基于深度学习的淡水湿地遥感精细分类研究

论文摘要

湿地是地球上水陆相互作用形成的生态系统,在维持生态平衡、改善区域气候、调节径流等方面都有不可取代的作用。我国湿地资源丰富,分布着约占世界湿地面积10%的湿地。黑龙江省自然湿地面积约为556万公顷,占全国自然湿地总面积的1/8。随着农业扩张和城市发展以及全球气候变化对水文状况的改变等影响因素的加剧,对湿地生态系统产生了显著的影响,尤其是对淡水湿地的影响更为明显。借助先进的技术手段对湿地植被及其周围的土地利用类型进行适时、动态的监测是十分必要的。本文在总结和评述了国内外在湿地分类方面研究进展的基础上,以黑龙江省的洪河自然保护区和五大连池自然保护区为研究对象,采用高分辨率遥感影像,应用深度学习和复合分类等方法,对淡水湿地进行精细分类。探讨适合在高分辨率遥感影像中分类的最佳模型方法,分析深度学习方法在湿地分类中的优势和不足。论文研究内容和结论如下:（1）卷积神经网络（CNN）在淡水湿地分类中的研究。构建了适合淡水湿地分类的卷积神经网络结构,并与浅层的分类方法在分类精度与分类结果上进行了对比。研究结果表明:CNN作为深层结构的分类器挖掘到了隐藏在高分辨率遥感影像中的复杂空间模式,能够提取到更加丰富的地物语义特征,这些空间模式在浅层结构中不能被发现。但是,CNN分类器对于边界的处理精度不及SVM分类器,分类中会有沿着对象边界的不确定性的现象,从而在一定程度上导致过度平滑。另一方面,在使用CNN分类器中,即使光谱特征显著的物体,但是空间信息很少,也可能会被错误分类。CNN在两个研究分区域的分类精度较浅层的分类方法都有4%-6%的提高,对复杂的湿地植被的识别明显优于浅层分类方法。（2）复合分类器在淡水湿地分类中的研究。对已有的卷积神经网络进行了改进,在全连接层构建多层感知器（MLP）,实现CNN特征与MLP在分类模型中的复合,提高模型运行效率。采用决策融合的方法构建SVM-CNN复合分类器,通过对复合分类器阈值的研究使分类结果达到最佳。研究结果表明:SVM-CNN的方法,综合了SVM方法和CNN方法优势。支持向量机法在地物类型边界清晰的分类中表现出极大的优势;例如耕地呈块状分布,它与其他地物之间可以找到明确的边界。相反,沼泽与水生植被之间存在大面积的过渡带,支持向量机很难在这两种地物之间找到严格的分类界限,因而水生植被的分类精度相对较低。CNN方法通过使用多个卷积和池化操作,来模拟人类视觉皮层的工作方式,并通过平移不变性来实现权重共享,从而能够从图像块中提取到丰富而准确的空间特征。因此,CNN分类方法在草地和沼泽的分类精度上都高于SVM方法。且实验结果表明:与CNN分类方法相比较,SVM-CNN对于连续分布的地物类型的分类具有更大的优势。（3）深度学习在不同分辨率影像中的分类研究。通过应用深度学习的方法,对高分辨遥感影像Sentinel-2A在湿地遥感影像的分类研究,进一步验证深度学习分类方法在高分辨率遥感影像分类中的有效性。另外由于Sentinel-2A和GF-2影像的分辨率的差异,研究适宜应用深度学习方法的遥感影像分辨率。研究结果表明:对Sentinel-2A影像直接应用深度学习的方法和提取纹理特征的SVM方法进行分类,深度学习方法并没有体现出较强的优势,主要是由于Sentinel-2A的分辨率不及GF-2分辨率高,不能直接从影像中获得清晰的上下文语义和纹理特征。（4）梳理了深度学习的相关理论,研究适合于湿地遥感影像分类的最佳模型结构和参数,并对过拟合的问题进行了分析。研究了缓解过拟合问题的三种方式——Dropout、全局平均池化层和Dither。研究结果表明:卷积神经网络同时使用Dropout和Dither对分类精度有所提升,并能够有效的防止过拟合。（5）高分二号遥感影像的图像融合方法研究。为了实现湿地植被的精细分类,对GF-2遥感影像分别应用Gram-Schmidt方法、NND方法和HPF方法进行了图像融合,获得适合高分二号影像湿地植被的最佳融合方法,为后续的精细分类奠定基础。实验结果表明:G-S图像融合方法的信息量最大,空间细节的提取更加细致明显。

论文目录

摘要

Abstract

第1章绪论

1.1 研究的目的和意义

1.2 国内外在该方向的研究现状

1.2.1 高分辨率遥感图像分类方法研究现状

1.2.2 深度学习研究进展

1.2.3 湿地遥感影像分类研究进展

1.3 研究内容

1.4 研究的目标

1.5 研究的技术路线

第2章研究区域及数据来源

2.1 洪河国家自然保护区概况

2.1.1 研究区域的典型性

2.1.2 地理位置

2.1.3 气候及资源概况

2.2 五大连池自然保护区

2.2.1 地理位置

2.2.2 气候及资源概况

2.3 数据源

2.3.1 高分二号影像（GF-2）

2.3.2 哨兵二号影像（Sentinel-2）

2.4 实验区域选择

2.5 实验数据集的建立

第3章研究方法

3.1 卷积神经网络

3.1.1 卷积层

3.1.2 激活函数

3.1.3 池化层

3.1.4 全连接层

3.1.5 损失函数

3.1.6 湿地分类的卷积神经网络结构

3.2 SVM-CNN复合分类方法

3.2.1 融合规则的建立

3.2.2 置信区间的确定

3.2.3 复合分类器中CNN模型的改进

3.2.4 支持向量机（SVM）

3.3 分类器集成算法

3.3.1 多分类器系统（Multiple classifier system MCS）

3.3.2 决策融合方法（Decision fusion）

3.4 高分辨率遥感影像融合方法

3.5 本章小结

第4章深度学习在淡水湿地精细分类中的应用研究

4.1 分类方法对比

4.2 交叉验证

4.3 数据预处理

4.3.1 实验数据集的准备

4.3.2 研究区域图像融合及其评价

4.4 精度评价方法

4.4.1 精度评价指标

4.4.2 精度对比基准

4.5 缓解过拟合问题

4.5.1 Dropout

4.5.2 全局平均池化层

4.5.3 Dither

4.6 CNN方法分类结果及精度对比分析

4.6.1 分类结果分析

4.6.2 分类精度评价

4.6.3 实验结果分析

4.7 SVM-CNN方法分类结果及精度对比分析

4.7.1 决策融合参数的设置

4.7.2 分类结果分析

4.7.3 分类精度评价

4.7.4 实验结果分析

4.8 SVM-CNN方法在洪河自然保护区的精细分类研究

4.8.1 数据准备

4.8.2 运行环境

4.8.3 分类结果及精度

4.8.4 实验结果分析

4.9 本章小结

第5章深度学习在不同分辨率湿地影像中的分类研究

5.1 数据预处理

5.2 纹理特征的提取

5.3 分类精度对比分析

5.3.1 分类结果分析

5.3.2 分类精度评价

5.4 本章小结

结论和展望

主要结论

主要创新点

不足和展望

参考文献

攻读博士学位期间所发表的学术论文

致谢

文章来源

类型: 博士论文

作者: 孟祥锐

导师: 臧淑英

关键词: 高分辨率遥感影像,湿地分类,卷积神经网络,深度学习,决策融合

来源: 哈尔滨师范大学

年度: 2019

分类: 基础科学

专业: 自然地理学和测绘学

单位: 哈尔滨师范大学

分类号: P237

DOI: 10.27064/d.cnki.ghasu.2019.000087

总页数: 119

文件大小: 6405K

下载量: 805

基于深度学习的淡水湿地遥感精细分类研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢