基于哨兵1A的海岸带地物分类方法的研究

论文摘要

以“基于多极化星载合成孔径雷达的广东省海岸线动态监测研究”项目研究为背景,以珠江三角洲为研究区（重点区域为南沙区）,利用SegNet对该海岸带区域的地物分类方法开展了相关研究。SegNet网络是端到端的基于语义分割的分类模型,采用编码-解码（Encoder-Decoder）的对称式网络结构,在遥感影像数据集上进行分类的精度可达到73.2%,要优于DeconvNet等网络模型[1]。实验过程主要采用的是Sentinel-1A卫星影像,该数据源由欧空局免费提供,适用于大范围的地表监测。实验将SegNet及U-Net网络和Sentinel-1A遥感影像数据相结合,完成了对广东省海岸带地区的地物分类。为了提高分类的精度,采用了更高分辨率的TerraSAR-X影像数据用于校正,并通过实地测绘调查对实验结果进行了验证。同时,为了验证SegNet及U-Net网络对于遥感影像地物分类的有效性,还采用了最小距离法,极大似然估计,kmeans等多种分类算法用于比较。Sentinel单个卫星（包括A,B两颗）重访周期仅为12天,利用Sentinel-1A影像数据作为主要实验数据来源,可以获得更多的数据。同时,该影像数据由欧空局免费提供,还可以节约经济成本。而利用TerraSAR-X影像数据作校正,则可以弥补Sentinel-1A影像数据因精度低（相对TerraSAR影像数据）而造成的误差。传统的聚类算法如kmeans等不需要对数据进行标签,直接利用样本的内部特性进行分类,可以大大减少工作量,但精度偏低,分类结果比较粗糙。近年来,学术界普遍开始将深度学习的方法应用于遥感影像分类,例如:利用FCN,SegNet,U-Net等网络进行地物分类。这些方法采用了多层卷积,可以提取影像不同尺度的特征,丰富了特征信息,有利于分类精度的提高。其次,由于硬件平台GPU卡（适用于卷积运算）的普及,使得网络的训练更加容易,高效,可以提高算法运行速度,并能实现更深层网络的训练,提高分类精度。通过和第三方测绘公司开展实际的调查活动,得到了南沙区不同位置的实际地物类型,可以验证本文方法的精度。从实地测绘调查结果可以看出,该模型能够较好地反映出研究区的地物分类状况,对当地自然资源的利用和规划具有一定的指导意义,具有较好的发展前景。

论文目录

摘要

ABSTRACT

第一章绪论

1.1 研究背景及意义

1.1.1 海岸带的定义

1.1.2 广东省海岸带现状及其面临的挑战

1.1.3 广东省海岸带对于社会、经济发展的重要性

1.1.4 广东省海岸带重地物分类意义

1.2 国内外研究现状

1.2.1 基于目视解译的遥感影像分类

1.2.2 无监督的遥感影像分类

1.2.3 有监督的遥感影像分类

1.2.4 基于深度学习的遥感影像分类

1.3 论文组织结构

第二章数据选取及相关数据介绍

2.1 研究区域概况

2.2 数据源选取及介绍

2.2.1 数据选取

2.2.2 数据介绍

2.3 本章小结

第三章海岸带地物分类的原理

3.1 相关的行业、国家标准的分析

3.2 海岸带地物分类的手段及特点

3.3 利用SegNet网络进行地物分类原理

3.3.1 SegNet网络模型

3.3.2 SegNet网络模型图像分割模型

3.4 利用U-Net网络进行地物分类

3.5 本章小结

第四章基于SegNet、U-Net网络的海岸带地物分类

4.1 数据集准备

4.2 海岸带地物分类模型

4.2.1 利用ENVI和SNAP进行分类

4.2.2 SegNet网络分类与U-Net网络分类

4.3 野外实地考察实验

4.4 分类精度及评价

4.5 本章小结

结论

参考文献

攻读硕士期间发表论文

致谢

文章来源

类型: 硕士论文

作者: 刘玉萍

导师: 孙盛,陈华

关键词: 地物分类,遥感,深度学习,神经网络,海岸带

来源: 广东工业大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 海洋学,工业通用技术及设备,自动化技术

单位: 广东工业大学

分类号: P715.7;TP751

DOI: 10.27029/d.cnki.ggdgu.2019.001078

总页数: 61

文件大小: 3558K

下载量: 105

基于哨兵1A的海岸带地物分类方法的研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢