导读:本文包含了地表分类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:地表,光谱,神经网络,遥感,卷积,地物,影像。
地表分类论文文献综述
何银银,赖水长,侯建赭,凌杰强[1]（2019）在《结合多通道深度学习和随机森林的地表分类》一文中研究指出地表分类技术对地面无人驾驶车辆的感知能力有着重要影响。而针对传统卷积神经网络CNN(Convolutional Neural Networks)地表分类效果不佳的问题,本文提出一种结合多通道深度学习和随机森林的地表分类算法。算法先通过图像计算得到人工设计的特征LBP;再采用多通道融合技术,将原彩色图像的RGB叁通道和LBP通道加以融合形成融合图像;然后构建并预训练卷积神经网络,以此提取融合图像的关键特征信息;最后用随机森林分类器代替卷积神经网络输出层完成地表分类。实验结果表明,本文算法识别正确率达到98.56%,相比于传统卷积神经网络能取得更好的分类结果,具有一定的鲁棒能力。(本文来源于《软件》期刊2019年11期）
郑云梅,张胜雷,吴洁,赵海龙,李秀花[2]（2019）在《基于径流系数的地表类型分类体系研究》一文中研究指出构建基于径流系数的地表类型分类体系,利于海绵城市规划编制与实施,是城市面源污染削减工作的基础。在国内外地表类型对径流特征的主要影响因素、土地利用覆被分类标准分析总结的基础上,基于《土地利用现状分类》,结合其他相关课题研究成果,尝试构建了基于径流系数的地表类型分类体系。(本文来源于《中国建设信息化》期刊2019年18期）
曹琼,马爱龙,钟燕飞,赵济,赵贝[3]（2019）在《高光谱-LiDAR多级融合城区地表覆盖分类》一文中研究指出城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层迭实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。(本文来源于《遥感学报》期刊2019年05期）
黄远程,陈姣[4]（2019）在《结合季节动态信息辅助的不透水地表分类方法》一文中研究指出由于城市不透水面是各种材料的混合体,地物光谱复杂,类内方差大,具有一定提取难度。经典的指数法提取的不透水特征易与裸露土壤混淆且需提前掩模水体;而混合像元分解方法受限于多光谱的波段数以及完整端元类的确定。本文采用部分分解算法Mixture Tuned Matched Filtering-MTMF实现多光谱影像中不透水端元组分丰度计算,提出了多季相MTMF方法 Joint Seasonal MTMF。为充分利用季节动态信息变化的规律性建立了一个多季相不透水面特征提取与分类的框架。相对于经典的Biophysical Composition Index-BCI,其多季相版BCI不透水面提取精度的kappa值明显提高;多季相迭加的MTMF不透水特征为基础的不透水地表分类的kappa值比多季相BCI提升近0.12,整体精度提升近2%。(本文来源于《第六届高分辨率对地观测学术年会论文集（上）》期刊2019-09-20）
宋德云,蔡来良,谷淑丹[5]（2019）在《基于颜色空间的矿区地表彩色点云分类》一文中研究指出矿区地表点云数据量大,地物比较丰富且地物间色彩差别明显,研究点云分类算法,对矿区点云数据的管理与分析有较强的支持作用。作者从点云数据的RGB颜色特征和HSV颜色特征两个方向入手分类矿区地表点云数据,选取各类地物的样本点,然后根据样本点计算的点云分类的颜色阈值,将观测的数据的颜色特征与样本所求的阈值进行比对分析,将属于同一类地物的彩色点云数据分离出来,实现彩色点云数据的分类。采用Riegl VZ-1000扫描仪采集矿区地表数据并采集照片,通过试验分析获得点云分类的完整率与正确率,证明了基于点云颜色特征分类点云数据方法的可行性、准确性以及高效性。为进一步的研究矿区的沉降监测及模型建立提供支持。(本文来源于《测绘通报》期刊2019年S2期）
祁佳丽,李飞,李志强,薛旭东,张妹婷[6]（2019）在《基于GF-1/WFV影像的青海祁连山地区地表覆被自动分类应用研究》一文中研究指出基于GF-1/WFV影像的地表覆被自动提取方法,利用青海祁连山地区复杂、独特的地表覆被垂直变化特征,建立以祁连山地区为例的水源涵养区地表覆被分类规则。结果表明,总体分类精度为95.73%,Kappa值为0.889 6,分类精度优于80%。尝试将网络远程视频监控系统应用在遥感解译中,选取样本点近距离验证典型地物类型,包括生态脆弱区(冰川)、生物多样性重点保护区(青海小叶杨原种保护地)等,分类精度为94.8%,应用潜力大。(本文来源于《环境监测管理与技术》期刊2019年04期）
褚敏[7]（2019）在《淮南矿区地表移动观测站分类及区域预计参数解算》一文中研究指出随着经济的快速发展,煤炭作为主要的能源也持续被大量开发。对于一个计划开采的煤矿,在开采之前根据其已知的地质采矿条件,选用适合的预测方法和预计函数,提前预计出开采以后会造成的岩层变形以及地表移动变形的程度就变得很有意义。本文利用BP神经网络的方法预计出概率积分法参数为后续利用概率积分法预计提供参数支持。本文的主要目的第一个是研究厚松散层矿区利用BP神经网络解算概率积分法参数的方法是否可行,第二个是确定利用多种群遗传算法优化BP神经网络是否可以提高预测精度。本文详细介绍了影响概率积分法预计参数的采矿因素、地质因素以及地形因素,并收集了我国40个典型矿区的地表观测站实测资料作为训练样本和测试样本。其中实测资料主要分为两部分:一部分是典型观测站的地质采矿条件,另一部分是典型观测站的概率积分法参数。在利用BP神经网络进行预测时,本文选取典型观测站数据中的前37个矿区资料作为训练样本,后3个矿区资料作为测试样本。在利用BP神经网络对概率积分法参数进行预计时,影响概率积分法预计参数的影响因素太多,为了减少BP神经网络的复杂程度,增加预测精度,本文利用主成分分析法进行处理,以期得到概率积分法预计参数的主要影响因素。本文利用MATLAB软件建立BP神经网络模型,对概率积分法参数进行预计。根据模型预计的相对误差可知:在厚松散层矿区利用BP神经网络预计概率积分法参数是可行的。由于BP神经网络模型的初始权值和阈值是随机产生的,这会使BP神经网络模型具有计算时间长,收敛速度慢,容易陷入局部最优的缺点。为了解决这个问题,本文利用多种群遗传算法优化BP神经网络的权值和阈值,建立MPGA-BP神经网络。经过计算可知在厚松散层矿区利用MPGA-BP神经网络预计概率积分法参数是可行的。将主成分-BP神经网络模型与主成分-MPGA-BP神经网络模型分别预计的概率积分法参数进行对比,得到两种方法都有较好的非线性泛化能力,所以这两种方法在对概率积分法参数进行预测方面都是可行的。通过比较相对误差的大小发现MPGA-BP神经网络在预测时总体的相对误差较小,解算结果相对稳定。所以利用多种群遗传算法确实可以优化传统的BP神经网络,经优化后的模型,在精度和稳定性方面都有显着的提高。图[12]表[11]参[65](本文来源于《安徽理工大学》期刊2019-06-10）
段俊杰[8]（2019）在《基于EO-1 Hyperion高光谱遥感图像的地表物分类研究》一文中研究指出地表物分类识别具有重要的变化特征,是反映目标区域生态环境变化的重要标志。随着遥感技术的兴起与发展,高光谱遥感技术已经在社会的各个领域体现了它的重要作用。高光谱遥感光谱通道数量较多,光谱分辨率高达纳米级,蕴含着近似连续并且丰富的光谱信息。使用高光谱遥感图像处理技术能够实现对地表物的类型进行分类研究,实现高光谱遥感图像数据处理在现实生活中的应用。在2000年11月发射的地球观测卫星-1(EO-1)是美国航空航天局(NASA)在新千年计划(NMP)计划中第一颗对地面进行观测的地球卫星,在这颗地球观测卫星上拥有叁种对地球成像的传感器,分别为高级陆地成像仪(ALI),高光谱成像仪(Hyperion)以及大气校正仪(AC)。本论文选用Hyperion高光谱遥感图像作为研究对象,对当地地物进行特征提取,采用高光谱遥感图像数据处理技术对该地区的地表物分类研究具有十分重要的意义。本论文在对当前基于高光谱遥感图像地表物分类研究的基础之上,选用Hyperion在特定时间段的高光谱遥感图像数据信息,运用监督分类与非监督分类的方法对图像进行识别。整个过程包括叁个基本步骤:首先对高光谱遥感图像进行预处理,主要包括图像坏道信息以及水汽波段去除、坏线修复、高光谱遥感图像中大气的校正以及Smile效应的去除;再对预处理的结果进行基于最小噪音变换与纯净像元指数的特征像元提取,最后对经过处理后的图像应用不同方法进行地表物的分类与精确度的分析评价。通过对K均值聚类算法(K-means),迭代自组织分析算法(Isodata),神经网络与光谱角填图四种分类算法的精度比较,确定基于光谱角的分类方法具有最高的分类精度,分类精度能够达到80%,能够较好的满足高光谱影像的分类要求。(本文来源于《内蒙古农业大学》期刊2019-06-01）
邢汉发,孟媛,侯东阳,徐海滨,刘金然[9]（2019）在《一种应用兴趣点数据进行地表覆盖分类的方法》一文中研究指出针对传统基于遥感影像的地表覆盖分类方法普遍存在的生产周期长、成本高、自动化程度低等问题,提出了一种完全利用兴趣点(point of interest,POI)数据进行地表覆盖自动化分类的方法。首先应用潜在狄利克雷分布主题计算模型,从POI数据的文本信息中挖掘出与地表覆盖类型相关的主题类型和分布概率;然后基于POI文本的主题分布,运用支持向量机分类算法构建地表覆盖分类模型;最后以遥感影像地表覆盖分类结果为依据,采用随机抽样的方式对所提方法进行验证。结果表明,该方法能够较好地区分人造地表和非人造地表,且整体分类精度超过80%,可作为传统遥感影像分类的辅助手段,满足地表覆盖快速分类的制图需求。(本文来源于《武汉大学学报(信息科学版)》期刊2019年05期）
程滔,李广泳,赵慧,张加龙[10]（2019）在《基于栅格空间的地表覆盖精化分类方法研究》一文中研究指出提出了基于栅格空间分析的地表覆盖精化分类方法,分析了分类系统匹配、矢量数据栅格化、精化分类数据处理及精化分类结果,开发了精化分类软件,空间迭置分析算法采用与数据源栅格空间分辨率一致性无关的算法。以第一次全国地理国情普查成果中的林地、草地叁级类为例,利用中国植被图(1∶100万)专题数据对其进行精化分类,分析了两者地表覆盖分类系统的定义与内涵;选取了试验区,基于栅格空间分析实现了精化分类;并采用野外实地调查的方式,对结果进行了精度验证。研究表明,利用栅格空间分析进行地表覆盖精化分类,能够形成反映多样化分类系统的地表覆盖精化分类数据产品,对第一次全国地理国情普查成果推广应用具有一定的实践意义。(本文来源于《测绘地理信息》期刊2019年02期）
地表分类论文开题报告
（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：
构建基于径流系数的地表类型分类体系,利于海绵城市规划编制与实施,是城市面源污染削减工作的基础。在国内外地表类型对径流特征的主要影响因素、土地利用覆被分类标准分析总结的基础上,基于《土地利用现状分类》,结合其他相关课题研究成果,尝试构建了基于径流系数的地表类型分类体系。
（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。
地表分类论文参考文献
[1].何银银,赖水长,侯建赭,凌杰强.结合多通道深度学习和随机森林的地表分类[J].软件.2019
[2].郑云梅,张胜雷,吴洁,赵海龙,李秀花.基于径流系数的地表类型分类体系研究[J].中国建设信息化.2019
[3].曹琼,马爱龙,钟燕飞,赵济,赵贝.高光谱-LiDAR多级融合城区地表覆盖分类[J].遥感学报.2019
[4].黄远程,陈姣.结合季节动态信息辅助的不透水地表分类方法[C].第六届高分辨率对地观测学术年会论文集（上）.2019
[5].宋德云,蔡来良,谷淑丹.基于颜色空间的矿区地表彩色点云分类[J].测绘通报.2019
[6].祁佳丽,李飞,李志强,薛旭东,张妹婷.基于GF-1/WFV影像的青海祁连山地区地表覆被自动分类应用研究[J].环境监测管理与技术.2019
[7].褚敏.淮南矿区地表移动观测站分类及区域预计参数解算[D].安徽理工大学.2019
[8].段俊杰.基于EO-1Hyperion高光谱遥感图像的地表物分类研究[D].内蒙古农业大学.2019
[9].邢汉发,孟媛,侯东阳,徐海滨,刘金然.一种应用兴趣点数据进行地表覆盖分类的方法[J].武汉大学学报(信息科学版).2019
[10].程滔,李广泳,赵慧,张加龙.基于栅格空间的地表覆盖精化分类方法研究[J].测绘地理信息.2019
论文知识图
