导读:本文包含了遥感土地分类论文开题报告文献综述及选题提纲参考文献，主要关键词:高分辨率,光谱指数,校园,地物分类
遥感土地分类论文文献综述
彭天凡,范昕桐,任瑞治,顾玲嘉[1]（2019）在《基于卫星遥感影像的土地分类实验方法研究》一文中研究指出为了让本科生充分理解和掌握遥感影像处理技术,结合吉林大学大学生创新创业训练计划,设计了基于高分辨率卫星遥感影像的校园土地分类实验项目。以2015年9月20日高分二号(GF-2)卫星拍摄的吉林大学中心校区卫星影像为实验数据,通过使用不同的光谱指数以及支持向量机(SVM:Support Vector Machine)分别对影像中的建筑物、植被、水体、平地和操场等地物进行提取,进而得到基于高分辨率遥感影像的校园地物分类图,并对分类结果中各种地物信息进行统计分析,将统计结果与真实的地物参数进行对比,近而改善该方法的分类精度与可靠性。实践结果表明,该实验可以有效的帮助学生对知识的理解和掌握,达到了预期的教学效果。(本文来源于《吉林大学学报(信息科学版)》期刊2019年05期）
侯婉,侯西勇[2]（2019）在《全球海岸带多源土地利用/覆盖遥感分类产品一致性分析》一文中研究指出多源土地利用/覆盖分类产品是陆地表层过程研究不可或缺的重要基础数据,而其一致性分析则是产品应用的前提和基础。本文基于类型面积偏差、类型面积相关、误差矩阵和类型空间混淆等方法,从面积一致性和空间一致性两方面分析了5种土地利用/覆盖分类产品(MCD12Q1-2010、GlobCover2009、CCI-LC2010、FROM-GLC2010和GlobeLand30-2010)在全球海岸带区域的一致性。结果表明:①各产品土地利用/覆盖类型的空间分布总体上表现出较强的一致性,但在细节上存在大面积不一致现象;②各产品对全球海岸带土地利用/覆盖构成的描述基本一致,即以水体为主,林地和未利用地次之,耕地、草地和灌木地较少,湿地和人造地表相对最少,但在细节上存在面积偏差;③在产品组合中,MCD12Q1-2010/GlobCover2009的相关系数、总体精度和Kappa系数均最低,分别为0.8814、67.46%和0.5748,而GlobCover2009/CCI-LC2010的相关系数、总体精度和Kappa系数均最高,分别为0.9869、81.50%和0.7505;④5种产品两两对比,草地、灌木地和湿地的混淆程度最高,耕地和人造地表次之,林地和未利用地较低,水体最低;⑤全球海岸带有28.81%的土地具有较低的一致性,这些区域地类混淆现象较为严重,尤其是耕地、林地、草地、灌木地、湿地和未利用地之间的相互混淆对5种产品的一致性程度有直接影响。本文有望为海岸带研究在已有土地利用/覆盖数据源选择和使用等方面提供参考和建议。(本文来源于《地球信息科学学报》期刊2019年07期）
徐肖,刘硕[3]（2019）在《基于决策树分类的土地利用遥感监测》一文中研究指出目前,国家对土地使用越来越重视,土地的划分越来越科学化、系统化,为了提高土地的利用率以及实现土地的合理分配,土地利用的遥感监测也就显得尤为重要。本文使用TM卫星数据,基于决策树分类法,应用ENVI、ArcG IS软件对陕西省西安市蓝田县进行土地利用覆盖分类,分类结果精度较高。在此基础上,进一步分析研究区的土地动态变化特征。(本文来源于《科技风》期刊2019年17期）
胡龙飞[4]（2019）在《基于多源遥感数据的土地覆盖分类方法研究》一文中研究指出土地覆盖信息是地理基础数据,它对环境科学研究、土地资源的可持续管理以及环境的变化监测有重要的应用意义。首先,土地覆盖与人类的生产和生活密切相关,土地覆盖的变化反映了自然环境与人类社会活动的关系,并在全球范围内影响着气候与生物多样性。最早,土地覆盖制图是通过人工勾绘的方式来完成的;随着遥感技术的应运而生,基于遥感图像的人工、半人工和自动化制图成为了最为主要的土地覆盖制图方式。随着遥感数据分辨率的不断提高、获取方式的不断丰富,利用遥感数据可以获得越来越准确和丰富的土地覆盖信息;因此,基于遥感图像的土地覆盖分类方法与全球土地覆盖分类制图成为了当前遥感研究领域的热点。然而,自动化的快速获取大范围、高质量的土地覆盖分类仍然是一个挑战。本研究以提高土地覆盖分类制图的质量为出发点,充分利用多源遥感数据,构建了全面的特征空间,包括空间特征(如纹理、形状等)、时间特征(时间序列特征)和光谱特征;在时间、空间和光谱叁个维度较全面的考虑了多源遥感数据优势、建立了丰富的特征信息。并在建立特征空间的过程中,利用现有工具对多光谱数据与合成孔径雷达数据进行了必要的预处理,以减弱遥感数据受到的天气、大气散射和传感器灵敏度等问题的影响。本文提出了一种基于层次结构思想的面向对象土地覆盖分类方法体系,将分类细化为多层子分类问题,在每一层对一个类进行分类,并在每一层分类中为每一类地物动态选择合适的分割参数和特征子集,以获得高完整性和高精度的分类结果。最后以北京地区作为研究区实现了本文方法并进行了验证。分别基于随机森林、支持向量机和K最邻近叁种分类器实现单一尺度分类方法和本文方法,完成了北京区域10m的土地覆盖分类制图。本方法最高达到了91.6%的总体精度,对比单一尺度的分类方法总体精度分别提升了2.43%、0.55%和1.58%。(本文来源于《重庆邮电大学》期刊2019-05-27）
门计林[5]（2019）在《基于卷积神经网络的高分辨率遥感影像土地利用分类》一文中研究指出高分辨率遥感影像的土地利用分类是土地资源管理领域的基础问题,由于土地利用分类标准受自然和社会因素双重影响,使得不同用地类型信息存在极大的互扰性,而如何进一步提高土地利用的分类精度是目前研究中一直面临的问题。本文从场景级和像素级两种分类尺度对土地利用分类问题进行研究,场景级尺度的分类研究能够提供快速、准确的场景判断功能,在地类检索、违章违建识别、土地资源调查等方面具有潜在应用价值;像素级尺度的土地利用分类能够根据遥感影像自动化完成解译工作,提取目标地类面积等信息,有助于对国土资源和生态环境状况的及时掌握。本文的相关工作也主要围绕场景级和像素级两种尺度的分类任务展开。在场景级尺度的土地利用分类任务中,研究工作围绕增强图像特征表达性和实现更有效的分类开展。采用UC Merced land use数据集对CaffeNet、VGG-S和VGG-F叁种CNNs模型全连接层参数进行微调训练,然后将微调后的网络作为特征提取器,将提取到的全连接层输出特征级联后作为图像的最终表达,最后将级联特征输入到mcODM分类器中获得分类结果。该部分研究通过实验验证得出如下结论:(1)多结构卷积神经网路特征级联的方法能够有效弥补单一CNN图像信息提取不足的缺点,增强特征表达性。通过实验对比,多结构卷积神经网络特征级联的方法在UC Merced land use数据集的总体分类精度达到97.55%,相对于单一CNN模型提高了2%-5%。(2)微调CNNs全连接层能够有效改善模型分类性能。在对CaffeNet、VGGS和VGG-F叁种CNNs微调的实验中,微调后的分类精度提升范围在3%-5%。在像素级尺度的土地利用分类任务中,为进一步提高分类精度,基于集成学习的思想,将多个U-Net组成并联模型,利用每种土地类型数据集(仅标注目标地类和非目标地类信息)单独对一个U-Net进行训练,并将训练后的U-Net提取结果结合数学形态学进行空间优化,最后将各个U-Net模型的提取结果根据F-measure指标进行评定,根据评定结果确定融合优先级。最后通过实验验证,基于数学形态学的分类后优化方法改善了U-Net分类后存在的“空洞”等现象,经优化后叁张测试影像的F-measure指数分别达到92.29%、93.66%和87.96%,较优化前提升幅度为1.3%-1.5%。因此本文针对像素级尺度的分类方法在土地利用类型的小样本数据集训练中具有良好的适用性,能够有效改善分类后出现的碎斑、空洞等问题,证明了该方法的有效性和鲁棒性。(本文来源于《中国地质大学》期刊2019-05-01）
刘淑琴[6]（2019）在《基于面向对象C5.0决策树算法的南昌县土地遥感分类研究》一文中研究指出本文着重关注在经济稳步发展的社会生产背景下县域土地利用的现状,借助江西省南昌市南昌县的2018年Landsat-8影像数据源,使用面向对象法,以影像多尺度分割的对象单元为单位,通过C5.0决策树完成南昌县土地的一、二级分类,获取当地土地类型信息。本文采取的主要方法和实验内容包括:第一:利用多尺度分割法,将遥感影像分割成与实际的地物类别相对应的影像对象单元,观察、分析分割尺度、颜色因子、形状因子等因参在取不同数值的情况下对分割效果的影响,并从中选取一组最优分割参数下的影像分割结果作为后续分类处理的数据依据。第二:基于C5.0决策树算法进行土地的一、二级分类:结合研究区地理环境和发展情况,并借鉴土地分类体系标准(GB/T21010-2007),先将土地一级分类为园林地、耕地、建设用地、水体和未利用地五大类别;进一步探讨在政策方针稳定开放、经济建设大力推进的大好形势下“建设用地”的二级细化分类,将“建设用地”再分为农村宅基地、城镇住宅用地、工业用地、开发用地四个类别。实验结果表明:相较于面向像元的最大似然法,面向对象的C5.0决策树法在考虑传统像素光谱信息的同时也利用像素和其相邻像素组成的纹理、形状等交间特征进行地物分类,其一级分类总体精度0.9104,比最大似然法高9.45%,一级分类的Kappa系数值90.03%,比最大似然法高9.45%;二级分类总体精度0.8283,比最大似然法高11.59%,二级分类的Kappa系数值82.80%,比最大似然法高11.60%。对于同样利用面向对象思路,采用CART决策树模型的分类方法来说,C5.0决策树算法的分类效果还是要略高一筹,其一级分类总体精度0.9104,比CART决策树法高2.37%,一级分类的Kappa系数值90.03%,比CART决策树法高2.37%;二级分类总体精度0.8283,比CART决策树法高2.49%,二级分类的Kappa系数值82.80%,比CART决策树法高2.48%。某面向对象的C5.0决策树算法作为本次遥感影像分类研究中的主要算法,能够成功提取土地类别信息,且其分类精度较之最大似然法和CART决策树都要好,说明了利用C5.0决策树算法进行平原地貌县域面积土地分类的优势,其生成的一、二级土地分类规则也可用“规则集”的形式表现出来,为相应土地类别的应用研究提供明确的分类特征规则。(本文来源于《宁夏大学》期刊2019-05-01）
张睎伟[7]（2019）在《面向对象的Landsat8遥感影像沙漠化土地分类研究》一文中研究指出土地沙漠化是近几百年人与自然不协调发展造成的,为监测沙漠化变化进而防治沙漠化,以宁夏中卫市沙坡头区为重点研究区域,提出一种基于CART决策树分类、面向对象的沙漠化土地提取算法,通过理论分析、实验研究进而提出四种提高分类精度的途径,优化了沙地提取特征信息,实现了沙漠化土地分类及信息提取。遥感数据具有高空间、高光谱、高时间分辨率等特性,在众多沙漠化定义和沙漠化划分等级中,结合研究区情况,参照2004年国家林业局发布的《全国荒漠化和沙漠化监测技术规定》,探讨了第八代遥感卫星Landsat8中高空间分辨率、适中时间分辨率对于沙漠化土地信息的适应性,选择中卫沙坡头地区的遥感数据,对其进行大气校正、气溶胶反演等预处理.在训练CART决策树规则的过程中,首先,根据沙漠化指征因子及前人研究成果,选取了关于提取沙漠化土地信息的24个光谱、自定义、纹理和坡度四类特征,通过修正MSAVI和SDI两个特征的计算方法,实现了所有对象的反演。然后通过面向对象的思想,采用多尺度分割和光谱差异分割算法对遥感影像进行分割得到对象层面的数据,避免了同物异谱和同谱异物产生的“椒盐现象”;进而从影像中选取足量具有代表性和完备性的样本点;最后将所选特征和样本点输入CART决策树训练器,生成分类规则树。采用面向对象的思想和CART决策树分类方法,训练学习到18个用于沙漠化分类提取的特征,依此规则树在遥感图像中进行沙漠化分类实验,利用混淆矩阵对结果进行研究分析,总体分类精度为82.3%,Kappa系数为0.796,表明本文算法能够有效的提取沙漠化信息。为提高分类精度,分别提出了多源遥感影像融合、选择合适分割尺度、多特征参与提取、选择合适分类器四类改进方法。通过本文研究,得到以下结论:Landsat8数据是适用于沙漠化信息提取应用的遥感影像数据;提取沙漠化土地的分类结果较高,具有实际应用价值;通过融合多数据源、优化分割尺度、多特征参与、选择优秀的分类器可以提高分类精度;沙漠化土地多分布在沙坡头区黄河以北,黄河以南少有轻度沙漠化土地覆盖,沙漠化过程是由极重度向轻度逐渐向外变化的。(本文来源于《宁夏大学》期刊2019-04-01）
陆鹏宇[8]（2019）在《遥感分类图像斑块土地面积的自动计算方法》一文中研究指出在遥感技术的应用中经常用到面积的计算,而一般的面积计算有两个方式,分别为逐行扫描法和点生长法。其实这两种方法都是由计算机的算法发展而来的。本文就是对遥感分类图像斑块土地面积的自动计算方法进行一定的介绍,通过对计算机算法的优劣分析,从而得出最适宜的面积自动计算方式,希望本文能够为后续的研究提供一些帮助。(本文来源于《数码世界》期刊2019年03期）
高鑫,徐景东,冯阳,郭沥文,戴建林[9]（2019）在《基于遥感与GIS的土地利用分类方法研究——以河北省安新县为例》一文中研究指出研究土地利用类型分类对国民经济具有重要意义。在土地利用类型分类中,常用的方法为监督分类与非监督分类,这两种方法都可以快速地对土地利用类型行分类,但针对不同的地物二者的分类精度是不同的。文章将最大似然法与ISODATA算法的分类结果与目视解译作对比,分析得出两种方法对不同地物的分类精度,确定其适用地物。分析得出最大似然法对于居民地、水田、天然草地的划分精度较高,精度分别为:88.89%、87.64%、90.96%;ISODATA算法对坑塘、水浇地的划分精度较高,精度分别可达到:95.38%和91.61%。(本文来源于《科技创新与应用》期刊2019年07期）
吴薇,张源,李强子,黄慧萍[10]（2019）在《基于迭代CART算法分层分类的土地覆盖遥感分类》一文中研究指出土地覆盖遥感分类是土地利用变化监测及其空间格局分析的重要技术手段。为了进一步提高土地覆盖遥感分类精度,提出一种基于迭代CART算法分层分类的新技术体系。首先,根据类别光谱可分性分析,确定分层分类方法的类别提取顺序依次为水体、植被、裸地和建设用地。然后,在此分类顺序下,分别确定各类别的图像分割参数和分类特征集。最后,在对象尺度上,将CART算法迭代引入分层分类过程,不断选取训练样本进行CART算法的迭代分类依次提取前3个类别,将剩余部分直接划分为建设用地。实验结果证明:该方法可以明显减轻裸地和建设用地的混分现象,获得较高精度的土地覆盖分类结果,总体精度85.76%,Kappa系数0.72。相比于SVM、CART两种单次分类方法,总体精度和Kappa系数分别提升了10.67%～16.5%和0.15～0.21。同时,该方法能够灵活调整某个类别的分类精度并具有很强的扩展性,可以为其他涉及图像分类的遥感应用领域提供方法参考。(本文来源于《遥感技术与应用》期刊2019年01期）
遥感土地分类论文开题报告
（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：
多源土地利用/覆盖分类产品是陆地表层过程研究不可或缺的重要基础数据,而其一致性分析则是产品应用的前提和基础。本文基于类型面积偏差、类型面积相关、误差矩阵和类型空间混淆等方法,从面积一致性和空间一致性两方面分析了5种土地利用/覆盖分类产品(MCD12Q1-2010、GlobCover2009、CCI-LC2010、FROM-GLC2010和GlobeLand30-2010)在全球海岸带区域的一致性。结果表明:①各产品土地利用/覆盖类型的空间分布总体上表现出较强的一致性,但在细节上存在大面积不一致现象;②各产品对全球海岸带土地利用/覆盖构成的描述基本一致,即以水体为主,林地和未利用地次之,耕地、草地和灌木地较少,湿地和人造地表相对最少,但在细节上存在面积偏差;③在产品组合中,MCD12Q1-2010/GlobCover2009的相关系数、总体精度和Kappa系数均最低,分别为0.8814、67.46%和0.5748,而GlobCover2009/CCI-LC2010的相关系数、总体精度和Kappa系数均最高,分别为0.9869、81.50%和0.7505;④5种产品两两对比,草地、灌木地和湿地的混淆程度最高,耕地和人造地表次之,林地和未利用地较低,水体最低;⑤全球海岸带有28.81%的土地具有较低的一致性,这些区域地类混淆现象较为严重,尤其是耕地、林地、草地、灌木地、湿地和未利用地之间的相互混淆对5种产品的一致性程度有直接影响。本文有望为海岸带研究在已有土地利用/覆盖数据源选择和使用等方面提供参考和建议。
（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。
遥感土地分类论文参考文献
[1].彭天凡,范昕桐,任瑞治,顾玲嘉.基于卫星遥感影像的土地分类实验方法研究[J].吉林大学学报(信息科学版).2019
[2].侯婉,侯西勇.全球海岸带多源土地利用/覆盖遥感分类产品一致性分析[J].地球信息科学学报.2019
[3].徐肖,刘硕.基于决策树分类的土地利用遥感监测[J].科技风.2019
[4].胡龙飞.基于多源遥感数据的土地覆盖分类方法研究[D].重庆邮电大学.2019
[5].门计林.基于卷积神经网络的高分辨率遥感影像土地利用分类[D].中国地质大学.2019
[6].刘淑琴.基于面向对象C5.0决策树算法的南昌县土地遥感分类研究[D].宁夏大学.2019
[7].张睎伟.面向对象的Landsat8遥感影像沙漠化土地分类研究[D].宁夏大学.2019
[8].陆鹏宇.遥感分类图像斑块土地面积的自动计算方法[J].数码世界.2019
[9].高鑫,徐景东,冯阳,郭沥文,戴建林.基于遥感与GIS的土地利用分类方法研究——以河北省安新县为例[J].科技创新与应用.2019
[10].吴薇,张源,李强子,黄慧萍.基于迭代CART算法分层分类的土地覆盖遥感分类[J].遥感技术与应用.2019