發(fā)布時(shí)間：2018-01-03 22:01

  本文關(guān)鍵詞：基于深度學(xué)習(xí)的湖泊濕地信息提取及時(shí)空演變特征研究　出處：《東華理工大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 深度學(xué)習(xí) 湖泊濕地 深度卷積神經(jīng)網(wǎng)絡(luò) 空譜聯(lián)合估計(jì) 時(shí)空演化

【摘要】：湖泊濕地是具有多種生態(tài)功能的生態(tài)系統(tǒng),對(duì)人類(lèi)和生態(tài)環(huán)境可持續(xù)發(fā)展至關(guān)重要。由于環(huán)境惡化,濕地面積正不斷萎縮,對(duì)濕地進(jìn)行保護(hù)和恢復(fù)迫在眉睫。利用遙感技術(shù)提取濕地空間分布信息,實(shí)施動(dòng)態(tài)地監(jiān)測(cè)湖泊濕地時(shí)空演變,能為濕地保護(hù)和決策提供重要數(shù)據(jù)支持。常用遙感影像濕地信息提取方法少有兼顧光譜與空間信息,難以保證濕地提取的準(zhǔn)確性和可靠性。本文在利用遙感影像光譜特征時(shí)融入深度學(xué)習(xí)算法,構(gòu)建空譜聯(lián)合估計(jì)模型對(duì)濕地信息進(jìn)行提取,獲取不同時(shí)期湖泊濕地信息專(zhuān)題圖分析湖泊濕地時(shí)空變化。主要包括:(1)構(gòu)建基于深度學(xué)習(xí)的濕地識(shí)別模型。引入深度學(xué)習(xí)算法,建立多尺度卷積神經(jīng)網(wǎng)絡(luò)濕地識(shí)別模型,制作濕地樣本,對(duì)基于深度卷積神經(jīng)網(wǎng)絡(luò)的濕地識(shí)別模型進(jìn)行學(xué)習(xí)訓(xùn)練。(2)研究濕地提取空譜聯(lián)合估計(jì)模型。運(yùn)用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型,與歸一化差分水體指數(shù)和濕度分量相結(jié)合,綜合考慮濕地空間特征和光譜特征,搭建空譜聯(lián)合估計(jì)模型,對(duì)濕地進(jìn)行提取。(3)將目前常用濕地提取方法與基于深度學(xué)習(xí)的濕地提取方法對(duì)比分析。采用最小距離法、最大似然法、決策樹(shù)分類(lèi)法、面向?qū)ο蠓ā⒅С窒蛄繖C(jī)法等與本文方法進(jìn)行對(duì)比分析實(shí)驗(yàn),評(píng)定精度,驗(yàn)證基于深度學(xué)習(xí)的濕地提取方法的可行性和準(zhǔn)確性。(4)湖泊濕地時(shí)空演變特征研究。本文以鄱陽(yáng)湖為例,分析湖泊濕地時(shí)間空間變化。運(yùn)用景觀生態(tài)學(xué)方法對(duì)2000年、2005年、2010年、2015年鄱陽(yáng)湖濕地信息進(jìn)行分析,利用景觀格局指數(shù)定量分析濕地變化過(guò)程,研究其變化趨勢(shì),探尋濕地變化規(guī)律,為濕地保護(hù)和恢復(fù)決策提供數(shù)據(jù)支持,并提出相應(yīng)保護(hù)建議。
[Abstract]:Lake wetland is an ecosystem with many ecological functions, which is very important for the sustainable development of human and ecological environment. It is urgent to protect and restore the wetland. Remote sensing technology is used to extract the spatial distribution information of the wetland and to dynamically monitor the temporal and spatial evolution of the lake wetland. It can provide important data support for wetland protection and decision-making. The common remote sensing image wetland information extraction method rarely takes account of spectral and spatial information. It is difficult to ensure the accuracy and reliability of wetland extraction. In this paper, a joint space-spectrum estimation model is constructed to extract the wetland information by using the spectral features of remote sensing images into the depth learning algorithm. The temporal and spatial changes of lake wetland are analyzed by obtaining the thematic map of lake wetland information in different periods. The main contents include: 1) construct the wetland identification model based on deep learning, and introduce the depth learning algorithm. A multi-scale convolution neural network wetland identification model was established to make wetland samples. The wetland recognition model based on deep convolution neural network is trained. (2) the joint estimation model of wetland extraction space spectrum is studied, and the deep learning convolution neural network model is used. Combined with normalized differential water index and humidity component, combined with spatial and spectral characteristics of wetland, a joint space-spectrum estimation model was built. The wetland extraction method is compared with the wetland extraction method based on deep learning. The minimum distance method, the maximum likelihood method, the decision tree classification method and the object oriented method are adopted. Support vector machine (SVM) method is compared with the method in this paper to evaluate the accuracy of the experiment. Verify the feasibility and accuracy of wetland extraction method based on in-depth learning. 4) study on temporal and spatial evolution characteristics of lake wetland. This paper takes Poyang Lake as an example. The temporal and spatial changes of lake wetland were analyzed. The information of Poyang Lake wetland on 2000, 2005, 2010 and 2010 were analyzed by landscape ecology method. The landscape pattern index is used to analyze the changing process of wetland, to study its changing trend, to explore the rules of wetland change, to provide data support for wetland conservation and restoration decision, and to put forward corresponding protection suggestions.
【學(xué)位授予單位】：東華理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：P237;P901

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許夙暉;慕曉冬;趙鵬;馬驥;;利用多尺度特征與深度網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行場(chǎng)景分類(lèi)[J];測(cè)繪學(xué)報(bào);2016年07期

2 楊雪峰;王雪梅;;基于決策樹(shù)的多角度遙感影像分類(lèi)[J];地球信息科學(xué)學(xué)報(bào);2016年03期

3 曹林林;李海濤;韓顏?lái)?余凡;顧海燕;;卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類(lèi)中的應(yīng)用[J];測(cè)繪科學(xué);2016年09期

4 田衛(wèi)方;王斌;;面向?qū)ο蟮母叻直媛蔬b感影像道路損毀識(shí)別研究[J];測(cè)繪通報(bào);2014年11期

5 殷書(shū)柏;李冰;沈方;;濕地定義研究進(jìn)展[J];濕地科學(xué);2014年04期

6 鄧富亮;范協(xié)裕;王剛;馬娟;;一種FNEA影像分割算法中初始對(duì)象的快速構(gòu)建方法[J];中國(guó)科學(xué)院大學(xué)學(xué)報(bào);2014年04期

7 謝毅文;張強(qiáng);李越;羅世豪;陳亞松;陳笠翔;;鄱陽(yáng)湖流域年降水量周期、趨勢(shì)及響應(yīng)特征分析[J];西安理工大學(xué)學(xué)報(bào);2014年02期

8 白秀蓮;巴雅爾;哈斯其其格;;基于C5.0的遙感影像決策樹(shù)分類(lèi)實(shí)驗(yàn)研究[J];遙感技術(shù)與應(yīng)用;2014年02期

9 高常鑫;桑農(nóng);;基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測(cè)[J];測(cè)繪通報(bào);2014年S1期

10 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識(shí)別中的新進(jìn)展[J];中國(guó)圖象圖形學(xué)報(bào);2014年02期

相關(guān)博士學(xué)位論文 前2條

1 康旭東;高光譜遙感影像空譜特征提取與分類(lèi)方法研究[D];湖南大學(xué);2015年

2 王春媛;遙感圖像幾何校正及目標(biāo)識(shí)別技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前3條

1 陳鴻翔;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割[D];浙江大學(xué);2016年

2 李琳;鄱陽(yáng)湖區(qū)濕地特征提取研究[D];江西理工大學(xué);2014年

3 陳芳杰;基于BP神經(jīng)網(wǎng)絡(luò)遙感圖像特征分類(lèi)方法的研究[D];安徽理工大學(xué);2012年

，

本文編號(hào)：1375748