学位论文 > 优秀研究生学位论文题录展示

地学知识辅助遥感进行山地丘陵区基于系统分类标准的土壤自动分类方法研究

作　者: 罗红霞
导　师: 龚健雅
学　校: 武汉大学
专　业: 摄影测量与遥感
关键词: 遥感图像分类土壤系统分类体系 RBF神经网络 D-S证据理论结构化地学知识非结构化地学知识多分类器集成
分类号: P237
类　型: 博士论文
年　份: 2005年
下　载: 690次
引　用: 6次
阅　读: 论文下载

内容摘要

土壤为人类提供了包括粮食在内的各种农业、林业以及医药原料产品,同时,土壤也是维持地球表层生态系统生物量的物质基础,与海洋一样,是不可脱离的自然资源与环境。随着社会的发展,人们对土壤资源信息的需求日益增加,遥感以其具有广域、快速、可重复对同一地区获取时间序列信息的特点,成为获取土壤资源信息的有力工具。目前借助计算机对遥感数据进行土壤自动分类成为土壤学家研究的热点,同时也是土壤遥感发展的前沿。对于土壤资源遥感调查以及土壤遥感分类,国内外学者进行了大量的研究,但是对于气候湿润、降水充沛、植被覆盖度高、地表破碎的亚热带山地丘陵区,土壤遥感自动分类问题仍然没有得到解决。另外,在我国,虽然已于上个世纪90年代中期制订了与国际接轨的土壤分类标准即土壤系统分类,但是目前还没有大范围的、基于该分类标准的土壤图和土壤数据库,因此,本文针对土壤遥感分类比较困难的我国亚热带山地丘陵地区,提出了用融合地学知识的方法进行基于系统分类标准的土壤遥感自动分类。研究采用的技术路线为:用特征变换的方法消除植被影响、增强土壤光谱信息后,分别用以统计分析模型为基础的最大似然分类器和以生理视觉模型为基础的RBF神经网络对遥感图像进行土壤分类;将统计决策分类器和RBF神经网络分类器的分类结果组合即多分类器集成;在符号逻辑推理模型支持下融合地学专家知识辅助土壤遥感分类。地学知识(本研究中选用了DTM和部分地学专家知识)在整个土壤遥感分类过程中采用两种途径进行融合:对于结构化的地学知识DTM数据,将其作为遥感图像的逻辑波段与遥感图像一起直接参与分类;对于非结构化的地学专家知识,采用D-S证据合并的方法进行融合。为此,本文以长江三峡地区的丰都县为研究区域,应用陆地资源卫星Landsat-7的ETM+数据进行了研究,所做的主要工作和得出的结论可概括为: (1)对研究区域土壤基本情况以及ETM+遥感图像上各种土壤光谱信息进行了详细分析,得到的结论是:通过图像信息增强、特征变换和特征选择,再加上一些辅助信息是可以将本研究区域的各土壤类别区分开的,而且用实验证实了ETM+第6波段热红外波段有助于提高土壤分类精度。 (2)针对我国亚热带植被覆盖度高、植被和土壤光谱混合严重的特点,研究了用线性光谱混合分解的方法去除植被、增强土壤光谱信息。其中,对反演带约束条件的线性光谱混合模型的FCLS算法进行了修正,并提出了根据植被组分的面积系数计算去除植被后像元光谱值的模型。实验结果表明:①线性光谱混合分解法可以有效地抑制植被光谱信号;②用于土壤分类,去除阳坡植被光谱的图像其总分类精度虽不比原始图像高,但对水耕人为土却有较强的区分能力,而且比其它几种常用的图像特征变换有更好或差不多的土壤分类效果。 (3)研究了融合结构化地学知识DTM进行土壤遥感自动分类的相关问题。将DTM作为逻辑波段与遥感图像融合在一起,用最大似然分类器得到的土壤分类结果表明在土壤遥感

全文目录

摘要  4-6
Abstract  6-12
第1章绪论  12-20
  1.1 研究背景和意义  12-14
  1.2 土壤遥感自动分类的研究现状  14-17
    1.2.1 特征变换与特征选择  14-16
    1.2.2 土壤遥感自动分类方法  16-17
  1.3 国内基于系统分类体系的土壤遥感分类研究现状  17-18
  1.4 本文的研究内容和结构  18-20
    1.4.1 本文的研究内容  18
    1.4.2 技术路线  18-19
    1.4.3 论文的结构  19-20
第2章研究区概况及遥感图像  20-33
  2.1 研究区概况  20-25
    2.1.1 地形地貌特征  20-21
    2.1.2 气候特征  21
    2.1.3 植被覆盖特征  21-24
    2.1.4 地质特征  24
    2.1.5 土壤类型  24-25
  2.2 遥感图像  25-32
    2.2.1 图像预处理  26
    2.2.2 遥感图像的光谱信息特征  26-32
  本章小结  32-33
第3章遥感图像的土壤信息增强——线性光谱混合分解法  33-50
  3.1 遥感图像混合像元的问题  33-35
  3.2 线性光谱混合模型的原理  35-36
  3.3 线性光谱混合分解算法  36-38
    3.3.1 FCLS算法  36-37
    3.3.2 UFCLS方法  37-38
  3.4 去除植被增强土壤信息  38-42
    3.4.1 方法原理  38
    3.4.2 实验结果  38-42
  3.5 土壤分类效果分析  42-49
    3.5.1 去除植被前后的光谱差异分析  42-43
    3.5.2 土壤分类结果  43-49
  本章小结  49-50
第4章融合结构化地学知识DTM的土壤遥感自动分类  50-72
  4.1 DTM数据的融合  50-52
    4.1.1 DTM在土壤分类中的应用  50-51
    4.1.2 DTM与遥感图像融合的方式  51-52
  4.2 融合DTM的最大似然法土壤分类  52-60
    4.2.1 最大似然分类器  52-55
    4.2.2 土壤分类实验  55-60
  4.3 融合DTM的RBF神经网络土壤分类  60-71
    4.3.1 前言  60-61
    4.3.2 RBF映射理论  61-65
    4.3.3 基于Matlab的RBFNN函数newrb的土壤分类  65-71
  本章小结  71-72
第5章基于D-S证据理论的土壤遥感多分类器集成  72-94
  5.1 多分类器集成方法概述  72-73
  5.2 证据推理基本理论  73-75
  5.3 证据组合规则的推论  75-76
  5.4 多分类器集成方案  76-80
    5.4.1 分类器输出信息的不确定性表征  76-77
    5.4.2 组合分类器的筛选准则  77-80
    5.4.3 多分类器组合及结果输出  80
  5.5 实验与分析  80-85
    5.5.1 组合分类器筛选准则的有效性  82-83
    5.5.2 多分类器集成的结果  83-85
  本章小结  85-94
第6章融合非结构化地学知识的土壤遥感自动分类  94-111
  6.1 前言  94-95
  6.2 非结构化地学知识与遥感分类模型的融合  95-96
  6.3 地学专家知识的获取  96-97
  6.4 地学专家知识的表示  97-100
  6.5 地理辅助数据的生成  100
  6.6 D-S证据推理机  100-106
    6.6.1 基本概率分配函数BPA的构造  101-103
    6.6.2 推理策略  103-104
    6.6.3 决策规则  104-106
  6.7 实验结果  106-110
  本章小结  110-111
第7章总结与展望  111-114
  7.1 全文总结  111-112
  7.2 论文创新点  112-113
  7.3 研究展望  113-114
参考文献  114-127
攻读博士学位期间发表的论文和参加的科研项目  127-128
致谢  128

地学知识辅助遥感进行山地丘陵区基于系统分类标准的土壤自动分类方法研究

内容摘要

全文目录

相似论文