| 【中文题名】 | 基于支持向量机的MODIS数据土地覆盖分类研究 |
| 【英文题名】 | Land Cover Classification with SVM Applied to MODIS Imagery |
| 【学科专业】 | 摄影测量与遥感 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-23 |
| 【中关键词】 | MODIS,土地覆盖,特征选择和提取,支持向量机,指数信息,时相信息 |
| 【英关键词】 | MODIS,land cover,feature selection and extraction,support vector machine,index information,temporal information, |
| 【分类导航】 | 天文学、地球科学>测绘学>地籍学>地籍管理>> |
| 【论文摘要】 |
进行土地覆盖分类是进行国土资源调查、规划及动态监测的基础,也是研究其环境效应、生态安全及其对全球变化影响的有效手段,意义十分重大,尤其是大尺度区域获取更为细致、准确而实时的土地覆盖数据是当前全球变化研究中面临的紧迫任务。鉴于MODIS数据成像面积大而利于获取同步信息,并且资料来源均匀、连续,实时性强,成本低,不受地域限制,因此本文以黑龙江齐齐哈尔地区为例,采用MODIS数据进行区域土地覆盖分类研究。
传统的分类方法以经验风险最小化为原则,只有当样本数趋于无穷时,其性能才能达到理论上的最优,然而在遥感影像分类中,训练样本通常是有限的。本文借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能,针对MODIS数据多光谱、多时相的特点,对支持向量机方法及其在MODIS数据土地覆盖分类中的应用进行了一些研究,主要工作包括:
探讨了利用支持向量机方法进行MODIS数据土地覆盖分类的流程和方法;分析了实验区典型地物的波谱特性,并以此为依据进行分类特征的选择和提取;通过实验来分析指数信息和时相信息的不同特征组合方式对分类精度产生的影响;最后将支持向量机和传统分类方法进行性能对比实验及... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-10 |
|
1 绪论 |
10-17 |
|
1.1 研究背景综述 |
10-12 |
|
1.2 分类方法的研究概况和发展趋势 |
12-15 |
|
1.3 研究目的和内容 |
15-16 |
|
1.3.1 研究目的 |
15 |
|
1.3.2 研究内容 |
15-16 |
|
1.4 论文组织 |
16-17 |
|
2 统计学习理论及支持向量机 |
17-31 |
|
2.1 统计学习理论 |
18-23 |
|
2.1.1 经验风险最小化 |
18-19 |
|
2.1.2 学习过程一致性的条件 |
19-20 |
|
2.1.3 VC 维 |
20 |
|
2.1.4 推广性的界 |
20-21 |
|
2.1.5 结构风险最小化 |
21-23 |
|
2.2 支持向量机 |
23-31 |
|
2.2.1 最优分类超平面 |
23-26 |
|
2.2.2 核函数与升维 |
26-31 |
|
3 研究与实验方法 |
31-47 |
|
3.1 研究区概况 |
31 |
|
3.2 数据源的选择及预处理 |
31-35 |
|
3.2.1 MODIS 数据的优势 |
31-33 |
|
3.2.2 数据的选择及预处理 |
33-35 |
|
3.3 样本点的选择 |
35-36 |
|
3.4 典型地物光谱亮度特征分析 |
36-38 |
|
3.5 分类特征的选择和提取 |
38-45 |
|
3.5.1 分类特征提取方法 |
39-40 |
|
3.5.2 分类特征的选择 |
40-44 |
|
3.5.3 最优分类特征的选择 |
44-45 |
|
3.6 实验总流程 |
45-47 |
|
4 支持向量机分类实验 |
47-59 |
|
4.1 支持向量机分类的步骤 |
47-52 |
|
4.2 不同特征组合分类实验 |
52-57 |
|
4.2.1 仅用一个时相反射率数据 |
52-53 |
|
4.2.2 加入指数信息 |
53-55 |
|
4.2.3 仅用时相信息 |
55-56 |
|
4.2.4 同时加入指数信息和时相信息 |
56-57 |
|
4.3 本章实验结论 |
57-59 |
|
5 SVM 与传统分类方法的性能比较 |
59-70 |
|
5.1 分类器性能的衡量指标 |
59-62 |
|
5.1.1 训练精度与估计精度 |
59-60 |
|
5.1.2 模型复杂度与训练样本数 |
60-61 |
|
5.1.3 特征维数与训练样本数 |
61-62 |
|
5.2 传统分类方法介绍 |
62-63 |
|
5.2.1 最大似然法 |
62-63 |
|
5.2.2 人工神经网络法 |
63 |
|
5.3 对比实验 |
63-68 |
|
5.3.1 训练速度和测试速度的对比 |
63-65 |
|
5.3.2 分类器的分类精度与数据维数的关系 |
65-67 |
|
5.3.3 分类器的分类精度与训练样本数量的关系 |
67-68 |
|
5.4 本章实验结论 |
68-70 |
|
6 结论与展望 |
70-73 |
|
6.1 结论 |
70-71 |
|
6.2 不足之处 |
71-72 |
|
6.3 今后工作展望 |
72-73 |
|
附录：攻读硕士学位期间发表论文及参加科研项目 |
73-74 |
|
致谢 |
74-75 |
|
参考文献 |
75-78 |
|
| 【DOI】 | LunWen.ID:2.2008.37993 |
