基本信息
- 項(xiàng)目名稱:
- 支持向量機(jī)在扎龍濕地遙感分類研究中的應(yīng)用
- 小類:
- 數(shù)理
- 簡介:
- 本文采用支持向量機(jī)分類方法(SVM)對濕地遙感進(jìn)行了分類研究,較深入地探討了特征維度與樣本數(shù)量對分類結(jié)果的影響,并同傳統(tǒng)的最大似然分類方法(MLC)進(jìn)行了對比,實(shí)現(xiàn)了濕地遙感的自動分類與智能提取,為濕地監(jiān)測與保護(hù)提供了決策支持。
- 詳細(xì)介紹:
- 濕地遙感分類是實(shí)現(xiàn)濕地動態(tài)監(jiān)測、管理與利用的重要手段之一。然而由于濕地具有獨(dú)特的水陸生態(tài)環(huán)境,獲取實(shí)測樣本點(diǎn)相對困難,因此,研究小樣本、高精度的濕地遙感分類方法十分必要。以扎龍自然保護(hù)區(qū)為研究區(qū),采用支持向量機(jī)(support vector machine,簡稱SVM)的方法進(jìn)行了濕地遙感分類研究,初步剖析了樣本數(shù)量與特征維度對分類結(jié)果的影響,并同傳統(tǒng)的最大似然分類(MLC)方法作比較。實(shí)驗(yàn)結(jié)果顯示,SVM分類一般優(yōu)于MLC分類,尤其在小樣本、高維度下展現(xiàn)了較高的優(yōu)勢。每類樣本數(shù)為100時(shí)SVM高維分類總精度最高,達(dá)到88.125%,分類獲得的扎龍濕地總面積為90307.17公頃,其中水體面積為8301.15公頃,有水沼澤面積為48942.45公頃,無水沼澤面積為48942.45公頃。實(shí)驗(yàn)分析表明,SVM是濕地遙感分類的有效手段。
作品專業(yè)信息
撰寫目的和基本思路
- 本文采用支持向量機(jī)分類方法(SVM)對濕地遙感進(jìn)行了分類研究,較深入地探討了特征維度與樣本數(shù)量對分類結(jié)果的影響,并同傳統(tǒng)的最大似然分類方法(MLC)進(jìn)行了對比,實(shí)現(xiàn)了濕地遙感的自動分類與智能提取,為濕地監(jiān)測與保護(hù)提供了決策支持。
科學(xué)性、先進(jìn)性及獨(dú)特之處
- (1)國內(nèi)使用支持向量機(jī)對扎龍濕地進(jìn)行遙感分類的研究較少 (2)充分發(fā)揮了支持向量機(jī)對于小樣本、高維度、非線性的優(yōu)勢,首次分不同樣本數(shù)量、特征維度分別進(jìn)行濕地遙感分類。 (3)從機(jī)理上詳細(xì)討論了支持向量機(jī)方法同傳統(tǒng)方法的差別
應(yīng)用價(jià)值和現(xiàn)實(shí)意義
- 濕地科學(xué)管理的重要依據(jù)是濕地?cái)?shù)據(jù)的準(zhǔn)確、快速獲取,給傳統(tǒng)監(jiān)測方法提出了挑戰(zhàn),基于現(xiàn)代空間信息技術(shù),研究快速有效的濕地監(jiān)測方法具有重要意義。 研究濕地可為政府部門提供決策支持,為國家科技創(chuàng)新體系建設(shè)提供重要支撐和保障。
學(xué)術(shù)論文摘要
- 摘要—濕地遙感分類是實(shí)現(xiàn)濕地動態(tài)監(jiān)測、管理與利用的重要手段之一。然而由于濕地具有獨(dú)特的水陸生態(tài)環(huán)境,獲取實(shí)測樣本點(diǎn)相對困難,因此,研究小樣本、高精度的濕地遙感分類方法十分必要。以扎龍自然保護(hù)區(qū)為研究區(qū),采用支持向量機(jī)(support vector machine,簡稱SVM)的方法進(jìn)行了濕地遙感分類研究,初步剖析了樣本數(shù)量與特征維度對分類結(jié)果的影響,并同傳統(tǒng)的最大似然分類(MLC)方法作比較。實(shí)驗(yàn)結(jié)果顯示,SVM分類一般優(yōu)于MLC分類,尤其在小樣本、高維度下展現(xiàn)了較高的優(yōu)勢。每類樣本數(shù)為100時(shí)SVM高維分類總精度最高,達(dá)到88.125%,分類獲得的扎龍濕地總面積為90307.17公頃,其中水體面積為8301.15公頃,有水沼澤面積為48942.45公頃,無水沼澤面積為48942.45公頃。實(shí)驗(yàn)分析表明,SVM是濕地遙感分類的有效手段。
獲獎(jiǎng)情況
- 論文已被IEEE ICCDA2011正式錄用。 Ce Zhang, Shuying Zang. The application of Support Vector Machine on Zhalong Wetland Remote Sensing Classification Research. 2011 3rd International Conference on Computer Design and Applications,ICCDA2011, (Accepted). (EI,ISTP)
鑒定結(jié)果
- 論文屬于國內(nèi)高質(zhì)量、高水平學(xué)術(shù)論文,達(dá)到參賽資格。
參考文獻(xiàn)
- [1] ?zesmi, S. L., & Bauer, M. E. Satellite remote sensing of wetlands [J]. Wetlands Ecology and Management, 2002, 10(5):381~402. [2] An Objective Analysis of Support Vector Machine Based Classi?cation for Remote Sensing[J]. Math Geosci, 2008, 3(40): 409~424. [3] 張睿,馬建文.支持向量機(jī)在遙感數(shù)據(jù)分類中的應(yīng)用新進(jìn)展[J]. 地球科學(xué)進(jìn)展, 2009, 24(5): 555~562. [4] 基于支持向量機(jī)的遙感影像濕地信息提取研究[J]. 計(jì)算機(jī)應(yīng)用研究, 2008, 25(4):989~991.
同類課題研究水平概述
- 支持向量機(jī)(support vector machine,簡稱SVM)是一種新型的數(shù)據(jù)挖掘方法,廣泛地應(yīng)用于模式識別和機(jī)器學(xué)習(xí)。在遙感領(lǐng)域,國內(nèi)已有學(xué)者采用支持向量機(jī)方法對黃河中上游濕地進(jìn)行了信息提取,國外也曾有學(xué)者利用支持向量機(jī)進(jìn)行了土地利用分類,并考慮了訓(xùn)練樣本數(shù)量的影響,但均未綜合地解決濕地樣本數(shù)量少對分類帶來的影響。本文采用支持向量機(jī)分類方法(SVM)對濕地遙感進(jìn)行了分類研究,較深入地探討了特征維度與樣本數(shù)量對分類結(jié)果的影響,并同傳統(tǒng)的最大似然分類方法(MLC)進(jìn)行了對比,實(shí)現(xiàn)了濕地遙感的自動分類與智能提取,為濕地監(jiān)測與保護(hù)提供了決策支持。 國家自然科學(xué)基金項(xiàng)目“基于粗集的多源遙感濕地空間分類知識發(fā)現(xiàn)研究(項(xiàng)目編號:40871188)”(2009-2011),項(xiàng)目主持人張樹清,經(jīng)費(fèi)40萬元。該項(xiàng)目有關(guān)空間數(shù)據(jù)挖掘方面所做的研究工作為本項(xiàng)目多源遙感數(shù)據(jù)空間分類方面奠定了堅(jiān)實(shí)的基礎(chǔ)。