学位论文 > 优秀研究生学位论文题录展示

黑河中游种植结构真实性检验研究

作　者: 张苗
导　师: 蒋志荣
学　校: 甘肃农业大学
专　业: 水土保持与荒漠化防治
关键词: 最大似然分类神经网络分类支持向量机数据压缩升尺度真实性检验
分类号: TP18
类　型: 硕士论文
年　份: 2013年
下　载: 9次
引　用: 0次
阅　读: 论文下载

内容摘要

高光谱数据波段宽度窄、波段多、信息量大等特有的优势使得其在地质、农业、环境、军事、水文、大气等方面具有广泛的应用。本文利用CASI和SASI高光谱数据对研究区做小尺度的精细分类研究,旨在达到三个目的：探索CASI和SASI高光谱数据种植结构精细分类的潜力、定性检验CASI反应地面真实性的能力和对高一级尺度ASTER数据做真实性检验的评价。张掖是一个绿洲农业大市,以制种玉米为其重要经济作物,是中国十大商品粮基地之一,此研究对张掖的后续农业应用及作物估产和检测具有很大的意义。在前人研究的基础上,本文选择最大似然分类、支持向量机、人工神经网络分类器对CASI／CASI+SASI做精细分类。为了减少分类过程中的误差,本文通过ASD、自动跟踪扫描太阳光度计对原数据做了严格的预处理和检验。分类结果如下：(1)CASI和CASI+SASI的最大似然分类结果差异很大,总体精度和kappa系数分别93.8642%和0.9365,56.9114%和0.5043,在现有样本下,最大似然分类不足以对CASI+SASI数据进行挖掘,但是CASI分类结果很好。(2)在不考虑影响分类速度快慢的参数：迭代次数、误差,只对影响精度的参数：隐函数层数、训练样本贡献率进行调节的前提下,对CASI和CASI+SASI神经网络分类,结果显示：随着隐含函数层的增加,收敛速度变慢且隐含层函数的节点权重值降低,分别是0.99、0.96、0.93。随着节点贡献阈值的增加,分类精度显示不同波动,没有什么规律可循。并且CASI最佳分类精度可达92.9679%,CASI+SASI为90.2447%。神经网络比最大似然对hughes敏感度低。(3)影响支持向量机分类效果的主要因子是：核函数和惩罚因子,本文通过对两种因子调节分类发现：当惩罚因子不断上升,精度会不断提高,但是有限定值。相对而言,相同惩罚因子,不同的核函数分类结果精度相差不大,而相同核函数不同惩罚因子,分类精度相差比较大。支持向量机分类不受hughes现象影响,具有较好的鲁棒性。(4)经验分类器组合分类结果是单分类器的平均,也可以看做是对单分类结果的优化,依赖于群判断可靠性高于个体判断的前提,也依赖于所参与组合的单分类器对样本的训练识别率。理论上可以普遍提高分类精度,但是不一定优于单一分类器最佳的分类结果。(5)PCA和MNF转换从不同的侧面对数据进行压缩提取,反映CASI数据不同的信息。PCA和MNF特征提取最大似然分类,MNF在提取有效信息和减少数据冗余方面的效果更好,有利于CASI数据的分类信息挖掘,分类精度高达96.52%,比最大似然、神经网络、支持向量机和三分类器组合分类的效果都好。依据分类结果,本文选择采用MNF转换后的CASI最大似然分类结果作为真值对ASTER分类数据、CASI平均象元升尺度分类数据、CASI插值升尺度分类数据进行真实性检验和尺度效应误差的评价。结果显示：CASI原数据、ASTER数据、CASI平均象元升尺度数据、CASI插值升尺度数据分别识别地物的类别数是12、6、3、3,说明四种数据之间反应地面真实情况的能力差异。平均象元和插值与ASTER数据的信息量相差很大,也不能代表CASI数据的分类结果。对于分类数据,最佳升尺度方法是经验类别合并。CASI和ASTER分类结果大致相似,ASTER数据分类结果较整齐,但是不能分出植被结构细节。以CASI分类结果作为真值,可以验证ASTER正确分类的总体精度为：56.394%。

全文目录

摘要  2-4
Summary  4-9
第一章绪论  9-17
  1.1 研究背景与意义  9-10
  1.2 相关领域研究现状  10-15
    1.2.1 高光谱分类国内外研究进展  10-13
    1.2.2 真实性检验研究进展  13-15
  1.3 文章框架结构  15-17
第二章高光谱相关理论  17-23
  2.1 高光谱遥感特点与应用领域  17
  2.2 高光谱遥感的应用方向  17-19
  2.3 高光谱传感器汇总  19-23
    2.3.1 星载高光谱传感器  19-20
    2.3.2 机载高光谱传感器  20-23
第三章数据准备  23-29
  3.1 研究区概况  23-24
  3.2 遥感数据与参考数据  24-25
  3.3 数据预处理  25-28
    3.3.1 辐射定标原理及方法  25-26
    3.3.2 大气校正原理与方法  26-28
    3.3.3 ASTER数据几何精校正  28
  3.4 小结  28-29
第四章 CASI分类数据的真实性检验  29-56
  4.1 CASI样本选取与验证  29-31
  4.2 最大似然分类  31-35
    4.2.1 理论简述  31-32
    4.2.2 分类与精度评价  32-34
    4.2.3 分析与讨论  34-35
  4.3 人工神经网络  35-40
    4.3.1 理论概述  35-36
    4.3.2 分类结果与精度评价  36-39
    4.3.3 分析与讨论  39-40
  4.4 支持向量机分类  40-45
    4.4.1 理论概述  40-41
    4.4.2 分类  41-44
    4.4.3 分析与讨论  44-45
  4.5 不同分类器组合数据挖掘与真实性验证  45-49
    4.5.1 分类器组合理论  45-46
    4.5.2 分类结果与精度评价  46-48
    4.5.3 分析与讨论  48-49
  4.6 基于特征提取与选择的分类数据挖掘研究  49-54
    4.6.1 特征提取与选择理论  49-51
    4.6.2 数据降维与纹理信息提取  51
    4.6.3 分类与精度评价  51-53
    4.6.4 分析与讨论  53-54
  4.7 小结  54-56
第五章不同尺度的分类数据真实性检验研究  56-65
  5.1 真实性检验理论  56-57
  5.2 真实性验证与尺度转换方法  57-58
  5.3 分类  58-62
    5.3.1 真值数据选取  58-59
    5.3.2 ASTER与CASI升尺度数据分类  59-62
  5.4 ASTER数据真实性验证  62-63
  5.5 结论  63-64
  5.6 讨论  64-65
致谢  65-66
参考文献  66-74
作者简介  74-75
导师简介  75-76

黑河中游种植结构真实性检验研究

内容摘要

全文目录

相似论文