获得更为可靠、准确的农田生态系统信息。传统的以光谱信息为基础的中、低分影像信息提取技术对高分影像的适用性较差,无法满足实际的使用需求,所以本研究基于遥感的空间与光谱特征,对图谱特征进行深入地挖掘与分析,以期构建一种可以协同利用图谱信息的研究模型,通过有效的分类提高信息提取的精度,从而有效促进精准农业的发展,并为生态环境的监管提供便利。本文研究的主要内容与创新点如下:（1）分别对基于Canny算子的边缘检测方法、基于最大类间差Ostu阈值处理的分割方法与多尺度的高分遥感影像分割方法展开研究,并在多尺度分割算法基础上提出了基于相对熵（KL）发散原理的多尺度分割方法改进方案,采用以相对熵（KL）散度为核心的区域合并标准来解决由于传统的单尺度的分割方法无法满足复杂农田生态系统地物的多尺度分割需求,从而产生的严重“过分割”、“欠分割”的问题,进而提出基于数学形态学的农田生态系统多尺度多层次的遥感影像分割方法。实验结果表明,在不同尺度下,基于相对熵（KL）散度的多尺度分割方法的欠分割率在12.5%至13%之间,证明本文改进的多尺度分割方法可以获得更加均质且完整的地物斑块,有利于不同尺度地物对象的特征提取及后续属性的识别。（2）使用了基于遥感专题指数、颜色相关图、灰度-梯度共生矩阵以及多尺度形状的联合特征提取方法,在此基础上提出一种基于轮廓波（Contourlet）变换和加速稳健特征（SURF）的特征信息提取算法。该方法通过轮廓波转换技术分解准备匹配与参考的两种图像,接下来利用SURF以预匹配的方式处理通过分解获得的低频分量,最后利用RANSAC去除错误匹配点对,从而提取准确特征信息。研究结果表明,Contourlet变换与SURF组合算法的最终匹配点数量变化不大,匹配准确率保持在94%以上,证明基于轮廓波（Contourlet）变换和加速稳健特征（SURF）的遥感图像特征提取组合算法可以实现农田生态系统的高分遥感图谱特征的精确与快速提取。（3）提出了基于序列最小优化（SMO）算法与遥感生态指数（RESI）的支持向量机（SVM）改进算法,用于本文高分农田生态系统信息的分类提取。由于传统的多特征融合技术无法很好地适用于农田地表分类,所以本研究综合运用遥感影像的空间与光谱特征,将加入了遥感生态指数（RESI）的支持向量机（SVM）改进算法引入到农田生态系统的特征信息提取中,在学习样本后,通过SMO算法确定与样本特征空间具有对应关系的函数,对图谱牲组合方式和分类模型进行了深入地挖掘,从而完成高分遥感的农田生态系统分类过程。实验结果表明,基于序列最小优化（SMO）算法与遥感生态指数（RSEI）的支持向量机（SVM）优化算法的分类总体精度为86.07%,Kappa系数0.752,实地验证得到图斑个数提取正确率为95%,地物类型提取正确率为86.13%,提取面积正确率为85.89%,证明本文方法可以提升农田生态系统分类精度,为之后实现对农田生态系统信息的提取、管理和分析的综合研究打下坚实的基础。（4）提出了一套基于Spark计算引擎的农田生态系统信息分布式提取的流程。由于在提取农田生态系统信息的过程中,会获得海量的数据,所以会提高计算量与复杂程度,为有效解决这一问题,本研究建立了一种分布式模型。通过该模型可以以分布式的方式提取信息,本研究在信息提取方面应用了Spark引擎,以该引擎为基础设计了一种分块、合并与信息提取的分布式提取流程。实验结果表明,分布式处理的总体精度为84.27%,Kappa系数0.7433,说明影像在数据划分过程中通过重叠的数据划分一定程度上解决了对象内像素的计算问题,本文提出的方法能够有效拓展研究对象的时空尺度并大幅提高信息提取的速率,同时并不会降低信息提取的精度。有利于长期研究的生态学定位和网络研究方法的开展。
郑志峰[6]（2020）在《高分辨率卫星影像分类及变化检测算法研究》文中研究表明随着城市化的快速发展,由此引发的城镇建设用地不断增加,同时耕地、林地被占用等一系列地表快速变化等问题,引起各级土地管理部门的高度关注。然而,如何快速、及时、准确地发现城市土地利用变化情况和信息是关键问题,遥感变化检测技术为解决这一问题提供了科学方法。高分影像为准确提取地表变化信息提供了丰富的数据基础,同时,由于高分影像的多分辨率为经典变化检测方法带来了新的困难与问题。高分影像在多分辨率、多尺度环境下的同谱异物与异物同谱问题、纹理结构的尺度问题、类内方差减小同时类间方差增大问题等等,都是高分影像变化检测的困难问题。为此,本文紧紧围绕着地表变化检测中突出的问题,从高分影像的脊波变换特征、融合特征以及卷积神经网络等方面进行多尺度变化检测算法研究,旨在综合利用高分影像多分辨率信息,减弱预处理过程及检测过程中的误差影响,从而增强地表变化检测结果的准确性与合理性,构建新的变化检测方法,为变化检测技术应用及生产实践提供理论支持。主要研究工作及创新点如下:创新性的提出了高分影像分类与变化检测处理技术:基于脊波、卷积神经网络的高分影像分类算法和基于光谱特征级融合及多尺度分割投票决策的变化检测算法。基于脊波、卷积神经网络的分类算法是在脊波理论及卷积神经网络的理论基础上,将脊波提取的“低水平”的简单特征与神经网络提取的“高水平”特征相融合。由于在提取特征的过程中,使用脊波提取的“低水平”特征减少了融合特征对训练集的依赖性,使得融合特征更加独立;而卷积神经网络在此过程中又抑制了噪声的产生及提高分类区域的一致性,最终提高了影像的分类精度。基于光谱特征级融合及多尺度分割投票决策的变化检测方法则是提出了一种提高变化检测精度的方法框架。此方法由影像融合算法开始,分别使用不同的算法提取影像的多尺度特征,然后通过这些提取的特征融合为特征层,然后通过曼哈顿距离量测不同时相间融合特征向量之间的变化幅度,并以Otsu法进行分割后得到二值变化检测图。随后采用“少数服从多数”的投票策略,对目标内的每个像素进行标记,并最终形成变化检测图。从最终的实验结果来看,将基于脊波、卷积神经网络的高分影像分类算法与目前最先进的五种算法相比较,其结果具有一定优势。基于光谱特征级融合及多尺度分割投票决策的变化检测方法在三组数据中进行实验,实验结果表明,与单独使用原始光谱特征和其他先进的变化检测方法相比,该方法获得了更好的性能。最后,将本文算法应用于土地调查的实际数据中,取得了较好的效果,充分表明本文算法研究的有效性和对实际工作的适应性。
张肖[7]（2020）在《全球30米地表覆盖定量遥感分类与制图研究》文中认为地表覆盖是生态环境评估、地理国情监测、宏观调控分析等不可或缺的重要基础地理信息,也在生物多样性保护、城乡格局规划以及自然资源管理中扮演重要角色。利用卫星遥感技术监测全球地表覆盖现状和变化对于科学认识地球陆表各种地物类型及其自然属性与特征具有重要意义。尽管国内外陆续生产和发布了多套全球地表覆盖产品,但仍然空缺精细分类体系的30米地表覆盖产品;另外,由于全球覆盖的遥感数据和训练样本在收集和处理上需要耗费大量人力和计算机资源导致全球地表覆盖制图依然存在极大的困难和挑战。本文以全球30米精细地表覆盖定量遥感分类为目标,分别开展了时序Landsat数据定量化处理、Data Cube瓦片化管理、全球地物图像波谱库（GSPECLib）构建、全球30米不透水面制图、基于GSPECLib的中国/全球30米精细地表覆盖制图与验证的研究,得到了如下结论:（1）Landsat卫星数据定量化处理是地表覆盖自动分类的重要基础。本文发展了地形辐射C校正模型和大气校正算法,消除了地形起伏和大气辐射传输的影响;提出了一种新的多时相云和阴影检测算法（MTICZ）,显着提升了云和阴影的识别精度,验证结果表明其相较于Fmask算法有6%左右的提升;设计了新的Landsat Data Cube管理模式,显着提高了轨道重叠区域的数据使用效率。（2）多源卫星数据协同能够显着提高全球不透水面遥感产品精度。针对光谱和空间结构异常复杂的人工不透水面地类,仅依赖多时相光谱信息很难保证其提取精度。本文结合Landsat反射率、Sentinel-1 SAR结构特征和VIIRS夜间灯光数据等生产了2015年全球30米不透水面产品,精度验证结果表明该产品实现了总体精度为96.7%、Kappa系数为0.903,相较于其他全球30米不透水面产品精度得到了显着提高。（3）基于地物图像波谱库的光谱信息,可以支持大范围的地表覆盖自动分类。本文利用了全球地物图像波谱库中时序反射率图像波谱替代传统监督分类策略中所需的训练样本,结合时序Landsat Data Cube瓦片数据集和决策级融合随机森林分类模型成功生产了2015年中国区域30米精细地表覆盖产品,精度验证结果表明其实现了一级类体系（9种地类）下的总体精度为80.7%、Kappa系数为0.757;在二级精细验证体系（19种地类）下的总体精度为71.3%、Kappa系数为0.664。（4）基于全球地图像物波谱库和GEE云平台,能够实现全球30米地表覆盖的高效率、高精度的精细分类产品生产。尽管利用地物图像波谱库中先验反射率图像光谱信息能够实现区域的自动化分类,但其因计算和存储资源需求过大而导致制图速率较低。为了实现全球高效自动的地表覆盖制图,本文利用全球地物图像波谱库提供的训练样本和GEE云平台的时序Landsat地表反射率数据,采用局部自适应随机森林分类模型,生产了2015年全球30米精细地表覆盖产品GLC＿FCS30-2015。结果表明GLC＿FCS30-2015在10个一级类组成的一级分类体系下总体精度为81.4%、Kappa系数为0.774,在LCCS分类体系下总体精度为70.8%、Kappa系数为0.678,在24种精细类组成的验证体系下总体精度和Kappa系数分别为68.1%和0.656。论文的主要创新性贡献包括:（1）针对Landsat卫星数据定量化处理,研发了一套全自动化处理框架,同时消除了大气和地形起伏的影响,提升了云和阴影的检测精度,并且通过Data Cube重管理提高了轨道重叠区域的数据使用效率。（2）针对光谱和空间结构复杂的人工不透水面地表,提出了结合多源多时相遥感数据的不透水面自动提取算法,生产了2015年全球30米不透水面产品,显着提高了不透水面地表的识别精度。（3）提出了基于全球地物图像波谱库的定量遥感分类策略,有效解决了大区域地表覆盖分类需要大量人为干预的难题,首次研制了精细分类体系的全球30米地表覆盖产品GLC＿FCS30。
刘桂池[8]（2020）在《基于显着性和稀疏表示学习的光学遥感图像目标检测与分类》文中指出光学遥感技术广泛应用于生态保护、水文地质、灾情监控、以及城市规划等多个与国计民生息息相关的领域,并发挥着重要的作用。而随着遥感数据量的爆发式增长,也给光学遥感数据的分析与解译问题带来了严峻的挑战:面对海量的多源异构遥感数据,如何从中有效地提取出关键的地物信息,为多个应用领域提供有效的数据支撑。鉴于由不同传感器所获取的不同类型的光学遥感数据不仅数据特性各异,而且地物分布特点不同,因而对不同类型的光学遥感数据应采用的解译方法也不尽相同。本论文针对全色遥感图像和高光谱遥感图像这两种光学遥感数据解译中存在的主要问题与挑战,立足于显着性分析和稀疏表示学习理论,研究了全色遥感图像的感兴趣区域检测以及高光谱图像的地物分类问题,并提出了行之有效的感兴趣地物目标检测方法和地物分类方法。本论文的创新性研究内容主要包括:1.针对全色遥感图像因地物颜色信息缺失而引起的难以从中提取高质量的感兴趣区域问题,本文提出了基于统计显着性的感兴趣区域检测算法。该算法通过充分利用全色遥感数据的统计表示来捕捉全色遥感图像的内在数据结构及其区别于自然图像的独特属性,并将具有独特统计特性的区域识别为显着区域,从而弥补全色遥感图像颜色信息的缺失。在现有的显着性分析模型中,应用最为广泛的中心先验知识和边界先验知识均不适用于全色遥感图像,而所提算法在不需要依赖任何先验知识的情况下,通过融合基于低阶统计显着性的局部显着性分析与基于高阶统计显着性的全局显着性分析,从而突出遥感图像中具有独特统计特性的感兴趣区域。实验结果表明,该算法不仅能检测出遥感图像中多个完整的感兴趣地物目标,而且检出的感兴趣区域具有清晰的轮廓边缘,能一致均匀地突出整个感兴趣区域,还能有效抑制背景杂波和噪声等干扰,获得高质量的感兴趣区域检测结果。2.针对高光谱图像分类中存在的“同谱异物”和“同物异谱”现象以及高光谱图像的复杂非线性数据结构问题,本文提出了基于理想正则化的空间-光谱复合核的核融合表示分类算法。该算法通过在空间-光谱复合核学习框架中引入理想正则化策略,从而充分利用高光谱数据样本的光谱信息,空间信息和类别标签信息进行地物分类,不仅能显着提升各地物的分类精度,而且能有效地避免因仅利用光谱信息分类而产生的类似椒盐噪声的地物分类结果。此外,该算法将优化的理想正则化的空谱复合核分别嵌入到核稀疏表示分类算法和核协同表示分类算法中,不仅能显着提升非线性表示分类算法的地物分类精度,同时能有效地解决因高光谱图像的复杂非线性数据结构问题导致的数据样本在低维空间的线性不可分问题。考虑到融合表示残差具有比稀疏表示或协同表示产生的单一残差更强的判别能力,因而提出基于理想正则化的空间-光谱复合核的核融合表示分类算法来进一步增强该算法的地物判别力。实验结果表明,本文算法在真实高光谱数据集上能显着提升地物目标的类间可分性,在地物分类精度上优于典型稀疏表示的分类算法。3.针对高光谱图像分类中标注数据样本的稀缺可用性问题,本文提出了基于多特征局部约束的相关自适应表示分类算法。在高光谱图像分类的训练样本十分有限的情况下,利用稀疏表示学习方法难以对测试样本进行准确地重建,因此,本文算法通过在表示模型中引入数据相关性的自适应惩罚项,使该表示模型能根据字典的精确相关结构在稀疏表示和协同表示之间进行自适应地权衡,从而为测试样本选择更合适的表示模型。此外,该表示模型具备同时进行样本选择和保留样本间相关性的能力,从而克服了传统稀疏表示模型和协同表示模型的固有局限性。为了提升高光谱图像在小样本情况下的地物分类精度,本文算法通过设计多任务表示机制来整合具有互补特性的空谱特征的判别能力,从而提升该算法在小样本情况下的分类性能。考虑到训练样本和测试样本之间的相关性对表示模型的构建也十分重要,本文算法在表示模型中进一步引入局部约束,从而将数据样本的局部结构信息以及训练样本和测试样本之间的相关性整合到表示模型中,为测试样本构建更准确的表示模型。实验结果表明本文算法在训练样本十分有限的情况下,仍能达到较高的地物分类精度,体现了该算法在小样本情况下对高光谱图像进行地物分类的优越性。
孙飞[9]（2020）在《面向机器学习城镇不平衡数据集分类方法的研究》文中认为遥感信息提取技术在国民生活的各方面发挥着重要作用。然而,绝大多数遥感信息提取应用所面对的都是不平衡数据集。特别地,随着城镇化建设的不断推进,人类活动的干预,城镇区域遥感数据集呈现出越来越严峻的不平衡状态。但是,大多数信息提取技术会在少数类上形成不适当的偏置,甚至导致少数类的分类失败,从而限制信息的准确获取。所以,针对常态化的城镇遥感不平衡分类问题,提高少数类的识别精度的同时保证场景内其它地物的识别性能迫在眉睫。尤其是在大数据背景下,利用有限的先验知识,加强对原始遥感不平衡数据的理解尤为重要,这对于快速响应与合理决策具有十分重要的意义。本文针对城镇区域遥感不平衡分类问题,在深入分析和总结不平衡分类研究现状的基础上,对不平衡分类的单模型响应、学习策略、数据空间转化以及评估方法方面展开研究。引入极限梯度提升树（e Xtreme gradient boosting,XGB）和半监督学习（Semi-supervised Learning）,以不增加样本标记代价为前提,提出半监督平等学习XGB分类方法（Impartial semi-supervised learning strategy with XGB,ISS-XGB）,并深入研究该分类方法的内部特征对于遥感不平衡分类的影响,建立精度、分歧表现与决策边距三层次评价方法。本文主要工作和研究结论包括:（1）在算法层面,引入XGB模型,分析典型遥感分类方法对不同样本数据分布的响应变化。在8个实验区的实验表明:1)对高分辨率遥感图像,XGB方法在遥感不平衡分类问题中的的表现优于随机森林、多层感知机、支持向量机等典型分类方法,其正确分类输出的置信度较高,但是,模型性能也受到极端不平衡数据分布的影响;2)当样本不平衡性达到一定程度时（例如,少数类与多数类比例大于10:90时）,XGB的性能不确定性对地物光谱可分离性并不敏感;3)通过多种指标的比较,以精度（总体精度、少数类F1值）、分歧表现与决策边距组成的三层次评价方法能够从多角度分析分类方法对于不平衡数据集的响应。因此,XGB是一种处理土地覆盖遥感不平衡分类的有效方法,但仍在样本极端不平衡性时,受到数据分布的影响。（2）从学习策略的层面,本文提出了一种平等半监督学习方法（ISS-XGB）。在不增加标记代价的前提下,通过消除训练的偏态分布来建立平等的分类学习系统。通过与半监督学习方法（PU-BP和PU-SVM）以及数据层面典型方法（SMOTE）进行对比,结果表明:1)ISS-XGB可以有效识别少数类,并且不会损失系统性能;2)ISS-XGB中的学习策略的优化和模拟器的选取有助于更平等而全面地学习少数类。与PU-BP和PU-SVM相比,总体精度与少数类F1值高出约20%和15%;与基于SMOTE的分类方法的精度结果十分接近,但是却比后者更加稳定;3)ISS-XGB的预测置信度不如即席学习方法。（3）从集成学习要素（准确性与多样性）的层面,本文提出模型扰动（ISS-Hybird C）和参数扰动（ISS-Hybird P）,在不同加权集成机制下,研究不同特点的ISS集成系统对于遥感不平衡分类问题泛化能力的改变。结果表明:1)基学习器的准确性对于ISS集成系统的影响比多样性更显着;2)基于参数扰动的ISS-Hybird P能够在保证精度和分歧表现的同时大幅度提高方法的MPM性能（平均提高53.85%）;3)不同的加权集成机制（MSE、Fpb、MPM）能够改善混合集成的波动性,但是也会在不同方面影响性能输出。因此,在保证基学习器准确性的基础上,增加内部输出的多样性和应用加权集成策略,能够在不同性能层面提高ISS混合集成系统的泛化能力和置信度。（4）从问题域的层面,本文通过面向对象技术改变数据分布,研究总体分布改变下的遥感不平衡分类问题。结果表明:1)面向对象技术能够提高模型输出的绝对精度值（ISS-XGB最大总体精度达98.13%,少数类F1值最大达0.95左右）,但是仍旧会受到不平衡数据集的影响;2)对象的划分有助于提高模型MPM输出,其中ISS-XGB方法比基于像素方法提高近128.98%,且随着区域复杂度的增加而越大。面向对象技术虽能够提高对象特征的同质性,降低分类识别的难度,但仍受到不平衡数据集的挑战。
张劳模[10]（2020）在《基于深度学习的林地分类与动态变化模拟技术研究》文中指出林地作为森林的主要载体,是森林长久生存和发展的根基,是生态环境的重要组成部分。目前我国基于3S技术（遥感技术、地理信息系统、全球定位系统）已成功绘制出全国林地“一张图”,它的形成能够极大提高森林资源的精细化、自动化、智能化管理水平,对于研究森林资源环境变化规律、促进我国生态文明建设等具有重大意义。目前随着人类经济社会的不断发展和全球气候的不断变化,森林环境也随之变化,但由于森林资源体系复杂多样,普查数据不及时,导致“一张图”更新滞后,难以满足森林资源变化监测的需要,因此,迫切需要研究自动化林地监测技术方法,实现林地信息的精确提取。随着卫星传感器技术和人工智能技术的快速发展,各类遥感影像越来越丰富,深度学习技术越来越成熟,利用遥感数据和深度学习技术提取林地信息已成为林业领域研究的热点。论文以甘肃省天水市麦积区为主要研究对象,通过使用基于条件随机场模型、深度卷积神经网络等方法开展复杂林地分类问题研究,提出一种双池化方式的卷积神经网络架构,为林地“一张图”更新建设提供有力保障。同时基于堆栈式稀疏自编码网络的林地动态变化模拟方法对林地时空演变规律及驱动机制进行分析,实现林地资源的动态监测。主要研究内容如下:（1）基于随机森林-条件随机场模型的林地分类方法林地类型光谱特征复杂多样,基于单一像元的分类方法往往难以取得较好的分类效果。将多时相遥感数据及空间信息融入到分类过程中,利用随机森林方法计算分类概率,将分类概率作为条件随机场模型的关联势函数,同时考虑像元之间的空间关系,利用高斯函数构建条件随机场模型的二阶势函数,实现林地的准确分类。最后将其与传统的机器学习分类方法,如支持向量机、最大似然分类、决策树等方法进行对比。结果显示:随机森林和条件随机场模型结合的分类方法得到的分类结果精度最高,对于Landsat和Sentinel2而言,总体分类精度（OA）分别为为86%和87.9%,相比于原始的随机森林分类精度均提高了约3.5%;用户精度（UA）分别为86.6%和88.4%。（2）基于双池化卷积网络和条件随机场结合的林地分类方法由于不同时期林地类型呈现出多样性变化特征,使得不同时间、空间遥感影像上相同地物光谱值并不能服从相同的概率分布。本文以深度卷积神经网络为基础,采用双通道卷积结构的多光谱遥感影像分类方法,该方法从多光谱遥感影像中提取时空谱联合特征。同时本文通过分析不同池化方法优缺点,提出了一种双池化卷积神经网络,同时又将卷积神经网络的输出作为条件随机场模型的一阶势函数,高斯函数作为二阶势函数,进一步提出条件随机场模型耦合的双池化卷积神经网络。实验结果表明:双池化的深度卷积神经网络结构结合条件随机场模型在Landsat8和Sentinel2数据上的总体分类精度（OA）分别为92.5%和95.3%,用户精度（UA）分别为93%和95.5%。在林地上的分类精度均高于一维、二维、双通道及双池化卷积神经网络方法,取得了良好的分类结果。（3）基于堆栈式稀疏自编码网络和元胞自动机模型的林地分布模拟为了能够更加准确地分析不同林地类型时空变化特征,利用逐时相分类比较法从林地类型、分布、面积等方面开展变化分析,研究多年来各种类型林地之间的转换关系,分析不同时期林地的时空演变规律,分别采用堆栈式稀疏自编码网络和Logistic回归建立各驱动因子间的关系,采用基于元胞自动机的林地变化趋势时空模拟方法,开展林地资源时空格局变化的分析研究,研究结果表明:SAE-CA模拟精度为87%,比Logistic-CA高了3%,研究模拟2018-2028年林地变化情况,建设用地呈现出增加趋势,林地面积略有下降,主要是因为人类活动频繁,加快对了对土地资源的开发和利用。综上所述,本文以多时相特征影像为基础,分别从统计学习和深度学习两个理论角度研究适用林地分类的方法。从统计学习分类角度,充分考虑像元间的空间关联性,提出了将随机森林和条件随机场模型相结合的林地分类方法。从深度学习理论角度,提出一种双池化方式的卷积神经网络架构,提高了网络特征提取能力,同时利用条件随机场模型优化网络的输出结果,使分类结果在空间分布上更加合理。最后,本文将提出的分类方法应用于林地变化模拟中,研究以元胞自动机模型为基础,充分利用深度神经网络的非线性拟合优势,提出一种堆栈式稀疏自编码网络的林地动态变化模拟方法,为掌握林地分布与变化规律提供理论参考。
二、空间信息遥感分类背景参数的应用分析（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、空间信息遥感分类背景参数的应用分析（论文提纲范文）
（1）基于深度学习的农村住房遥感信息提取研究及时空演变应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写 |
| 1 绪论 |
| 1.0 研究背景与意义 |
| 1.0.1 研究背景 |
| 1.0.2 研究目的及意义 |
| 1.1 国内外研究现状 |
| 1.1.1 农村建筑物遥感信息提取研究进展 |
| 1.1.2 高分辨率遥感影像分类研究进展 |
| 1.1.3 半监督深度学习现状 |
| 1.2 研究内容与组织架构 |
| 1.2.1 研究内容 |
| 1.2.2 论文组织架构和安排 |
| 1.2.3 技术路线 |
| 2 研究区概况与数据资料 |
| 2.1 研究区概况 |
| 2.2 数据介绍 |
| 2.2.1 遥感数据 |
| 2.2.2 建筑物数据集 |
| 2.2.3 其他数据 |
| 2.2.4 影像数据预处理 |
| 3 基于高分航拍影像和全卷积注意力网络的建筑物提取研究 |
| 3.1 引言 |
| 3.2 卷积神经网络基础理论与相关技术 |
| 3.2.1 监督学习与分类 |
| 3.2.2 卷积神经网络结构 |
| 3.2.3 全卷积网络 |
| 3.3 基于联合注意力的全卷积网络的建筑物提取 |
| 3.3.1 U-Net特征提取网络 |
| 3.3.2 残差注意力模块 |
| 3.3.3 联合注意力的U-Net网络结构 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集与评价指标 |
| 3.4.2 实验相关设置 |
| 3.4.3 注意力模块的比较 |
| 3.4.4 与其他方法的比较 |
| 3.4.5 实验结果讨论 |
| 3.5 本章小结 |
| 4 基于高分卫星影像和全卷积网络的农村住房提取研究 |
| 4.1 引言 |
| 4.2 研究区与数据 |
| 4.2.1 研究区 |
| 4.2.2 数据预处理 |
| 4.3 基于扩张卷积的多尺度残差神经网络 |
| 4.3.1 扩张残差特征提取网络 |
| 4.3.2 多尺度上下文特征融合网络 |
| 4.3.3 基于多光谱影像的迁移学习 |
| 4.4 实验结果与分析 |
| 4.4.1 具体实现与评价指标 |
| 4.4.2 农村住房提取结果及精度评价 |
| 4.4.3 面积精度评价 |
| 4.4.4 与其他方法的比较 |
| 4.4.5 讨论 |
| 4.5 本章小结 |
| 5 基于半监督集成学习的农村住房信息提取研究 |
| 5.1 引言 |
| 5.2 研究区与数据 |
| 5.2.1 研究数据 |
| 5.2.2 数据预处理 |
| 5.3 基于集成网络的半监督方法 |
| 5.3.1 集成网络训练 |
| 5.3.2 半监督弱标注数据集 |
| 5.3.3 集成网络训练与微调 |
| 5.3.4 多集成深度网络 |
| 5.4 基于半监督集成学习的农村住房信息提取 |
| 5.4.1 实验设置与评价指标 |
| 5.4.2 2018 年农村住房信息提取结果 |
| 5.4.3 2012 年农村住房信息提取结果 |
| 5.4.4 2005 年农村住房信息提取结果 |
| 5.4.5 农村住房面积精度评价 |
| 5.5 本章小结 |
| 6 农村居民点边界量化与时空动态分析 |
| 6.1 引言 |
| 6.2 基于渗流理论的农村居民点边界量化 |
| 6.2.1 基于渗流算法的农村住房聚类 |
| 6.2.2 空间聚类结果精度评价 |
| 6.3 农村居民点数量及变化 |
| 6.4 农村居民点空间分布特征研究 |
| 6.4.1 探索性空间分析方法 |
| 6.4.2 农村居民点空间分布变化 |
| 6.4.3 农村居民点优化建议 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 博士期间论文发表情况 |
（2）基于遥感技术的建筑抗震因子提取与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑抗震能力与震害预评估研究 |
| 1.2.2 震害预评估方法及震害影响因子研究 |
| 1.2.3 利用遥感技术的建筑特征提取研究 |
| 1.3 论文研究内容及章节安排 |
| 第二章 建筑抗震因子的遥感提取原理 |
| 2.1 建筑震害等级与抗震能力 |
| 2.1.1 建筑破坏等级与震害风险 |
| 2.1.2 震害风险指数与建筑抗震能力 |
| 2.2 建筑抗震能力的影响因子 |
| 2.2.1 建筑结构类型对抗震能力的影响 |
| 2.2.2 建筑设防标准对抗震能力的影响 |
| 2.2.3 建筑侧向刚度对抗震能力的影响 |
| 2.2.4 其它影响因素对抗震能力的影响 |
| 2.3 建筑抗震因子的遥感提取原理 |
| 2.3.1 光学遥感影像的建筑轮廓提取 |
| 2.3.2 基于干涉测量的建筑高度提取 |
| 2.3.3 基于遥感影像变化检测的建筑年代提取 |
| 2.4 基于遥感抗震因子的建筑抗震能力综合评估 |
| 2.4.1 建筑结构易损曲线模型 |
| 2.4.2 基于遥感震害因子的结构易损模型 |
| 2.5 小结 |
| 第三章 建筑群抗震因子的遥感提取技术 |
| 3.1 建筑群抗震因子快速提取方法 |
| 3.1.1 建筑群抗震能力评估指标与抗震因子 |
| 3.1.2 建筑群抗震因子提取流程 |
| 3.2 结合Web数据的遥感影像快速分类 |
| 3.2.1 改进K-means初始类中心点的影像分割 |
| 3.2.2 基于Web数据源的建筑群行政类别提取 |
| 3.2.3 基于先验知识的遥感影像分类 |
| 3.3 基于博弈分类模型的建筑群不透水面提取 |
| 3.3.1 不同博弈假设的建筑群提取 |
| 3.3.2 遥感建筑群提取结果优化 |
| 3.4 基于人口普查数据的建筑群抗震因子取值 |
| 3.4.1 全国建筑抗震因子概率分布特征 |
| 3.4.2 全国5-10 年内人口普查数据可用性分析 |
| 3.5 小结 |
| 第四章 单体建筑抗震因子的遥感提取技术 |
| 4.1 单体建筑抗震因子提取方法 |
| 4.2 单体建筑轮廓与楼层数提取 |
| 4.2.1 基于SegNet神经网络的建筑轮廓提取 |
| 4.2.2 基于时序PS-InSAR的楼层数提取 |
| 4.3 建筑建成年代的遥感变化检测 |
| 4.3.1 中低分辨率遥感的建筑区变化检测方法 |
| 4.3.2 高分辨率遥感的建筑轮廓变化检测 |
| 4.4 基于建筑遥感特征的结构分布概率提取 |
| 4.4.1 基于高度与年代的建筑结构经验判定模型 |
| 4.4.2 考虑建筑材料特性的结构判定模型 |
| 4.5 小结 |
| 第五章 基于灯光遥感的震害损失预评估方法 |
| 5.1 基于遥感技术的震害损失预评估方法 |
| 5.1.1 震害损失预评估原理 |
| 5.1.2 震害损失预评估方法 |
| 5.2 不同建筑类型的建筑破坏比预测参数 |
| 5.2.1 建筑抗震性能水准及量化指标 |
| 5.2.2 建筑结构的地震响应参数 |
| 5.2.3 建筑震害矩阵 |
| 5.3 基于灯光遥感的受灾人口与经济密度估计 |
| 5.3.1 灯光遥感数据 |
| 5.3.2 基于不变目标区的灯光遥感数据校正 |
| 5.3.3 基于夜间灯光亮度的经济密度估计 |
| 5.3.4 基于夜间灯光亮度的人口密度估计 |
| 5.4 震害损失比预测方法 |
| 5.4.1 建筑经济损失预评估方法 |
| 5.4.2 建筑倒塌造成的人员伤亡预评估方法 |
| 5.5 小结 |
| 第六章 遥感抗震因子在震害损失预评估中的应用 |
| 6.1 首都圈建筑抗震因子遥感提取及建筑震害预评估应用 |
| 6.1.1 研究区及数据来源 |
| 6.1.2 首都圈建筑抗震因子提取 |
| 6.1.3 基于唐山地震情景的首都圈震害预评估 |
| 6.2 基于遥感抗震因子的震害预评估验证——以汶川地震为例 |
| 6.2.1 研究区概述 |
| 6.2.2 研究区建筑破坏比预测结果 |
| 6.2.3 研究区建筑损失比预测 |
| 6.2.4 研究区损失预评估结果对比验证 |
| 6.3 小结 |
| 第七章 结论与讨论 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读博士期间参加的科研项目 |
| 攻读博士期间发表的文章 |
（3）基于遥感与数值模型的冻土监测与模拟方法体系研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 全球变化与冻土变化研究现状 |
| 1.2.2 冻土遥感监测研究现状 |
| 1.2.3 冻土水热传输过程与数值模拟研究现状 |
| 1.3 现有研究的趋势与不足 |
| 第2章 科学问题与研究内容 |
| 2.1 科学问题 |
| 2.2 研究思路 |
| 2.3 研究内容 |
| 2.4 研究区概况 |
| 2.5 数据来源 |
| 2.5.1 被动微波遥感数据 |
| 2.5.2 MODIS遥感数据产品 |
| 2.5.3 土壤温湿度监测数据 |
| 2.5.4 气象观测数据 |
| 2.5.5 下垫面参数数据 |
| 2.5.6 多年冻土区划图 |
| 第3章 基于被动微波遥感的地表冻融状态判别研究 |
| 3.1 研究背景 |
| 3.2 地表冻融状态判别方法 |
| 3.2.1 原始DIA算法及其不足之处 |
| 3.2.2 土壤水分特征指标(LVSM)提取 |
| 3.2.3 利用LVSM指标对DIA算法的改进 |
| 3.3 改进DIA算法的判别结果及精度验证 |
| 3.4 改进的DIA算法在东北地区的应用 |
| 3.4.1 东北地区地表土壤冻融状态判别结果 |
| 3.4.2 地表土壤冻融循环对气候变化的响应 |
| 3.5 本章小结 |
| 第4章 多年冻土空间分布遥感反演与分类研究 |
| 4.1 研究背景 |
| 4.2 多年冻土空间分布遥感监测与分类方法 |
| 4.2.1 冻结指数方法及其适用性改进 |
| 4.2.2 多年冻土热学稳定性分区方法 |
| 4.3 东北地区多年冻土识别与分类结果 |
| 4.3.1 东北地区多年冻土识别结果 |
| 4.3.2 东北地区多年冻土分类结果 |
| 4.4 本章小结 |
| 第5章 基于频谱分析的冻土指标空间降尺度研究 |
| 5.1 研究背景 |
| 5.2 基于频谱分析的空间降尺度研究方法 |
| 5.2.1 基于频谱分析的空间降尺度方法 |
| 5.2.2 用于获取高分辨率相位的GWR方法 |
| 5.3 基于频谱分析的空间降尺度结果与分析 |
| 5.3.1 用于频谱分析的地表土壤冻融信息 |
| 5.3.2 冻结天数指标的频率域特征 |
| 5.3.3 频谱降尺度结果与讨论 |
| 5.4 本章小结 |
| 第6章 分布式冻土水热传输过程数值模型研发 |
| 6.1 冻土水热传输过程与水热耦合原理 |
| 6.2 冻土水热过程数值模型的建立 |
| 6.2.1 冻土系统的大气边界条件 |
| 6.2.2 冻土系统的能量传递理论 |
| 6.2.3 冻土系统的水分迁移理论 |
| 6.3 FFIMS模型的求解 |
| 6.3.1 模型结构框架与运行流程 |
| 6.3.2 模型参数配置与输入输出 |
| 6.4 FFIMS模型在研究区的应用 |
| 6.4.1 FFIMS模型的应用示范区概况 |
| 6.4.2 模型输入数据与预处理 |
| 6.4.3 冻土水热过程数值模型模拟结果 |
| 6.5 本章小结 |
| 第7章 融合遥感监测信息的冻土水热过程模拟研究 |
| 7.1 冻土遥感监测信息与FFIMS模型的融合 |
| 7.1.1 DIA算法与FFIMS模型的融合方法 |
| 7.1.2 模拟结果与对比验证 |
| 7.2 融合遥感监测信息的FFIMS模型在东北地区的模拟与验证 |
| 7.2.1 地表温度模拟精度验证 |
| 7.2.2 积雪模拟精度验证 |
| 7.2.3 实际蒸散发模拟精度验证 |
| 7.3 气候变化背景下东北地区冻土变化响应分析 |
| 7.3.1 冻土水热参量时空演变特征分析方法 |
| 7.3.2 冻土水热参量时空演变特征分析结果 |
| 7.4 本章小结 |
| 第8章 FFIMS模型在流域水文过程模拟中的应用研究 |
| 8.1 空间分布式流域水文过程模型——ESSI-3 模型 |
| 8.1.1 ESSI-3 模型的发展历程 |
| 8.1.2 ESSI-3 模型水文过程的参数化方法 |
| 8.2 FFIMS模型与ESSI-3 模型的耦合方案 |
| 8.2.1 冻土水文过程原理 |
| 8.2.2 冻土水热过程与ESSI-3 模型的耦合方案 |
| 8.3 耦合冻土过程的流域水文过程模拟研究 |
| 8.3.1 ESSI-3 模型输入数据预处理 |
| 8.3.2 ESSI-3 模型率定与验证 |
| 8.3.3 耦合冻土过程的流域水文过程模拟 |
| 8.4 本章小结 |
| 第9章 结论与展望 |
| 9.1 主要研究结论 |
| 9.2 主要创新点 |
| 9.3 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于多尺度分析和机器学习的遥感影像找矿预测及填图方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 背景 |
| 1.1.2 意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感矿化蚀变信息提取方法 |
| 1.2.2 遥感岩性填图方法 |
| 1.3 遥感影像找矿预测和填图面临的问题 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 1.6 完成的主要工作量 |
| 第二章 结合PCA、多尺度分割及SVM的蚀变信息提取 |
| 2.1 引言 |
| 2.2 研究区概况 |
| 2.3 数据源 |
| 2.3.1 ASTER |
| 2.3.2 影像校正原理 |
| 2.3.3 数据预处理 |
| 2.4 理论与方法 |
| 2.4.1 蚀变矿物光谱特征 |
| 2.4.2 PCA |
| 2.4.3 多重分形理论 |
| 2.4.4 SVM |
| 2.5 基于PCA-MS-SVM的蚀变信息提取 |
| 2.5.1 基于PCA-MS-SVM的蚀变信息提取流程 |
| 2.5.2 特征波谱选择及主成分分析 |
| 2.5.3 基于多重分形理论的多尺度分割 |
| 2.5.4 蚀变信息提取结果分析 |
| 2.5.5 实验效率分析 |
| 2.5.6 影响PCA-MS-SVM性能的主要因素分析 |
| 2.6 本章小结 |
| 第三章 结合小波包变换和随机森林的蚀变信息提取 |
| 3.1 引言 |
| 3.2 研究区概况 |
| 3.3 数据源 |
| 3.4 理论与方法 |
| 3.4.1 小波包变换 |
| 3.4.2 随机森林 |
| 3.5 结合小波包变换和RF的蚀变信息提取 |
| 3.5.1 结合小波包变换和RF的蚀变信息提取流程 |
| 3.5.2 主成分分析 |
| 3.5.3 小波包变换 |
| 3.5.4 RF提取蚀变信息 |
| 3.5.5 提取结果分析 |
| 3.5.6 影响因素分析 |
| 3.6 本章小结 |
| 第四章 基于特征分解的找矿预测 |
| 4.1 引言 |
| 4.2 研究区概况 |
| 4.3 数据源 |
| 4.3.1 Landsat7 ETM+ |
| 4.3.2 影像预处理 |
| 4.4 原理及方法 |
| 4.4.1 卷积神经网络 |
| 4.4.2 遥感影像特征提取原理 |
| 4.5 遥感影像特征提取 |
| 4.5.1 遥感影像基本特征提取 |
| 4.5.2 遥感影像深度特征提取 |
| 4.6 结果分析 |
| 4.6.1 遥感岩性解译 |
| 4.6.2 遥感矿物解译 |
| 4.7 本章小结 |
| 第五章 结合多尺度分割和随机森林的变质矿物提取 |
| 5.1 引言 |
| 5.2 研究区概况 |
| 5.3 结合多尺度分割和随机森林的变质矿物提取 |
| 5.3.1 结合多尺度分割和随机森林的变质矿物提取流程 |
| 5.3.2 变质矿物光谱特征 |
| 5.3.3 基于变差函数的多尺度分割 |
| 5.3.4 RF提取变质矿物 |
| 5.3.5 结果评价 |
| 5.4 小结 |
| 第六章 结合多尺度岩性分类及矿物提取的岩性填图 |
| 6.1 引言 |
| 6.2 研究区概况 |
| 6.3 数据源 |
| 6.4 结合多尺度岩性分类及矿物提取的岩性填图 |
| 6.4.1 结合多尺度岩性分类及矿物提取的岩性填图工作流程 |
| 6.4.2 岩性及光谱特征分析 |
| 6.4.3 矿物提取指数构建 |
| 6.4.4 岩性分类特征空间构建 |
| 6.4.5 结合多尺度纹理和光谱特征的岩性分类 |
| 6.4.6 矿物提取 |
| 6.5 结果分析 |
| 6.5.1 纹理提取结果分析 |
| 6.5.2 分类结果分析 |
| 6.5.3 填图结果分析 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（5）基于高分遥感的农田生态系统信息提取方法研究（论文提纲范文）
| 摘要 |
| Summary |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 生态信息学研究现状 |
| 1.2.2 基于中、低分辨率遥感的农田生态系统信息提取研究现状 |
| 1.2.3 高分遥感影像分类方法研究现状 |
| 1.2.4 高分遥感图像分割方法研究现状 |
| 1.3 本研究的目的及意义 |
| 1.4 研究思路及技术路线 |
| 1.5 本研究的主要内容 |
| 第二章 高分遥感资料与数据预处理 |
| 2.1 高分遥感数据 |
| 2.2 高分一号(GF-1)PMS数据产品 |
| 2.3 研究区域概况 |
| 2.4 高分遥感数据预处理 |
| 2.4.1 GF-1 PMS数据预处理 |
| 2.4.2 高分遥感数据预处理成果 |
| 第三章 基于高分遥感的农田生态系统图像分割 |
| 3.1 概述 |
| 3.2 基于Canny算子的边缘检测 |
| 3.2.1 原始图像灰度化 |
| 3.2.2 图像滤波 |
| 3.2.3 二阶函数的梯度向量 |
| 3.2.4 Canny边缘检测步骤 |
| 3.3 阈值处理分割图像 |
| 3.4 多尺度分割方法 |
| 3.4.1 多尺度分割的概念 |
| 3.4.2 多尺度分割参数的选择 |
| 3.4.3 分割尺度的选择 |
| 3.4.4 多尺度分割的网络层次关系 |
| 3.4.5 基于异质性最小原则的区域合并算法 |
| 3.5 多尺度分割算法改进方案 |
| 3.5.1 算法流程 |
| 3.5.2 基本原则 |
| 3.5.3 基于数学形态学的多尺度分割算法改进方案 |
| 3.6 图像分割方法测试结果分析 |
| 3.7 小结 |
| 第四章 基于高分遥感的农田生态系统图谱特征提取 |
| 4.1 概述 |
| 4.2 高分遥感的农田生态系统光谱特征 |
| 4.3 遥感专题指数 |
| 4.3.1 植被指数 |
| 4.3.2 水体指数 |
| 4.3.3 建筑指数(不透水面) |
| 4.4 图像原始特征提取 |
| 4.4.1 基于颜色相关图方法的颜色特征提取 |
| 4.4.2 基于灰度—梯度共生矩阵的纹理特征提取 |
| 4.4.3 形状特征 |
| 4.5 特征提取与组合算法 |
| 4.5.1 轮廓波(Contourlet)变换原理 |
| 4.5.2 加速稳健特征(SURF)算法 |
| 4.5.3 基于轮廓波变换与加速稳健特征的特征提取算法 |
| 4.6 特征提取算法测试结果分析 |
| 4.7 小结 |
| 第五章 基于高分遥感的农田生态系统分类提取 |
| 5.1 概述 |
| 5.2 遥感生态指数(RSEI) |
| 5.3 支持向量机(SVM) |
| 5.3.1 相关理论基本概念 |
| 5.3.2 基于支持向量机(SVM)的分类 |
| 5.3.3 基于序列最小优化(SMO)的支持向量机(SVM)分类器 |
| 5.4 基于遥感生态指数(RSEI)的支持向量机(SVM)改进算法 |
| 5.5 实验 |
| 5.5.1 实验数据 |
| 5.5.2 训练样本的选取 |
| 5.5.3 核函数的选取 |
| 5.5.4 参数调整 |
| 5.6 农田生态系统分类算法实际分类效果对比 |
| 5.6.1 最小距离方法(MDM) |
| 5.6.2 最大似然方法(MLM) |
| 5.6.3 K-means算法 |
| 5.6.4 四种分类算法分类效果对比 |
| 5.7 实地验证 |
| 5.7.1 实地数据采集 |
| 5.7.2 实地验证结果 |
| 5.8 小结 |
| 第六章 基于Spark的农田生态系统信息提取 |
| 6.1 概述 |
| 6.2 高分遥感农田生态系统信息提取算法并行机制 |
| 6.3 遥感数据分类与组织形式 |
| 6.4 农田生态系统高分遥感信息分布式提取的整体流程 |
| 6.4.1 弹性分布式数据集(RDD)构建和转换 |
| 6.4.2 数据分配算法 |
| 6.5 实验结果与分析 |
| 6.5.1 数据准备 |
| 6.5.2 Spark分布式集群环境搭建 |
| 6.5.3 性能指标 |
| 6.5.4 实验过程 |
| 6.5.5 基于Spark计算引擎的分布式农田信息提取模型测试结果分析 |
| 6.6 小结 |
| 第七章 全文结论和研究展望 |
| 7.1 全文结论 |
| 7.1.1 本文研究内容总结 |
| 7.1.2 本研究的特点与创新 |
| 7.1.3 研究存在的问题和进一步的工作 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 参与的科学研究项目 |
| 导师简介 |
（6）高分辨率卫星影像分类及变化检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分影像 |
| 1.1.2 高分影像分类及变化检测技术 |
| 1.2 国内外研究现状 |
| 1.2.1 分类算法 |
| 1.2.2 变化检测算法 |
| 1.3 研究意义 |
| 1.4 研究目标和研究路线 |
| 1.5 论文的组织结构 |
| 第二章 影像分类与变化检测技术 |
| 2.1 影像分类技术概述 |
| 2.1.1 遥感影像传统分类方法 |
| 2.1.2 遥感影像深度学习分类方法 |
| 2.1.3 一般分类方案 |
| 2.2 目前分类技术的缺陷 |
| 2.3 变化检测技术概述 |
| 2.3.1 变化检测的概念 |
| 2.3.2 变化检测的方法 |
| 2.3.3 变化检测数学模型的建立 |
| 2.3.4 变化检测的基本流程 |
| 2.4 目前变化检测技术存在的缺陷 |
| 第三章 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.1 脊波理论 |
| 3.1.1 小波分析及多尺度几何分析 |
| 3.1.2 脊波理论 |
| 3.2 卷积神经网络 |
| 3.2.1 人工神经网络出现及发展 |
| 3.2.2 卷积神经网络 |
| 3.3 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.3.1 算法的整体思路 |
| 3.3.2 低分辨率样本的产生 |
| 3.3.3 脊波滤波器 |
| 3.3.4 多分辨率卷积神经网络模型(MRCNNS) |
| 3.4 实验说明 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计和参数分析 |
| 3.5 实验结果与分析 |
| 3.5.1 结果比较 |
| 3.5.2 训练样本数量对分类精度的影响分析 |
| 3.5.3 结果分析 |
| 第四章 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.1 影像融合 |
| 4.1.1 影像融合的主要方法 |
| 4.1.2 影像融合系统框架 |
| 4.2 多尺度分割 |
| 4.2.1 尺度空间理论 |
| 4.2.2 影像分割 |
| 4.2.3 多尺度分割 |
| 4.3 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.3.1 算法整体思路 |
| 4.3.2 二值变化特征影像的生成 |
| 4.3.3 多尺度分割投票决策 |
| 4.4 实验说明 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验设计和参数分析 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数说明 |
| 4.5.2 实验结果 |
| 4.5.3 结果分析 |
| 第五章 分类及变化检测算法在土地调查中的应用 |
| 5.1 分类算法在土地调查数据质量评价方面的应用 |
| 5.1.1 应用背景分析 |
| 5.1.2 实验数据及步骤说明 |
| 5.1.3 实验结果及分析 |
| 5.2 变化检测算法在年度土地变更调查与遥感监测中的应用 |
| 5.2.1 应用背景分析 |
| 5.2.2 实验数据及步骤说明 |
| 5.2.3 实验结果及分析 |
| 总结与展望 |
| 1 全文总结 |
| 2 主要创新点 |
| 3 存在的问题及后续研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）全球30米地表覆盖定量遥感分类与制图研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写词对照表 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 区域/全球地表覆盖制图研究现状 |
| 1.2.2 地表覆盖制图方法/策略研究进展 |
| 1.2.3 区域/全球地表覆盖制图研究中存在的问题 |
| 1.3 研究内容、技术路线与论文组织 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 组织架构 |
| 第2章 时序Landsat地表反射率产品与全球Data Cube构建 |
| 2.1 多源协同大气校正 |
| 2.1.1 大气辐射传输基本原理 |
| 2.1.2 协同大气校正方法 |
| 2.2 地形辐射C校正 |
| 2.3 多时相云及阴影检测 |
| 2.3.1 MTICZ多时相云及阴影检测算法 |
| 2.3.2 MTICZ多时相云检测算法的精度评估 |
| 2.4 Landsat Data Cube数据瓦片化管理 |
| 2.4.1 Data Cube瓦片化管理 |
| 2.4.2 基于时空插补算法的无效像元修复 |
| 2.5 本章小结 |
| 第3章 全球地物图像波谱库 |
| 3.1 全球地物图像波谱库的研究意义 |
| 3.2 全球地物图像波谱库构建方法 |
| 3.2.1 数据源选择依据 |
| 3.2.2 全球地表覆盖分类体系设计 |
| 3.2.3 全球地物图像波谱库构建步骤 |
| 3.3 全球地物图像波谱库空间分布 |
| 3.4 本章小结 |
| 第4章 基于地物图像波谱库的中国区域地表覆盖制图研究 |
| 4.1 基于地物图像波谱库的多时相分类模型 |
| 4.1.1 多时相分类模型 |
| 4.1.2 精度评估 |
| 4.2 中国区域多时相地表覆盖产品及精度验证 |
| 4.3 地表覆盖产品间交叉验证 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 第5章 全球30米不透水面产品与算法 |
| 5.1 不透水面制图研究背景 |
| 5.2 多源遥感数据集介绍 |
| 5.3 基于多源多时相遥感数据的不透水面制图方法 |
| 5.3.1 基于多源遥感数据的全球训练样本的自动生成 |
| 5.3.2 多源多时相特征提取 |
| 5.3.3 局部自适应随机森林模型 |
| 5.3.4 精度评估 |
| 5.4 全球30米不透水面产品及精度验证 |
| 5.4.1 全球不透水面产品与交叉对比 |
| 5.4.2 基于验证样本点的精度评价 |
| 5.4.3 产品间的交叉对比 |
| 5.5 讨论与分析 |
| 5.6 本章小结 |
| 第6章 全球30米精细地表覆盖制图算法、产品与精度验证 |
| 6.1 基于地物图像波谱库的全球30米精细地表覆盖制图 |
| 6.1.1 全球地物图像波谱库和Landsat数据集 |
| 6.1.2 多时相光谱和纹理特征提取 |
| 6.1.3 局部自适应随机森林建模 |
| 6.2 全球验证样本集与精度评估 |
| 6.3 全球30米精细地表覆盖产品及精度验证 |
| 6.3.1 基于全球验证数据集的精度评价 |
| 6.3.2 全球地表覆盖产品间的交叉验证 |
| 6.4 讨论与分析 |
| 6.5 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 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）基于显着性和稀疏表示学习的光学遥感图像目标检测与分类（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状与挑战 |
| 1.2.1 光学遥感图像感兴趣区域检测的研究现状与挑战 |
| 1.2.2 高光谱图像分类的研究现状与挑战 |
| 1.3 论文的研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 2 遥感图像感兴趣区域检测和高光谱分类背景知识 |
| 2.1 基于显着性的感兴趣区域检测 |
| 2.1.1 视觉显着性模型 |
| 2.1.2 遥感应用适应性分析 |
| 2.2 基于稀疏表示学习的高光谱图像分类 |
| 2.2.1 稀疏表示分类器 |
| 2.2.2 协同表示分类器 |
| 2.2.3 弹性网络表示分类器 |
| 2.3 算法性能评价指标 |
| 2.3.1 感兴趣区域检测算法评价指标 |
| 2.3.2 高光谱图像分类算法评价指标 |
| 2.4 本章小结 |
| 3 基于统计显着性的全色遥感图像感兴趣区域检测 |
| 3.1 引言 |
| 3.2 基于低阶统计显着性的局部显着性分析 |
| 3.2.1 基于区域协方差的低阶统计表示 |
| 3.2.2 基于低阶统计表示的显着性计算模型 |
| 3.3 基于高阶统计显着性的全局显着性分析 |
| 3.3.1 基于独立分量分析的高阶统计表示 |
| 3.3.2 基于高阶统计表示的显着性计算模型 |
| 3.4 基于统计显着性的感兴趣区域检测 |
| 3.4.1 基于低阶和高阶统计表示的显着性计算模型 |
| 3.4.2 基于统计显着性分析的感兴趣区域检测 |
| 3.5 实验结果与分析 |
| 3.5.1 实验基本设置 |
| 3.5.2 实验数据 |
| 3.5.3 参数分析 |
| 3.5.4 实验结果 |
| 3.6 本章小结 |
| 4 基于理想正则化与核融合表示模型的高光谱图像分类 |
| 4.1 引言 |
| 4.2 核融合表示分类算法 |
| 4.2.1 核稀疏表示分类算法 |
| 4.2.2 核协同表示分类算法 |
| 4.2.3 核融合表示分类算法 |
| 4.3 理想正则化的空间-光谱复合核 |
| 4.3.1 空间-光谱复合核 |
| 4.3.2 理想正则化策略 |
| 4.3.3 理想正则化的空谱复合核学习算法 |
| 4.4 基于理想正则化和空谱复合核的核融合表示分类算法 |
| 4.5 实验结果与分析 |
| 4.5.1 实验基本设置 |
| 4.5.2 实验数据 |
| 4.5.3 参数分析 |
| 4.5.4 实验结果 |
| 4.6 本章小结 |
| 5 基于多特征相关自适应表示模型的高光谱图像分类 |
| 5.1 引言 |
| 5.2 空谱域多特征提取 |
| 5.3 相关自适应表示分类算法 |
| 5.4 基于多特征的相关自适应表示分类算法 |
| 5.5 基于多特征局部约束的相关自适应表示分类算法 |
| 5.6 实验结果与分析 |
| 5.6.1 实验基本设置 |
| 5.6.2 实验数据 |
| 5.6.3 参数分析 |
| 5.6.4 实验结果 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 论文主要研究工作与贡献 |
| 6.2 研究展望 |
| 参考文献 |
| 个人简历及博士阶段研究成果 |
| 致谢 |
（9）面向机器学习城镇不平衡数据集分类方法的研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状及存在问题 |
| 1.2.1 机器学习领域内不平衡分类技术的发展与现状 |
| 1.2.2 遥感领域内不平衡分类现状 |
| 1.2.3 城镇区域遥感数据集不平衡分类中所面临的问题 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 论文创新点 |
| 1.3.4 技术路线 |
| 1.4 论文组织 |
| 第二章 遥感不平衡分类相关理论 |
| 2.1 数据分布与模型学习性能 |
| 2.1.1 样本绝对稀少与相对稀少 |
| 2.1.2 不平衡性数据的概念决策空间 |
| 2.2 遥感样本数据集特点与不平衡分类 |
| 2.2.1 遥感数据空间与数据不平衡性 |
| 2.2.2 遥感特征空间与数据不平衡性 |
| 2.2.3 遥感分类样本容量与绝对/相对稀有问题 |
| 2.3 不平衡分类评价与量化指标 |
| 2.3.1 遥感分类常规评价指标与不平衡学习 |
| 2.3.2 机器学习领域常见指标与不平衡分类评价指标 |
| 2.3.3 其它评价方法 |
| 2.4 本章小结 |
| 第三章 研究区与实验数据 |
| 3.1 遥感数据与研究区基本条件 |
| 3.2 分类系统与光谱特征空间分析 |
| 3.3 本章小结 |
| 第四章 遥感不平衡分类单模型方法研究 |
| 4.1 极限梯度提升分类技术 |
| 4.2 实验设计与性能评估 |
| 4.2.1 实验设计 |
| 4.2.2 性能评估 |
| 4.3 实验与分析 |
| 4.3.1 XGB模型以及典型分类方法在遥感不平衡分类上的性能响应分析 |
| 4.3.2 少数类特征对遥感不平衡分类的影响 |
| 4.4 研究结论 |
| 4.5 本章小结 |
| 第五章 遥感不平衡分类学习策略研究 |
| 5.1 平等半监督遥感不平衡分类学习策略 |
| 5.1.1 平等半监督不平衡分类方法 |
| 5.1.2 实验与分析 |
| 5.1.3 研究结论 |
| 5.2 集成扰动对平等半监督遥感不平衡分类的影响研究 |
| 5.2.1 基于半监督、混合集成技术的不平衡遥感数据分类 |
| 5.2.2 实验与分析 |
| 5.2.3 研究结论 |
| 5.3 本章小结 |
| 第六章 遥感不平衡分类数据空间转换研究 |
| 6.1 面向对象预处理对不平衡遥感数据集的影响 |
| 6.1.1 对象分割与对象特征 |
| 6.1.2 分析单元与数据分布 |
| 6.2 实验与分析 |
| 6.2.1 基于OBIA的典型分类方法的遥感不平衡分类性能响应分析 |
| 6.2.2 区域复杂度对基于OBIA的遥感不平衡分类的影响 |
| 6.3 研究结论 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附图 |
| 附表 |
（10）基于深度学习的林地分类与动态变化模拟技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 林地遥感影像分类方法研究进展 |
| 1.2.2 基于深度学习的遥感影像分类方法 |
| 1.2.3 基于元胞自动机的林地变化模拟研究进展 |
| 1.3 研究领域存在的问题 |
| 1.4 研究方案 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 技术路线 |
| 1.4.4 章节安排 |
| 1.5 项目来源与经费支持 |
| 2 研究区概况及数据处理 |
| 2.1 研究区概况 |
| 2.2 研究区数据 |
| 2.2.1 遥感数据 |
| 2.2.2 林地小班数据 |
| 2.2.3 地形数据 |
| 2.2.4 GIS空间数据 |
| 2.2.5 Globe Land30 |
| 2.3 数据预处理 |
| 2.3.1 遥感数据预处理 |
| 2.3.2 主成分特征提取 |
| 2.3.3 地形数据处理 |
| 2.3.4 GIS数据处理 |
| 2.4 分类评价标准 |
| 2.4.1 混淆矩阵 |
| 2.4.2 总体分类精度 |
| 2.4.3 Kappa系数 |
| 2.4.4 用户精度 |
| 2.4.5 生产者精度 |
| 2.5 实验环境 |
| 2.6 本章小结 |
| 3 基于随机森林-条件随机场模型的林地分类方法 |
| 3.1 概述 |
| 3.2 随机森林分类器 |
| 3.2.1 单棵决策树 |
| 3.2.2 构造随机森林 |
| 3.3 条件随机场模型 |
| 3.3.1 条件随机场模型理论基础 |
| 3.3.2 条件随机场模型架构形式 |
| 3.4 基于随机森林-条件随机场模型的林地分类方法 |
| 3.4.1 一阶势函数 |
| 3.4.2 二阶高斯势函数 |
| 3.4.3 优化方法 |
| 3.5 实验与分析 |
| 3.5.1 实验数据 |
| 3.5.2 实验设计 |
| 3.5.3 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于双池化卷积网络和条件随机场结合的林地分类方法 |
| 4.1 概述 |
| 4.2 卷积神经网络理论 |
| 4.2.1 网络基本架构 |
| 4.2.2 卷积网络梯度求解 |
| 4.2.3 Softmax分类 |
| 4.3 基于双池化卷积网络和条件随机场结合的林地分类方法 |
| 4.3.1 一维卷积神经网络 |
| 4.3.2 二维卷积神经网络 |
| 4.3.3 双通道卷积神经网络 |
| 4.3.4 双池化卷积神经网络 |
| 4.3.5 双池化卷积神经网络与条件随机场耦合 |
| 4.3.6 网络优化 |
| 4.4 实验与分析 |
| 4.4.1 实验数据 |
| 4.4.2 实验设计 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于堆栈式稀疏自编码网络和元胞自动机模型的林地分布模拟 |
| 5.1 概述 |
| 5.2 基于元胞自动机的林地空间分布模拟 |
| 5.2.1 元胞自动机 |
| 5.2.2 基于Logistic元胞自动机的林地模拟 |
| 5.2.3 基于SAE的元胞自动机林地模拟 |
| 5.2.4 元胞自动机转换规则构建 |
| 5.3 实验与分析 |
| 5.3.1 实验数据 |
| 5.3.2 实验设计 |
| 5.3.3 实验结果与分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 6.3 论文创新 |
| 参考文献 |
| 在读期间的学术研究 |
| 致谢 |
四、空间信息遥感分类背景参数的应用分析（论文参考文献）
- [1]基于深度学习的农村住房遥感信息提取研究及时空演变应用[D]. 叶自然. 浙江大学, 2021(01)
- [2]基于遥感技术的建筑抗震因子提取与应用研究[D]. 王建飞. 中国地震局工程力学研究所, 2021(02)
- [3]基于遥感与数值模型的冻土监测与模拟方法体系研究[D]. 高会然. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [4]基于多尺度分析和机器学习的遥感影像找矿预测及填图方法研究[D]. 唐淑兰. 长安大学, 2021(02)
- [5]基于高分遥感的农田生态系统信息提取方法研究[D]. 陈亦晨. 甘肃农业大学, 2020(01)
- [6]高分辨率卫星影像分类及变化检测算法研究[D]. 郑志峰. 长安大学, 2020(06)
- [7]全球30米地表覆盖定量遥感分类与制图研究[D]. 张肖. 中国科学院大学(中国科学院空天信息创新研究院), 2020(06)
- [8]基于显着性和稀疏表示学习的光学遥感图像目标检测与分类[D]. 刘桂池. 郑州大学, 2020(02)
- [9]面向机器学习城镇不平衡数据集分类方法的研究[D]. 孙飞. 中国地质大学, 2020(03)
- [10]基于深度学习的林地分类与动态变化模拟技术研究[D]. 张劳模. 中国林业科学研究院, 2020(01)