留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

基于机器学习的多源遥感影像融合土地利用分类研究

上一篇

下一篇

陈磊士,赵俊三,李易,朱祺夫,许可. 基于机器学习的多源遥感影像融合土地利用分类研究[J]. 西南师范大学学报(自然科学版), 2018, 43(10): 103-111. doi: 10.13718/j.cnki.xsxb.2018.10.018
引用本文: 陈磊士,赵俊三,李易,朱祺夫,许可. 基于机器学习的多源遥感影像融合土地利用分类研究[J]. 西南师范大学学报(自然科学版), 2018, 43(10): 103-111. doi: 10.13718/j.cnki.xsxb.2018.10.018
CHEN Lei-shi, ZHAO Jun-san, LI Yi, ZHU Qi-fu, XU Ke. On Land Use Classification by Means of Machine Learning Based on Multi-source Remote Sensing Image Fusion[J]. Journal of Southwest China Normal University(Natural Science Edition), 2018, 43(10): 103-111. doi: 10.13718/j.cnki.xsxb.2018.10.018
Citation: CHEN Lei-shi, ZHAO Jun-san, LI Yi, ZHU Qi-fu, XU Ke. On Land Use Classification by Means of Machine Learning Based on Multi-source Remote Sensing Image Fusion[J]. Journal of Southwest China Normal University(Natural Science Edition), 2018, 43(10): 103-111. doi: 10.13718/j.cnki.xsxb.2018.10.018

基于机器学习的多源遥感影像融合土地利用分类研究

On Land Use Classification by Means of Machine Learning Based on Multi-source Remote Sensing Image Fusion

  • 摘要: 为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.
  • [1] TOWNSHEND J,MASEK J, HUANG C Q,et al.Global Characterization and Monitoring of Forest Cover Using Landsat Data:Opportunities and Challenges[J].International Journal of Digital Earth,2012,5(5):373-397.
    [2] 杜国明, 匡文慧, 孟凡浩, 等. 巴西土地利用/覆盖变化时空格局及驱动因素[J].地理科学进展,2015, 34(1):73-82.
    [3] 彭立, 杨武年, 黄瑾. 川西高原多时相干涉雷达土地覆盖分类研究[J]. 西南大学学报(自然科学版), 2016, 38(5):125-132.
    [4] CHEN Y,SU W,LI J,et al.Hierarchical Object Oriented Classification Using Very High Resolution Imagery and LIDAR Data over Urban Areas[J].Advances in Space Research,2009,43(7):1101-1110.
    [5] 杨朝斌, 张树文, 卜坤, 等. 高分辨率遥感影像在城市LUCC中的应用[J].中国科学院大学学报,2016, 33(3):289-297.
    [6] 蒋楠, 李卫国, 杜培军. 不同遥感数据融合方法在南方水稻面积监测中的应用研究[J]. 西南大学学报(自然科学版), 2012, 34(6):18-24.
    [7] 李章成, 李源洪, 周华茂. 基于ALOS_PALSAR双极化雷达影像遥感监测水稻的研究:以德阳地区为例[J]. 西南师范大学学报(自然科学版), 2012, 37(6):62-67.
    [8] 赵有松, 李京伟, 陈军. 基于ETM+制作土地利用覆盖图——以制作北京1:5万土地利用覆盖图为例[J].测绘科学,2001, 26(3):3,39-42.
    [9] 翟天林, 金贵, 邓祥征, 等. 基于多源遥感影像融合的武汉市土地利用分类方法研究[J].长江流域资源与环境,2016, 25(10):1594-1602.
    [10] 吴健生, 潘况一, 彭建, 等. 基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例[J].地理研究,2012, 31(11):1973-1980.
    [11] 冯丽英. 基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]:杭州:浙江大学,2017.
    [12] 秦高峰. 基于机器学习的多光谱遥感影像分类及城市扩展研究[D]:重庆:重庆大学,2012.
    [13] 曹兆伟, 林宁, 徐文斌, 等. 基于BP神经网络的东屿岛遥感影像分类[J].海洋通报,2016, 35(5):587-593.
    [14] POWELL R L, ROBERTS D A, DENNISON P E,et al.Sub-pixel Mapping of Urban Land Cover Using Multiple Endmember Spectral Mixture Analysis:Manaus,Brazil[J].Remote Sensing of Environment,2007,106(2):253-267.
    [15] MAAD R, HJERTAKER B T, JOHANSEN G A.Semi-empirical Scatter Correction Model for High-speed Gamma-ray Tomography[J].Measurement Science and Technology,2008,19(9):094016.
    [16] DU Q,FOWLER J E, ZHU W.On the Impact of Atmospheric Correction on Lossy Compression of Multispectral and Hyperspectral Imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2009,47(1):130-132.
    [17] 张治清, 何宗. GEOEYE-1多光谱与全色影像融合的适应性及质量评价研究[J]. 西南师范大学学报(自然科学版), 2011, 36(1):203-208.
    [18] 常亮, 邓小明, 周明全, 等. 图像理解中的卷积神经网络[J].自动化学报,2016, 42(9):1300-1312.
    [19] KARIMI D,AKBARIZADEHG, KANGZAN K,et al.Effective Supervised Multiple-feature Learning for Fused Radar and Optical Data Classification[J].Iet Radar Sonar and Navigation,2017,11(5):768-777.
    [20] 王巍, 郑新奇, 原智远, 等. 邻域规则下的遥感图像分类后处理方法研究[J].测绘通报,2015(S2):17-21.
  • 期刊类型引用(20)

    1. 姜艳波,徐宁伟,陈泰熙,秦安臣,黄大庄. 基于BP神经网络的土地利用智能分类识别与雨洪风险模拟. 河北大学学报(自然科学版). 2024(02): 208-215 . 百度学术
    2. 王春阳,汤子梦,吴喜芳,李长春,张合兵. 土地利用分类粒子群优化概率神经网络半监督算法. 农业机械学报. 2022(02): 167-176 . 百度学术
    3. 孙玉琳,黄宇,李伟,张卓. 基于无人机多光谱影像的土地利用分类方法研究. 新疆农机化. 2022(02): 11-15 . 百度学术
    4. 吕冬梅,马玥,李华朋. 基于CNN的吉林一号卫星城市土地覆被制图潜力评估. 遥感技术与应用. 2022(02): 368-378 . 百度学术
    5. 冷欣,洪增宇. 基于鬣狗算法神经网络反演林地叶面积指数. 西南大学学报(自然科学版). 2022(12): 176-185 . 百度学术
    6. 王克晓,周蕊,欧毅,虞豹,黄祥,王茜. 基于光学与雷达遥感的山地油菜分布提取研究. 西南大学学报(自然科学版). 2021(06): 139-146 . 百度学术
    7. 周欣昕,吴艳兰,李梦雅,郑智腾. 基于特征分离机制的深度学习植被自动提取方法. 地球信息科学学报. 2021(09): 1675-1689 . 百度学术
    8. 张晓芳. 基于机器学习的多源网络数据跨源分类算法研究. 自动化与仪器仪表. 2021(09): 199-203 . 百度学术
    9. 刘睿,王志勇,高瑞. 时序SAR影像的干旱地区土地利用分类应用. 测绘科学. 2021(10): 90-97 . 百度学术
    10. 张德军,颜玮,陈志军,祝好,何泽能,饶志杰,杨世琦. 基于GF-1数据复杂地区地物类型提取探究. 西南大学学报(自然科学版). 2021(11): 172-185 . 百度学术
    11. 赵永玉,阿里木江·卡斯木,高鹏文,梁洪武. 基于地理探测器的乌鲁木齐市城区扩展及影响因素分析. 干旱区地理. 2021(06): 1729-1739 . 百度学术
    12. 陈宗成. 基于多源遥感数据的第三次国土调查内业信息提取方法. 北京测绘. 2021(11): 1394-1399 . 百度学术
    13. 卢儒,范冲. 融合两种空间光谱分辨率影像的语义分割网络. 遥感信息. 2021(06): 125-133 . 百度学术
    14. 罗伟玲,王艳阳,张恒. 基于多源数据的主体功能区划分方法——以广州市为例. 热带地理. 2020(01): 110-118 . 百度学术
    15. 黄孝斌,沈军,李国新,钱利军,郝强. 遗传算法优化确定BP神经网络的遥感图像分类. 现代电子技术. 2020(12): 47-49+54 . 百度学术
    16. 陈磊士,廖玉芳,杜东升. 高分卫星在气候适应型试点城市绿地变化监测中的应用——以常德为例. 科学技术与工程. 2020(31): 12955-12961 . 百度学术
    17. 邓家容. 农用地分类中OLI影像合成最佳波段组合研究——以黑龙江省鹤岗市为例. 安徽农业科学. 2019(05): 18-20+28 . 百度学术
    18. 张卫春,刘洪斌,武伟. 基于随机森林和Sentinel-2影像数据的低山丘陵区土地利用分类——以重庆市江津区李市镇为例. 长江流域资源与环境. 2019(06): 1334-1343 . 百度学术
    19. 何必,许颖,吴金金. 基于卫星影像的济南市土地利用现状专题图制作. 国土与自然资源研究. 2019(05): 22-24 . 百度学术
    20. 白宇兴. 基于Landsat8的土地利用分类方法对比研究——以西安市未央区为例. 西部大开发(土地开发工程研究). 2019(11): 1-7 . 百度学术

    其他类型引用(17)

  • 加载中
    Created with Highcharts 5.0.7访问量Chart context menu近一年内文章摘要浏览量、全文浏览量、PDF下载量统计信息摘要浏览量全文浏览量PDF下载量2024-052024-062024-072024-082024-092024-102024-112024-122025-012025-022025-032025-0400.250.50.7511.25Highcharts.com
    Created with Highcharts 5.0.7Chart context menu访问类别分布DOWNLOAD: 4.2 %DOWNLOAD: 4.2 %FULLTEXT: 87.3 %FULLTEXT: 87.3 %META: 8.5 %META: 8.5 %DOWNLOADFULLTEXTMETAHighcharts.com
    Created with Highcharts 5.0.7Chart context menu访问地区分布其他: 16.6 %其他: 16.6 %其他: 1.0 %其他: 1.0 %Aurora: 1.3 %Aurora: 1.3 %Beijing: 0.3 %Beijing: 0.3 %Central: 0.3 %Central: 0.3 %Central District: 1.0 %Central District: 1.0 %Hangzhou: 0.3 %Hangzhou: 0.3 %Harbin: 0.7 %Harbin: 0.7 %Hollywood: 0.7 %Hollywood: 0.7 %Los Angeles: 0.7 %Los Angeles: 0.7 %Montreal: 0.3 %Montreal: 0.3 %Mountain View: 8.8 %Mountain View: 8.8 %Quincy: 2.9 %Quincy: 2.9 %Seoul: 0.7 %Seoul: 0.7 %Shenzhen: 0.7 %Shenzhen: 0.7 %Tainan City: 1.3 %Tainan City: 1.3 %上海: 1.3 %上海: 1.3 %丹东: 0.3 %丹东: 0.3 %北京: 3.6 %北京: 3.6 %十堰: 0.7 %十堰: 0.7 %华盛顿州: 0.7 %华盛顿州: 0.7 %南京: 0.7 %南京: 0.7 %南昌: 2.6 %南昌: 2.6 %南通: 0.3 %南通: 0.3 %合肥: 0.3 %合肥: 0.3 %哈尔滨: 0.7 %哈尔滨: 0.7 %嘉兴: 1.6 %嘉兴: 1.6 %天津: 3.9 %天津: 3.9 %娄底: 2.3 %娄底: 2.3 %宣城: 0.3 %宣城: 0.3 %常州: 1.0 %常州: 1.0 %常德: 0.3 %常德: 0.3 %平顶山: 0.7 %平顶山: 0.7 %广州: 3.3 %广州: 3.3 %成都: 0.7 %成都: 0.7 %扬州: 0.3 %扬州: 0.3 %昆明: 0.7 %昆明: 0.7 %杭州: 1.0 %杭州: 1.0 %武汉: 1.0 %武汉: 1.0 %江门: 0.3 %江门: 0.3 %深圳: 8.8 %深圳: 8.8 %温州: 1.0 %温州: 1.0 %漯河: 7.8 %漯河: 7.8 %芒廷维尤: 9.4 %芒廷维尤: 9.4 %芜湖: 0.7 %芜湖: 0.7 %芝加哥: 2.3 %芝加哥: 2.3 %衡阳: 1.3 %衡阳: 1.3 %邯郸: 1.6 %邯郸: 1.6 %重庆: 0.3 %重庆: 0.3 %长沙: 1.0 %长沙: 1.0 %其他其他AuroraBeijingCentralCentral DistrictHangzhouHarbinHollywoodLos AngelesMontrealMountain ViewQuincySeoulShenzhenTainan City上海丹东北京十堰华盛顿州南京南昌南通合肥哈尔滨嘉兴天津娄底宣城常州常德平顶山广州成都扬州昆明杭州武汉江门深圳温州漯河芒廷维尤芜湖芝加哥衡阳邯郸重庆长沙Highcharts.com
计量
  • 文章访问数:  1180
  • HTML全文浏览数:  747
  • PDF下载数:  151
  • 施引文献:  37
出版历程
  • 收稿日期:  2018-02-06

基于机器学习的多源遥感影像融合土地利用分类研究

  • 昆明理工大学 国土资源工程学院, 昆明 650093

摘要: 为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.

English Abstract

参考文献 (20)

目录

/

返回文章
返回