一、陆地卫星CCT数字图象BAYES自动分类研究（论文文献综述）
周珂,杨永清,张俨娜,苗茹,杨阳,柳乐[1]（2021）在《光学遥感影像土地利用分类方法综述》文中提出土地是实现经济社会高质量发展的基础性资源,光学遥感影像以时间、空间、光谱等特有的优势为土地利用变化的发现、识别、分析提供了很好的支持,利用光学遥感技术提取土地利用变化信息已经成为重要的研究领域。以近年来土地利用分类相关文献为基础,分别从数据源、处理流程、处理精度、计算效率等角度对土地利用分类应用较为广泛的目视解译、监督分类、非监督分类、深度学习等四类方法进行了分析和总结。最后展望了光学遥感影像土地利用分类方法的发展方向。
高宇[2]（2020）在《基于FPGA的林火视觉检测与软硬件协同设计》文中提出森林火灾是一种突发性强、破坏性大、处置救助较为困难的自然灾害,森林火灾早期预警是森林防火领域中最重要的研究课题之一。烟雾是森林火灾早期最显着的视觉现象,因此,基于视频检测的林火烟雾识别技术具有重要的研究意义。本文将前端检测方案引入近地林火视频监控方案中。通过搭建基于FPGA（Field Programmable Gate Array）的高性能前端计算平台,结合自主提出的林火监控算法与自主设计的专用硬件加速电路,实现了软件算法到硬件设备的协同设计方案。该方案的提出可以有效的减少传统方案中大范围的网络视频传输和供电要求。本文的研究内容有:（1）提出“烟雾根”的基本概念,并设计了一种基于烟雾根节点与物理扩散模型的林火烟雾检测方法。大量实验证明,该方案对与烟雾形态相似、颜色相近的干扰物（如:云朵、晨雾等）具有较好的免疫性能。（2）提出了一种全尺度下的烟雾根节点检测方法。该方法同时兼顾了远距离与近距离烟雾场景下的烟雾根提取,并且创造性的引入一个离散化的小型数据库代替了似然函数的计算过程并实时维护更新,其基于连续内存的索引结构设计对硬件实现较为友好。（3）自主设计了以ZYNQ7Z020芯片为核心的ARM-FPGA异构计算平台以及由OV7850芯片构成的双目摄像头图像采集模块,并成功实现联合调试,验证了平台的设计完整性。（4）提出了基于FPGA的MSER算法硬件加速设计方案,设计了部分专用硬件加速电路模块,并给出了详细的设计方案说明与部分开源代码,以及时序仿真结果,为软件算法在异构平台上的进一步部署工作打下了基础。
孙玉[3]（2020）在《应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究》文中进行了进一步梳理土地覆被在城市规划、自然资源管理、环境研究、生物多样性保护等领域具有重要作用,高效准确的提取土地覆被分类信息对于推动经济发展、促进生态文明建设、实现人与自然和谐共荣意义重大。随着遥感平台和传感器技术的迅猛发展,高分辨率遥感影像数据增多并不断应用到商业、农业、林业、畜牧业、矿业等社会经济生活的各个方面,为进行土地覆被精细分类提供了重要支撑。然而高分辨率遥感影像细节被放大,地物特征类型更为复杂,分类难度增加,由此引入具有强大容错能力、特征学习与表达能力的卷积神经网络（Convolutional Neural Networks,CNN）。但由于卷积神经网络模型输出特征高度抽象且仅从基于像元产生的局部影像块中学习深度特征,所以分类结果边界模糊、“椒盐现象”严重。同时基于对象的影像分析方法可以大大减少“椒盐现象”,提高分类性能,但其难以充分挖掘高分辨率遥感影像中丰富的深层特征,制约了土地覆被分类精度的提高。据此,本文提出一种应用特征组合的基于对象卷积神经网络（Object Based Convolutional Neural Network Using Feature Combination,OBCNN-UFC）高分辨率遥感影像土地覆被分类方法。一方面,卷积神经网络可以自动提取传统基于对象影像分析方法难以获取的高层次特征;另一方面,基于对象影像分析可以减少卷积神经网络分类结果中的“椒盐现象”、精细化地物轮廓并能充分利用对象多判别语义特征。为完成高精度高分辨率遥感影像土地覆被分类制图提供方法参考。本文以GF1、WorldView2、WorldView3、ALOS、GF2五种影像为数据源,基于ENVI、Pycharm、MATLAB、eCognition、WEKA、ArcGIS等实验平台,利用最优参数组合CNN模型提取高分辨率遥感影像的深度特征,并将其与最优分割尺度下特征优选后的基于对象特征组合,分别输入到Softmax、支持向量机（Support Vector Machine,SVM）和单隐层人工神经网络（Artificial Neural Network,ANN）分类器中结合对象形状约束得到分类结果。为验证本文所提OBCNN-UFC方法的有效性,将该方法与传统分类方法进行对比分析。研究得到以下结论:（1）卷积神经网络模型参数选择具有重要作用。分别将模型输入大小设为4?4、6?6、??24?24,卷积+池化层数设为1-9,特征图输出数设为14、16、??32。对比不同参数模型对5个研究区影像分类的总体精度发现,当输入大小为18?18、卷积+池化层数为8、特征图输出数为24时获得最佳分类性能,即得到最优CNN参数组合。通过对卷积神经网络参数进行选取,可以最大化CNN用于高分辨率遥感影像分类的优势,充分利用深度特征,提高复杂地物复杂特征的识别准确率。（2）基于对象影像分析分割尺度选择对于OBCNN-UFC方法具有重要意义。分别将分割尺度设为10、20、30、40、50。研究表明,不同分割尺度下,OBCNN-UFC方法对高分辨率遥感影像分类精度有显着不同,分割尺度为20时取得最优分类结果;且基于对象影像分析在与深度学习相结合时,适当的过分割会提高分类精度。所以,在应用本文所提OBCNN-UFC方法之前进行最优分割尺度的确定可以进一步提高高分辨率遥感影像分类精度。（3）基于对象影像分析与卷积神经网络模型相结合对于高分辨率遥感影像土地覆被分类制图具有优越性。组合深度特征与对象特征的基于对象卷积神经网络分类方法,集成二者优势,克服“椒盐现象”、边界不精确、无法同时利用深层次特征和多判别对象特征等缺点,有效提高了高分辨率遥感影像分类性能。（4）分类器的选择影响OBCNN-UFC方法的分类精度。研究过程中分别使用了Softmax、SVM和ANN三种分类器。结果表明,使用Softmax分类器时,OBCNN-UFC分类结果基本克服“椒盐现象”及地物边界模糊的问题,但仍有少量对象出现错分漏分现象;使用SVM分类器时每个地物的制图精度以及用户精度都得到提升,错分漏分现象有明显改善;使用ANN分类器,OBCNN-UFC方法得到的分类结果精度显着提高,地物混分现象基本得到解决,分类边界精确清晰,且对水体的分类精度几乎达到100%,5个研究区总体精度分别为0.958、0.979、0.979、0.981、0.980,达到土地覆被分类制图输出标准。因此,采用OBCNN-UFC+ANN分类方法可以达到最佳高分辨率遥感影像分类性能。（5）空间分辨率及地物复杂程度影响OBCNN-UFC方法的分类精度,但整体分类精度较高,该方法对于高分辨率遥感影像分类具有通用性、有效性、稳定性及鲁棒性,为土地覆被分类制图提供理论支持与方法参考。
马军[4]（2019）在《基于遥感的世界自然遗产地冲突要素评价模型与分析》文中研究指明世界自然遗产地既是科研宝库,又是旅游胜地。大量游客给遗产地原始面貌和周边环境带来怎样变化?遗产地原住民文化景观因旅游发展又有哪些影响?管理者如何量化和界定其保护措施的有效性和前瞻性?这些问题集中于游客快速增长带来的非惯常环境的人地关系冲击,也是发展中国家世界自然遗产地发展的共性问题,世界自然遗产地真实性完整性保护与旅游发展的冲突存在以下三个方面急需解决的问题:（1）如何描述世界自然遗产地表征真实性、完整性、旅游发展的冲突要素构成并开展特征分析;（2）世界自然遗产地冲突要素尺度差异大变化分析难以统一提取;（3）缺乏世界自然遗产地冲突要素评价模型。针对这些科学问题,本文采用遥感技术,并结合世界遗产公约、人文地理学、景观生态学、旅游学等多领域知识开展融合研究,提出基于遥感的世界自然遗产地冲突要素概念、分类定义及其提取、变化分析方法和构建评价模型,并以九寨沟为例展开实证分析,为解决世界自然遗产地真实性完整性保护与旅游发展的冲突提供科学决策依据。论文的主要研究工作包括:（1）针对世界自然遗产地构成,基于异质共生理论采用层次分析法融合世界遗产公约、人文地理学、景观生态学、旅游学等多领域知识,提出基于遥感的世界自然遗产地冲突要素概念及分类定义。鉴于文化资源在遥感影像上表达的局限性,选择文化资源的主要物质载体即文化景观表征真实性要素,结合其小尺度景观格局采用高分影像解译;自然资源在Landsat影像上表达优势明显,选择自然资源表征完整性要素,结合其中尺度景观格局的特点采用Landsat遥感影像解译;根据旅游活动特点,选择游客相关数据配合一次性投资建成无较大改动的旅游服务设施表征旅游发展要素。为实现后期充分采用多波段遥感组合特征信息关联于评价模型,结合研究区真实性要素属于小尺度、完整性要素属于中尺度、旅游发展要素属于小尺度的特点,统一在中尺度Landsat影像进行特征描述。（2）针对世界自然遗产地冲突要素景观格局尺度差异特点,提出顾及先验知识的多源遥感变化分析方法。该方法包含三个部分:一是采用高分影像进行面向对象的多尺度分割提取小尺度景观格局的真实性要素变化信息;二是采用Landsat影像进行分类后比较提取中尺度景观格局的完整性要素变化信息;三是采用先验知识及田野调查提取旅游发展要素变化信息,最后统一在中尺度景观格局下对所有冲突要素进行变化描述。（3）基于异质共生理论采用层次分析法融合世界遗产公约、人文地理学、景观生态学、旅游学等多领域知识,构建了基于异质共生空间关系的冲突要素评价模型。提出文化景观保有量、游览热度、游览交通热度因子及数学模型,设计原住民活动强度、人类旅游活动强度、旅游经济热度因子及数学模型,引入生境生物丰度、数字高程模型因子,关联对应的多波段遥感组合特征信息,并采用归一化和权重法构建因子影像各权重比例组合,形成世界自然遗产地冲突要素评价模型。（4）以世界自然遗产地九寨沟为例,基于本文构建的冲突要素评价模型,划分评价等级区域,其转移变化特点:一是九寨沟真实性要素面积主要位于海拔范围2072m至2665m,2004年主要集中于评价模型缓冲区,占其92.81%。2016年扩展至评价模型低影响区、无影响区,年递增率0.65%。正影响是评价模型缓冲区的真实性要素面积下降了27.23%,但负影响是其在评价模型敏感区增长了236.36%。具体表现为空间更加密集,真实性要素还会逐步扩展至评价模型的低影响区、甚至无影响区;二是九寨沟完整性要素面积主要位于海拔范围2037m至4855m,属于评价模型高度敏感区变化活跃,但主因为冰雪覆被。而其在评价模型缓冲区、低影响区、无影响区面积分别按3.45%、1.61%、1.09%的年递减率正在发生明显变化;三是九寨沟旅游发展要素面积主要位于海拔范围2036m至3223m,由于12年期间未有较大改动,其变化反映于其要素面积在评价模型划分等级的区域转移。其2004年评价模型敏感区74.98%上升至2016年的99.29%,几乎已经达到旅游发展要素的最大空间极限。按其递增率2.5858%的发展趋势2017年就超出其旅游设施的承载极限从而转移至评价模型高度敏感区。论文的主要创新包括:（1）提出基于遥感的世界自然遗产地冲突要素概念、冲突要素分类定义及冲突要素提取方法。（2）提出顾及先验知识和多源遥感影像的世界自然遗产地冲突要素变化分析方法,实现了统一尺度环境的变化描述,突破了遗产地已有方法仅限于高分影像的变化检测、中分辨率的变化检测、无人机航测变化检测等世界自然遗产地专项领域变化分析的局限。（3）构建基于异质共生空间关系的冲突要素评价模型,该模型提出了文化景观保有量、游览热度、游览交通热度等3个因子及数学模型,设计了原住民活动强度、人类旅游活动强度、旅游经济热度等3个因子及数学模型,引入生境生物丰度、数字高程模型等2个因子,关联多波段遥感组合特征信息,突破遗产地长期使用行业标准、单项指标、PSR（压力-状态-释放）等惯常评价方法。并通过遗产地九寨沟实证分析,量化诠释遗产地真实性完整性保护与旅游发展的冲突及变化关系,为科学决策提供了依据。
王雪[5]（2019）在《基于深度生成对抗模型的高光谱遥感影像分类研究》文中研究表明高光谱遥感影像具有较好的光学特征和丰富的光谱信息,其图谱合一的特性使得高光谱影像能够为精细分类、遥感反演和目标探测等任务提供新的研究方式。分类是高光谱数据分析中的基本问题之一,虽然高光谱影像中含有丰富的地物信息,但其数据冗余、空间分辨率不足、标记样本缺乏等因素,限制了高光谱影像分类的应用与发展。针对上述问题,引入在计算机视觉任务中的深度生成模型,围绕高光谱影像光谱生成、紧耦合式分类训练和空-谱特征提取等方向开展研究。主要创新工作如下。（1）提出了一种面向光谱生成有效性的条件式变分对抗网络（Conditional Variational and Adversarial Autoencoder,CVA2E）,解决了光谱特征有效性学习的问题。在分析生成模型的训练不稳定、模式坍塌、生成样本质量低等问题形成原因的基础上,在生成对抗网络中引入变分推理过程,提升了模型的学习能力。此外,通过添入两个惩罚项,提高了生成样本的多样性和生成样本的光谱形状特征。三个标准高光谱数据集的实验结果表明,CVA2E在光谱合成能力上优于其他方法。在使用ROSIS和AVIRIS数据集时,引入全损失惩罚的CVA2ESADFVA表现最佳,精度依次为96.74%和89.7%,引入了特征角损失的CVA2EFVA在HYSPEX数据集上表现最好,精度为98.33%,证明了CVA2E在挖掘分类特征方面更有效。（2）提出了一种面向分类任务的多组分对抗生成胶囊网络（Capsule Triple Generative Adversarial Network,Caps-TripleGAN）,通过引入向量神经元和多组分对抗训练结构进行紧耦合式训练,进一步提高了深度生成框架的判别能力。针对CVA2E弱耦合训练过程进行优化,引入TripleGAN结构,将生成对抗训练过程,分为分类器、生成器和判别器三组分紧耦合式训练。引入胶囊神经元对光谱特征进行提取,在提取特征时充分考虑特征及其位置和方向信息,提取更加有效的高阶可分特征。实验结果表明,胶囊网络的性能优于对比实验中的深度学习方法,同时TripleGAN可以提高CapsNet在少量训练样本的分类性能。（3）针对高光谱分类过程中空谱信息融合问题,以分离式双通道学习过程和伪标签辅助思想为基础,提出了两种基于深度生成模型的高光谱影像空谱特征学习方法。首先,基于紧耦合对抗机制,将空间信息和光谱信息进行分离式输入,在高阶特征提取层进行合并,提出一种面向空谱特征的双通道多组分生成对抗网络（Dual Triple Generative Adversarial Network,Dual-TripleGAN）,完成空谱特征学习和分类。另外,为探索空谱数据块完整性的生成方法,提出一种基于伪标签的多尺度生成辅助分类方法（Multiscale Generative Assistant Capsule Network,MS-GA-CapsNet）。针对空谱数据块的学习过程,使用差异化加权思想,增加中心像素的网络权重,模型考虑了邻域像元类别信息,对网络的光谱特征进行混合式生成。同时,在空谱特征提取过程中,使用多尺度胶囊网络进行分类。实验结果表明,提出的多尺度生成辅助分类方法在四种数据上优于其他算法。该论文有图71幅,表27个,参考文献170篇。
杨静[6]（2019）在《基于高分一号影像的山区细小河流宽度提取方法》文中研究说明河流宽度是各种水文模型的基本参数,传统的获取方法主要是人工实地测量。对于自然条件恶劣、地形复杂、面积较大的区域,人工野外测量危险性高、耗时耗力,不能快速及时地获取河流宽度数据。遥感技术具有获取数据范围大、速度快、周期短、受限条件少等优点,通过影像分类提取技术能够高效、快捷地获取河流宽度数据,已广泛应用于水文水资源、河流地貌、生态等相关研究。我国发射的高分一号卫星提供的全色影像空间分辨率为2m,多光谱影像分辨率为8m。由高分一号四星组成的民用高分辨率光学业务星座可以提供海量的高精度影像,能够很好地解决山区高分辨率遥感影像像源少、质量差等问题。针对山区河流因地形复杂、河道狭窄、易受山体阴影干扰而导致的提取难、精度低等问题,本文以高分一号遥感影像为数据源,使用面向对象分类的决策树方法对吉迈河流域和达日洛河流域的山区细小河流宽度进行提取。首先,利用边缘特征与区域特征融合的方法对多尺度分割进行改进,即将基于Canny算子的边缘分割生成的影像数据层加入到多尺度分割中,通过计算改进的与邻域绝对均值差分方差比（MRMAS）确定最优分割尺度对预处理后的影像进行分割。其次,使用分离阈值算法（SEa TH）得到最优分类特征。最后,基于CART算法构建的分类决策树提取山区细小河流水体信息,结合DEM提取的河网去除背景噪音获取完整的河流边界,并在Matlab中实现河流宽度的自动获取。对使用面向对象分类的决策树法提取的吉迈河流域和达日洛河流域的山区细小河流水体进行了分类精度评价,总体精度在90%以上,Kappa系数在85%以上。表明面向对象分类的决策树方法能够得到较为准确的河流水体信息。对两个流域自动提取的河流宽度数据进行了线性回归验证,吉迈河流域6m以上的河流宽度线性回归系数为0.981,R2为0.823,达日洛河流域6m以上的河流宽度线性回归系数为0.972,R2为0.802。结果说明本文使用的方法能够提取6m以上的山区细小河流宽度数据,为水资源规划与管理、河流地貌研究、水利工程建设等提供一定的科学参考。
张超,吕雅慧,郧文聚,高璐璐,朱德海,杨建宇[7]（2019）在《土地整治遥感监测研究进展分析》文中认为通过回顾国内外土地整治概念及内容的发展历程,总结了新时期土地整治的基本内涵和工作需求。通过分析遥感在土地整治工作中的广泛应用,梳理了土地整治遥感监测的发展脉络,归纳了土地整治遥感监测的关键技术及其研究现状,进而给出了土地整治遥感监测相关技术及应用的发展趋势。分别从土地资源调查与保护、土地复垦与生态修复、农用地整治、宜农未利用地开发、建设用地整治及生态化土地整治等不同土地整治类型和潜力测算与风险评估、规划设计、施工监管及验收评价等土地整治项目过程等角度,对多年来遥感技术在土地整治工作中的应用情况进行了系统阐述,最后在总结技术优势与局限的基础上,提出了未来的攻关难点和发展方向,为土地整治遥感监测工作的开展提供科学参考。
姚恋秋[8]（2018）在《基于专家知识和改进SEaTH算法的遥感影像土地覆被分类研究》文中提出土地覆被变化的研究是我国当前地理国情监测的重要组成部分,也是全球变化研究中诸多专题研究的基础。土地覆被分类是土地覆被变化研究的前提,目前对于土地覆被的分类主要是通过对遥感影像的分析和判读,基于遥感影像的土地覆被分类精度直接决定了土地覆被研究的水平,提高分类精度是土地覆被研究的热点问题。土地覆被的分类方法有计算机自动分类和专家知识人工分类,在对复杂地表土地覆被分布进行分类时,由于混合像元、地类交错分布、土地覆被破碎等因素的影响,直接应用计算机自动分类得出的分类结果精度较低,应用地理学专家知识分类的主观因素影响大、划分的科学性不足,且需要大量的人工操作,因此当前全球土地覆被数据总体分类精度较低。本文分析了土地覆被分类中使用专家知识分类和计算机自动分类两类方法各自存在的不足之处,针对专家知识的人工分类精度较高,但是需要大量人工操作,解译周期长,分类结果受主观因素影响较大。计算机自动分类方法分类耗时短,但土地覆被分布复杂情况下分类精度低。本文将二者结合,提出了改进分离阈值（SEaTH,Separability and Thresholds）算法,基于高斯概率计算分类最佳阈值。该方法改善了 SEaTH算法作为半自动算法,只能计算每两个类的分类阈值,通过计算机自动筛选最优分类规则和分类阈值,达到半自动的SEaTH算法自动化目的。针对土地覆被林地分类难度大,将植被红边波段加入分类中,探究植被红边波段在遥感影像土地覆被分类中的作用。本文相较于之前的研究,取得以下三点成果:（1）在特征空间符合高斯概率分布前提下,基于改进SEaTH算法和专家知识分类结果,与机器学习分类器相比,分类精度相当,在某些特定土地覆被类别取得的分类效果优于部分机器学习分类器分类效果。（2）针对林地的分类是土地覆被分类中的一个难点,加入植被红边波段对土地覆被分类中的林地分类进行研究,利用植被红边波段对植被叶绿素变化的敏感性,加入植被红边波段提高土地覆被林地分类的分类精度。（3）基于专家知识和改进SEaTH算法的土地覆被分类方法,应用于研究区实验,总体精度为72.96%。相较于K-NN算法、最邻近像元法、CARTs算法,分类精度至少提高5.35%;相较于随机林算法,分类总体精度提高3.64%。
宋晓阳[9]（2018）在《基于多源高分遥感数据的屋顶太阳能光伏潜力评估》文中研究说明在目前的能源消费结构中,化石能源仍占绝对优势地位。根据2017年的《BP世界能源统计年鉴》,石油作为全球最重要的燃料,占全球能源一次能源消费的三分之一,天然气、煤炭分别约占全球一次能源消费的28%、25%。随着全球经济的快速发展,全球的能源需求将持续增长,然而巨大的化石能源消耗正在逐渐导致不可再生的化石能源走向枯竭。另外,化石能源的开发利用是造成全球环境变化与污染的关键因素,带来了温室效应、全球变暖等严重的生态环境问题。改变目前以化石能源为主的能源结构,开发新的能源形式是目前大多数国家的战略选择,尤其是中国。在国家“十三五”规划中,我国将新能源有关的产业列为重点发展和战略性新兴产业,大力支持发展非化石能源。太阳能资源以分布广泛、储量丰富、无污染等优势被大力推广。我国地域辽阔,大部分国土处于中低纬度,太阳辐射较强,太阳资源丰富,非常适合进行太阳能资源开发利用。建筑物屋顶光伏在地理位置上不受限制,而且光伏电池能与建筑物紧密结合,不占用额外的土地资源,不仅节约了土地资源,还提高了土地资源的利用率,因此建筑物屋顶光伏是进行太阳能资源开发的首要选择。中国国家能源局表示,在“十三五”期间,目标于2020年争取新增100GW太阳能光伏装机。同时,国家发改委也发表文件,明定“十三五”期间的光伏扶贫规模为15GW。我国现有居住建筑大于40000 km2,每年新建成2000km2,相应屋顶面积巨大。但是2015年我国分布式光伏发电装机量仅为600万千瓦。相较于其他国家,我国的屋顶光伏发展较缓慢,发展速度远不及预期。主要原因是目前我国在建筑物方面的资料缺失,而且光伏屋顶资源不清、分布不明,缺乏相应的资源评估方法。目前国内对太阳能资源的研究多集中于太阳能资源的丰富度、可利用价值等方面的评估。关于屋顶太阳能光伏潜力评估方面的研究较少。然而精确到屋顶的高精度太阳能屋顶光伏潜力地图是目前太阳能光伏发展的基础,是促进屋顶太阳能光伏大规模发展的关键。因此,要实现我国屋顶光伏产业的快速发展,亟需研发建立一套科学可行的城市建筑屋顶太阳能分布式光伏潜力评估方法,从而促进分布式太阳能光伏的规模化开发利用,推动我国能源系统绿色、低碳和清洁发展。基于上述的需求,本文以多源高分辨率遥感卫星影像为数据源,研究构建了基于屋顶特征参数反演的建筑物屋顶光伏潜力快速评估方法,并优化和创新了方法中涉及的关键技术,实现了高精度建筑物屋顶太阳能光伏潜力评估。论文的主要研究内容如下:1.基于高分辨率遥感影像的建筑物屋顶轮廓提取建筑物屋顶的平面面积是计算屋顶光伏可利用面积的基础,因此本文着重对面向对象建筑物提取方法进行了研究。1)针对高分辨率遥感影像的建筑物提取,本文提出了融合了高度信息和植被信息的多尺度分割优化方法,实现了高精度的高分遥感影像分割,提高了影像分割的精度。2)影像分割完成后,选取了进行建筑物识别的最优特征。基于最优特征,采用BP神经网络提取了建筑物轮廓,并对其进行形态学处理优化,从而计算高精度的建筑物屋顶平面面积。2.基于屋顶特征参数的屋顶光伏潜力评估基于立体像对数据反演的数字表面模型（DSM）,结合高分辨率遥感影像提取的屋顶结果,本文研究了基于屋顶特征参数的建筑物屋顶光伏潜力评估。1)基于屋顶轮廓数据,针对不同分辨率遥感影像,研究了不同类型建筑物屋顶参数的提取方法,扩大了屋顶参数提取方法的应用范围。2)根据不同的屋顶类型,估算了不同类型屋顶的光伏系统参数;最后,结合太阳辐射参数进行了屋顶太阳能光伏潜力评估。基于以上研究内容,本文对其中涉及到的三个关键技术进行了优化和创新,具体如下:1.融合多特征的高分辨率遥感影像分割针对建筑物的多种特征信息,为了充分利用高分辨率遥感影像中的光谱、形状及空间信息,提出了融合高度信息和植被指数的遥感影像分割方法,充分考虑高度信息和植被指数对建筑物的敏感度,将高度信息作为计算异质性的一个因子,植被指数作为影像分割过程中的最终判断准则,以此来优化影像分割方法。2.基于最优特征的神经网络建筑物提取为了降低建筑物提取计算的开销,并充分发挥分类器的性能,本文在偏最小二乘广义线性回归（PLSGLR）的基础上,提出了一种基于特征聚类的特征选择方法（G-PLSGLR）,选择具有特征信息的地物样本,并通过Bootstrap方法均衡样本数量,基于Pearson相关系数进行特征聚类,然后基于PLSGLR回归系数对聚类特征的重要性进行排序,并剔除不显着的特征,最后根据Bayes信息准则（BIC）选取包含足够多类别信息的建筑物提取最优特征集合。利用最优特征集合,采用BP神经网络方法提取了不同分辨率遥感影像的建筑物轮廓。3.基于屋顶特征参数的屋顶光伏潜力快速评估遥感影像分辨率的不同直接影响着屋顶类型的识别及屋顶参数的获取。针对高分辨率遥感影像,采用采样法分析每个屋顶轮廓为坡面屋顶和平面屋顶的概率,估算不同类型的屋顶特征参数;针对超高空间分辨率遥感影像,基于DSM反演的屋顶坡度和坡向分布,估算不同类型屋顶的精确屋顶特征参数。基于屋顶特征参数,估算屋顶光伏系统参数。最后结合太阳辐射参数,进行屋顶光伏潜力快速评估。通过上述的研究,本文主要得到以下结论:1.在六个具有不同的建筑物密度和建筑物类型的典型场景进行了影像分割实验验证。通过对比分析分割方法优化前后的分割结果发现,优化后分割方法的欠分割（US）、分割质量（QR）和面积匹配指数（AFI）更优。结果表明,联合多种信息进行遥感影像分割,可以更完整分割出容易和其他地物（如道路、树木）混淆的建筑物,且分割的建筑物边缘更为显着。该方法提高了分割单元的纯净度,提升了分割精度。高精度的分割结果为后续的建筑物轮廓提取奠定了良好的基础。2.基于上述遥感影像分割结果,本文采用G-PLSGLR特征选择方法,选取了用于建筑物识别的最优特征集合,包括灰度共生矩阵均值（GLCMMean）、密度（Density）、DSM平均值（DSMMean）、亮度值（Brightness）和第一图层均值比率（Ratio1）5个特征。利用最优特征集合,采用BP神经网络方法提取了不同分辨率遥感影像的建筑物轮廓。对比分析采用全部地物特征和采用最优特征提取的Pleiades影像分类结果,两者的总体精度相差不大,但是后者减少了计算大量特征的时间,效率更高。对不同分辨率的遥感影像分割结果都进行了建筑物提取,Worldview-3结果和Pleiades结果的总体精度分别为94%和91%,kappa系数分别为0.90和0.81,符合提取精度的要求。高效率、高精度的建筑物提取进一步为屋顶光伏潜力评估提供了良好的数据支撑。3.基于提取的建筑物分布、屋顶参数、屋顶光伏参数和太阳辐射参数估算了研究区建筑物屋顶光伏潜力分布。通过比较分析不同倾角的坡面接收的年辐射量,确定不同类型的屋顶光伏安装方式。平屋顶的光伏阵列安装倾角为33°,朝向为南。针对高分辨率遥感影像,坡屋顶的坡度为20°,朝向统一设为朝南。基于Pleiades影像提取的平面屋顶和坡屋顶的光伏板面积分别为2.4503km2和1.0817km2。研究区年度太阳辐射总值为6813.67GWh,总电量为1175.36GWh。针对超高空间分辨率遥感影像,基于DSM计算建筑物轮廓内的坡度和坡向分布,识别屋顶类型,坡面屋顶的光伏板的倾角为屋面的坡度,朝向和屋顶面的朝向一致。从Worldview-3影像中提取的可用于进行光伏系统安装的有效屋顶面为509个,面积为0.8539km2。得到年度太阳辐射值为499.63GWh,总电量为86.19GWh。结果表明该区域的未来光伏产业开发存在巨大的潜力。综上,针对屋顶分布比较分散、建筑资料不易获取、屋顶光伏潜力精准评估困难等问题,本文提出了基于高分遥感的屋顶光伏潜力快速评估方法,通过优化关键技术和方法,提高了屋顶光伏潜力评估的精度。利用该方法可以得到高精度、建筑物尺度的屋顶光伏潜力分布图,能够为未来的光伏发展提供了指导依据。
郑利娟[10]（2017）在《基于高分一/六号卫星影像特征的农作物分类研究》文中研究说明卫星遥感技术具有获取速度快、范围广、信息无损等特点,被广泛地应用于农业生产活动的多个环节中,如农业土地利用、农业资源调查、农作物长势监测和估产等。精准农业的实施过程中,首先需要十分快速地获得农作物的生长信息,基于遥感技术的特点,将其应用在农作物信息的快速获取方面具有明显的优势。国家重大专项高分系列卫星为农业应用提供了持续可靠的数据源,特别是高分一号和六号卫星具备高空间分辨率、高时间分辨率、宽覆盖和多波段特征,为农作物信息的获取提供了理想的卫星数据。本文基于高分一号和六号卫星的影像特征,通过挖掘适用于农作物分类的相关特征,研究其对农作物分类精度的影响。从高分一号和六号卫星的高空间分辨率、高时间分辨率和红边特征出发,研究基于高空间分辨率的多特征面向对象农作物分类、基于时间序列的面向对象农作物分类和基于红边信息的农作物分类,以提高农作物遥感识别和分类的精度,为农业监测提供支持。主要研究内容和成果如下:（1）高分一号/六号卫星全色/多光谱（panchromatic/multi-spectral,PMS）相机的全色数据空间分辨率达到了2米,为农作物精细识别提供了丰富的纹理特征。针对研究区的高分一号融合后的2米数据,提取10个与农作物相关的植被指数特征和16个纹理特征信息,采用随机森林方法对特征进行重要性评价,并对特征的不同数量与作物分类精度的关系进行分析,研究发现作物的10类植被指数均具有较高的重要性值,纹理特征中基于近红外波段计算得到的4个纹理特征值重要性也相对较高,分别采用按重要性排序的5、10、15、20、25四个数量的特征,发现当特征值数量为15的时候,分类精度达到平衡,特征数量再增加并不会对分类精度有很大提升。基于前15个重要性较高的特征进行面向对象的农作物分类,分类结果总体精度达到96.0622%,Kappa系数为0.9422,比基于像元的分类精度提高约5%。结果表明采用多特征面向对象的分类方法在高分辨率农作物分类中可以获得较好效果,特征的选择上应选择相关的植被指数和近红外波段的纹理特征值参与分类,既可以保证分类精度又可以减少数据的冗余。（2）利用多时相遥感影像获得的归一化植被指数（Normalized Difference Vegetation Index,NDVI）时间序列数据可以描述农作物不同时期的生长状态,表现作物在季相节律中的变化过程。不同农作物有着不同的物候期,其NDVI曲线也有所不同,因此,可以根据农作物的物候历,分析NDVI曲线变化特征及趋势,来区分农作物类型。高分一号/六号卫星的宽覆盖（Wide Field View,WFV）数据时间分辨率高、覆盖范围大,为大范围的农作物变化信息提供了持续可靠的数据源。针对研究区,采用完整作物生长周期的时间序列高分一号卫星的WFV影像,获得NDVI时间序列数据开展县域农作物面向对象分类研究。结果表明,通过使用覆盖作物完整生育期的高分一号卫星宽波段时序影像构建的NDVI时序,能够准确刻画研究区作物发育情况,有效区分各类作物。采用面向对象的分类方法,结合NDVI时间序列数据进行农作物分类,取得了较高精度。（3）高分六号卫星增加的两个红边波段,能够提供丰富的光谱信息,为农作物分类提供了更加有效的手段。本研究采用哨兵-2A卫星数据作为类同数据源,开展红边波段对农作物分类影响的研究,结果表明加入两个红边波段可以提高作物分类识别的精度,在研究区中,加入两个红边波段后,最大似然法、人工神经网络和支持向量机三种分类方法的分类精度均提高了14%以上,Kappa系数均提高0.17以上,体现了红边波段在作物类型区分上的能力。红边波段705和红边波段745均对农作物识别和分类具有一定的提高作用,同时使用两个红边波段的分类精度优于单独使用任一红边波段的分类精度。
二、陆地卫星CCT数字图象BAYES自动分类研究（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、陆地卫星CCT数字图象BAYES自动分类研究（论文提纲范文）
（1）光学遥感影像土地利用分类方法综述（论文提纲范文）
| 1 土地利用分类数据源与预处理 |
| 1.1 数据源选择 |
| 1.2 数据预处理与预处理工具 |
| 2 土地利用分类方法 |
| 2.1 目视解译 |
| 2.2 监督分类方法 |
| 2.2.1 决策树分类算法 |
| 2.2.2 最大似然分类法 |
| 2.2.3 支持向量机分类法 |
| 2.2.4 随机森林 |
| 2.3 非监督分类方法 |
| 2.4 深度学习分类方法 |
| 2.4.1 BP神经网络分类算法 |
| 2.4.2 空-谱结合的分类算法 |
| 3 土地利用分类方法综合分析 |
| 4 结论与展望 |
（2）基于FPGA的林火视觉检测与软硬件协同设计（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号对照表 |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 基于人工特征提取的林火烟雾检测方案 |
| 1.2.2 基于多特征提取与自动分类的林火检烟雾测方案 |
| 1.2.3 基于全自动特征提取与判定的林火烟雾方案 |
| 1.3 选题意义 |
| 1.4 本文章节安排 |
| 第2章 基于烟雾根节点与流体力学理论的林火烟雾识别 |
| 2.1 引论 |
| 2.2 烟雾根与根节点提取计算 |
| 2.2.1 烟雾根的基本概念 |
| 2.2.2 烟雾根节点的抽象与提取 |
| 2.2.3 烟雾根节点的扫描与计算 |
| 2.3 烟雾流体力学模型的设计 |
| 2.3.1 基于Navier-Stokes方程的流体力学建模 |
| 2.3.2 二维图像模拟引擎搭建 |
| 2.4 算法实验 |
| 2.4.1 参数设定 |
| 2.4.2 实验结果与评估 |
| 2.5 实验结论 |
| 2.6 本章小结 |
| 第3章 全尺度下的烟雾根检测算法 |
| 3.1 引论 |
| 3.2 基于MSER算法与Vi Be算法的背景融合策略 |
| 3.2.1 全尺度下的烟雾连通域提取 |
| 3.2.2 基于Bayes理论的快速图像融合计算 |
| 3.2.3 融合数据库设定与硬件友好型计算设计 |
| 3.3 算法实验 |
| 3.3.1 参数设定 |
| 3.3.2 实验结果与评估 |
| 3.4 实验结论 |
| 3.5 本章小结 |
| 第4章 高速电路与硬件计算平台设计 |
| 4.1 引论 |
| 4.2 核心芯片简介与板卡系统设计方案 |
| 4.2.1 基于ZYNQ7Z020的异构计算平台 |
| 4.2.2 双目摄像头设计与通信方式 |
| 4.3 计算平台板卡设计 |
| 4.3.1 电源树架构及关键芯片选型 |
| 4.3.2 电源芯片供电电路设计 |
| 4.3.3 板卡功率统计与供电链路连接 |
| 4.3.4 PCB设计及部分布线展示 |
| 4.4 本章小结 |
| 第5章 基于FPGA的 MSER加速器设计 |
| 5.1 引论 |
| 5.2 MSER算法加速器设计 |
| 5.2.1 基于异构计算平台的加速设计方案 |
| 5.2.2 基于FPGA的 MSER算法加速策略 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究总结 |
| 6.2 展望研究 |
| 参考文献 |
| 附录 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
（3）应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于对象的影像分析 |
| 1.2.2 卷积神经网络分类 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究目标及内容 |
| 1.3.2 技术路线 |
| 1.4 论文特色与创新 |
| 1.5 论文结构 |
| 第二章 原理与方法 |
| 2.1 卷积神经网络 |
| 2.1.1 基本组成 |
| 2.1.2 主要特点 |
| 2.1.3 训练过程 |
| 2.2 基于对象的影像分析 |
| 2.2.1 多尺度分割 |
| 2.2.2 特征空间构建 |
| 2.2.3 特征优选 |
| 2.3 OBCNN-UFC土地覆被分类 |
| 2.3.1 特征组合 |
| 2.3.2 分类器分类 |
| 2.3.3 形状约束 |
| 2.4 本章小结 |
| 第三章 数据准备 |
| 3.1 数据源及研究区概况 |
| 3.2 遥感数据预处理 |
| 3.3 分类体系 |
| 3.4 样本选择 |
| 3.5 本章小结 |
| 第四章 OBCNN-UFC参数实验 |
| 4.1 CNN结构参数的确定 |
| 4.2 分割尺度参数的确定 |
| 4.3 本章小结 |
| 第五章 土地覆被分类结果及评价 |
| 5.1 精度评价 |
| 5.2 PBCNN |
| 5.3 OBCNN-UFC |
| 5.3.1 Softmax分类器 |
| 5.3.2 SVM/ANN分类器 |
| 5.4 与传统分类方法对比分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 附录 |
| 在学期间的研究成果 |
| 致谢 |
（4）基于遥感的世界自然遗产地冲突要素评价模型与分析（论文提纲范文）
| 主要创新点 |
| 中文摘要 |
| ABSTRACT |
| 第一章 .绪论 |
| 1.1 研究背景和选题意义 |
| 1.2 论文解决的关键问题 |
| 1.3 国内外研究现状及进展 |
| 1.3.1 基于遥感的世界自然遗产地定性定量研究现状及进展 |
| 1.3.2 基于遥感的世界自然遗产地评价模型研究现状及进展 |
| 1.3.3 基于景观生态学的世界自然遗产地研究现状及进展 |
| 1.4 论文主要研究内容 |
| 1.5 论文结构 |
| 第二章 冲突要素分类与变化检测原理及方法 |
| 2.1 世界自然遗产地冲突要素分类 |
| 2.1.1 中尺度多光谱影像分类原理与方法 |
| 2.1.2 小尺度高分影像分类原理与方法 |
| 2.1.3 精度评定原理与方法 |
| 2.2 世界自然遗产地冲突要素变化检测原理与方法 |
| 2.2.1 变化检测定义与原理 |
| 2.2.2 变化信息提取方法 |
| 2.3 世界自然遗产地评价模型原理 |
| 2.4 本章小结 |
| 第三章 世界自然遗产地冲突要素提取 |
| 3.1 世界自然遗产地基础数据 |
| 3.1.1 先验知识 |
| 3.1.2 数据来源 |
| 3.2 世界自然遗产地冲突要素概念及分类定义 |
| 3.2.1 世界自然遗产地基于冲突要素土地规划概念 |
| 3.2.2 世界自然遗产地冲突要素分类定义 |
| 3.3 数据预处理 |
| 3.3.1 高分影像融合 |
| 3.3.2 辐射校正 |
| 3.3.3 几何校正 |
| 3.4 分类方法实验 |
| 3.4.1 基于Landsat影像分类实验验证 |
| 3.4.2 基于Landsat影像分类精度评价 |
| 3.4.3 基于高分影像分类方法实验与精度评价 |
| 3.5 基于遥感的世界自然遗产地冲突要素特征描述 |
| 3.6 本章小结 |
| 第四章 世界自然遗产地冲突要素变化分析 |
| 4.1 遗产地真实性要素变化信息提取 |
| 4.1.1变化检测实验 |
| 4.1.2 实验结果与分析 |
| 4.2 遗产地完整性要素变化信息提取 |
| 4.2.1变化检测实验 |
| 4.2.2 实验结果与分析 |
| 4.3 世界自然遗产地冲突要素变化分析 |
| 4.4 本章小结 |
| 第五章 世界自然遗产地冲突要素评价模型与实证 |
| 5.1 评价体系 |
| 5.2 指标分析与提取 |
| 5.2.1 指标分析 |
| 5.2.2 指标提取 |
| 5.3 评价模型构建 |
| 5.4 世界自然遗产地九寨沟冲突要素评价模型 |
| 5.5 世界自然遗产地九寨沟冲突要素评价分析 |
| 5.5.1 单项指数分析 |
| 5.5.2 景观格局分析 |
| 5.5.3 转移分析 |
| 5.5.4 真实性、完整性、旅游发展描述 |
| 5.5.5 遗产地突发自然灾害的恢复分析 |
| 5.5.6 决策描述 |
| 5.6 本章小结 |
| 第6章 论文总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻博期间发表的科研成果目录 |
| 发表论文 |
| 参与的科研项目 |
| 致谢 |
（5）基于深度生成对抗模型的高光谱遥感影像分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及选题依据 |
| 1.2 国内外研究进展 |
| 1.3 研究目标 |
| 1.4 研究内容与论文结构 |
| 2 深度学习的相关理论基础及实验数据介绍 |
| 2.1 高光谱影像分类原理 |
| 2.2 深度学习概述 |
| 2.3 深度生成模型概述 |
| 2.4 研究区概况与数据资料 |
| 2.5 本章小结 |
| 3 面向光谱生成有效性的条件式变分对抗网络分类 |
| 3.1 GAN与 VAE的缺陷与改进思路 |
| 3.2 条件式变分对抗过程 |
| 3.3 实验结果分析 |
| 3.4 本章小结 |
| 4 面向分类任务的多组分对抗生成胶囊网络分类 |
| 4.1 CVA~2E的判别过程分析 |
| 4.2 胶囊-多组分对抗生成过程 |
| 4.3 实验结果分析 |
| 4.4 本章小结 |
| 5 面向空谱特征的深度生成模型分类 |
| 5.1 小样本的情况下的空谱特征提取 |
| 5.2 面向空谱特征的生成对抗网络分类方法 |
| 5.3 面向空谱数据块的多尺度生成辅助分类方法 |
| 5.4 实验结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于高分一号影像的山区细小河流宽度提取方法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 国内外遥感卫星进展 |
| 1.2.2 国内外水体提取研究现状 |
| 1.2.3 国内外河流宽度研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究区域与数据 |
| 2.1 GRWL数据库青藏高原地区河宽数据的验证 |
| 2.1.1 GRWL数据库简介 |
| 2.1.2 验证区域介绍及样本数据来源 |
| 2.1.3 验证与分析 |
| 2.2 研究区域及数据来源 |
| 2.2.1 研究区域 |
| 2.2.2 数据来源 |
| 2.3 影像预处理 |
| 2.3.1 辐射校正 |
| 2.3.2 几何校正 |
| 2.3.4 影像裁剪与镶嵌 |
| 2.3.5 影像融合 |
| 2.4 本章小结 |
| 第3章 山区细小河流宽度提取方法 |
| 3.1 面向对象的影像分割 |
| 3.1.1 影像分割技术 |
| 3.1.2 改进的多尺度分割 |
| 3.1.3 最优分割尺度 |
| 3.2 影像特征提取与选择 |
| 3.2.1 特征提取 |
| 3.2.2 特征选择 |
| 3.2.3 特征组合 |
| 3.3 影像分类方法 |
| 3.3.1 阈值分类 |
| 3.3.2 基于最邻近分类 |
| 3.3.3 决策树分类 |
| 3.4 精度评价 |
| 3.5 河流宽度的自动提取 |
| 3.6 本章小结 |
| 第4章 山区细小河流宽度提取结果及分析 |
| 4.1 基于改进的多尺度分割 |
| 4.2 特征提取与基于SEaTH算法的最优特征选择 |
| 4.3 基于CART的决策树分类 |
| 4.4 结果评价 |
| 4.5 方法验证 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与科研成果 |
（7）土地整治遥感监测研究进展分析（论文提纲范文）
| 0 引言 |
| 1 土地整治发展概述 |
| 2 土地整治遥感监测体系研究进展 |
| 2.1 多源遥感获取技术研究进展 |
| 2.2 遥感影像预处理技术研究进展 |
| 2.3 遥感影像分类技术研究进展 |
| 2.4 遥感定量反演模型研究进展 |
| 3 不同土地整治工作中的遥感监测 |
| 3.1 土地资源调查与保护中的遥感监测 |
| 3.2 土地复垦与生态修复中的遥感监测 |
| 3.3 农用地整治中的遥感监测 |
| 3.4 宜农未利用地开发中的遥感监测 |
| 3.5 建设用地整治中的遥感监测 |
| 3.6 生态化土地整治中的遥感监测 |
| 4 土地整治项目过程中的遥感监测 |
| 4.1 土地整治潜力测算与风险评估中的遥感监测 |
| 4.2 土地整治规划设计中的遥感监测 |
| 4.3 土地整治施工监管中的遥感监测 |
| 4.4 土地整治项目验收评价中的遥感监测 |
| 5 展望 |
（8）基于专家知识和改进SEaTH算法的遥感影像土地覆被分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 土地覆被研究现状 |
| 1.2.2 基于专家知识遥感图像分类现状 |
| 1.2.3 SEaTH算法研究现状 |
| 1.2.4 植被红边研究现状 |
| 1.3 存在问题分析 |
| 1.4 研究目标与技术路线 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 技术路线 |
| 第二章 研究区概况和数据预处理 |
| 2.1 研究区概况 |
| 2.2 遥感数据 |
| 2.2.1 数据源 |
| 2.2.2 研究区影像 |
| 2.2.3 影像预处理 |
| 2.3 土地覆被分类体系 |
| 2.3.1 已有土地覆被分类体系 |
| 2.3.2 研究区土地覆被分类体系 |
| 2.4 野外调查和精度验证点 |
| 2.4.1 研究区野外调查 |
| 2.4.2 内业验证点 |
| 2.5 本章小结 |
| 第三章 基于专家知识的特征空间分析 |
| 3.1 专家知识在土地覆被分类的应用 |
| 3.1.1 地理学知识与地表土地覆被 |
| 3.1.2 地物光谱特征 |
| 3.1.3 农作物农时信息 |
| 3.1.4 绿色植物叶绿素 |
| 3.2 基于专家知识的分类特征构造 |
| 3.2.1 遥感影像波段运算 |
| 3.2.2 NDVI时间序列特征 |
| 3.2.3 研究使用的特征空间中其它特征 |
| 3.3 植被红边特征 |
| 3.3.1 绿色植物反射波谱特征 |
| 3.3.2 植被红边光谱响应特征 |
| 3.3.3 基于植被红边的特征空间分析 |
| 3.4 本章小结 |
| 第四章 基于改进SEaTH算法的土地覆被分类方法 |
| 4.1 经典SEaTH算法理论 |
| 4.1.1 SEaTH算法概述 |
| 4.1.2 分类特征选择 |
| 4.1.3 特征阈值自动确定 |
| 4.2 改进的SEaTH算法 |
| 4.2.1 SEaTH算法不足 |
| 4.2.2 改进的SEaTH算法 |
| 4.3 改进SEaTH算法在土地覆被分类的应用 |
| 4.4 改进SEaTH算法运算时间成本 |
| 4.5 本章小结 |
| 第五章 土地覆被分类实验 |
| 5.1 研究区分类实验 |
| 5.1.1 基于改进SEaTH算法的专家知识土地覆被分类 |
| 5.1.2 加入植被红边特征的改进SEaTH算法林地分类 |
| 5.1.3 研究区分类结果 |
| 5.2 不同分类器研究区分类 |
| 5.2.1 不同分类器面向对象的土地覆被分类结果 |
| 5.2.2 不同分类器分类结果精度验证 |
| 5.3 专家知识与机器学习土地覆被分类对比分析 |
| 5.3.1 分类精度对比分析 |
| 5.3.2 林地分类效果分析 |
| 5.3.3 水田分类效果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究小结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（9）基于多源高分遥感数据的屋顶太阳能光伏潜力评估（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究目的和研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 屋顶光伏的研究 |
| 1.3.2 屋顶光伏参数研究 |
| 1.3.3 建筑物屋顶提取方法研究 |
| 1.3.4 面向对象分类方法子方向研究 |
| 1.4 研究内容与结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构安排 |
| 2 研究区概况与数据准备 |
| 2.1 研究区概况 |
| 2.1.1 地理概况 |
| 2.1.2 气候环境分析 |
| 2.1.3 太阳能资源分析 |
| 2.2 数据源 |
| 2.2.1 Pleiades卫星 |
| 2.2.2 WorldView-3卫星 |
| 2.3 数据处理方法 |
| 2.3.1 数据预处理 |
| 2.3.2 建筑高度信息提取 |
| 2.4 本章小结 |
| 3 建筑物提取方法原理 |
| 3.1 面向对象分类方法 |
| 3.2 影像分割方法 |
| 3.3 基于神经网络的遥感图像分类研究 |
| 3.3.1 神经网络感知器 |
| 3.3.2 Hopfield神经网络 |
| 3.3.3 模糊神经网络 |
| 3.3.4 径向基函数神经网络 |
| 3.3.5 卷积神经网络 |
| 3.3.6 BP神经网络 |
| 3.4 建筑物提取结果评价方法 |
| 3.4.1 分割评价方法 |
| 3.4.2 分类评价方法 |
| 3.5 本章小结 |
| 4 高分辨率影像分割方法优化 |
| 4.1 影像分割基础 |
| 4.2 影像多尺度分割方法 |
| 4.2.1 多尺度分割原理 |
| 4.2.2 多尺度分割参数 |
| 4.2.3 异质性算法 |
| 4.3 改进的遥感影像多尺度分割方法 |
| 4.3.1 改进的多尺度分割方法异质性计算 |
| 4.3.2 DSM异质性计算 |
| 4.3.3 NDVI影响描述 |
| 4.4 最佳分割尺度确定 |
| 4.5 实验结果与分析 |
| 4.5.1 实验场景 |
| 4.5.2 多尺度分割参数设定 |
| 4.5.3 实验结果与评价 |
| 4.6 本章小结 |
| 5 屋顶轮廓信息提取及优化 |
| 5.1 高分辨率遥感影像特征计算 |
| 5.1.1 光谱特征 |
| 5.1.2 形状特征 |
| 5.1.3 纹理特征 |
| 5.1.4 其他特征 |
| 5.2 对象特征选择 |
| 5.2.1 对象特征选择概述 |
| 5.2.2 Bootstrap抽样方法 |
| 5.2.3 基于Pearson相关系数的特征聚类 |
| 5.2.4 基于PLSGLR的特征排序 |
| 5.2.5 基于贝叶斯信息准则(BIC)的特征筛选 |
| 5.3 基于神经网络的建筑物提取 |
| 5.3.1 BP神经网络结构 |
| 5.3.2 BP神经网络遥感分类模型 |
| 5.4 基于形态学的建筑物轮廓优化 |
| 5.5 实验结果与分析 |
| 5.5.1 对象特征选择结果 |
| 5.5.2 神经网络训练实现与结果分析 |
| 5.5.3 基于不同神经网络的影像建筑物提取结果对比分析 |
| 5.5.4 基于不同分辨率遥感影像建筑物提取结果对比分析 |
| 5.5.5 建筑物轮廓优化 |
| 5.6 本章小结 |
| 6 基于高分遥感的屋顶光伏潜力评估 |
| 6.1 屋顶太阳能光伏安装概述 |
| 6.1.1 屋顶形态分类体系 |
| 6.1.2 基本天文参数确定 |
| 6.2 屋顶特征参数获取 |
| 6.2.1 高分辨率遥感影像屋顶特征参数获取 |
| 6.2.2 超高分辨率遥感影像屋顶特征参数获取 |
| 6.2.3 屋顶光伏安装参数获取 |
| 6.3 建筑物屋顶光伏潜力评估 |
| 6.3.1 潜力评估模型 |
| 6.3.2 太阳能光伏潜力评估结果与分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于高分一/六号卫星影像特征的农作物分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分数据应用 |
| 1.1.2 农业应用和研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感技术在农作物分类的应用现状 |
| 1.2.2 高分辨率遥感影像分类 |
| 1.2.3 存在的问题 |
| 1.3 研究内容与论文组织 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第二章 遥感影像分类方法 |
| 2.1 遥感影像分类方法简介 |
| 2.1.1 基于像素分类 |
| 2.1.2 面向对象分类 |
| 2.2 影像分割 |
| 2.2.1 影像分割概述 |
| 2.2.2 Mean Shift算法原理 |
| 2.2.3 改进的均值漂移滤波 |
| 2.3 精度验证方法 |
| 第三章 基于高空间分辨率的多特征农作物分类 |
| 3.1 研究区和数据源 |
| 3.1.1 研究区 |
| 3.1.2 数据源 |
| 3.2 研究方法 |
| 3.3 特征选择 |
| 3.3.1 与农作物相关的特征参数 |
| 3.3.2 特征选择方法 |
| 3.3.3 特征分析 |
| 3.4 面向对象分类 |
| 3.4.1 影像分割 |
| 3.4.2 分类结果 |
| 3.5 讨论和结论 |
| 3.5.1 讨论 |
| 3.5.2 结论 |
| 第四章 基于高时相分辨率特征的面向对象农作物分类 |
| 4.1 研究区概况 |
| 4.2 数据源与预处理 |
| 4.2.1 数据源 |
| 4.2.2 数据预处理 |
| 4.3 研究方法 |
| 4.3.1 技术路线 |
| 4.3.2 NDVI时间序列构建 |
| 4.3.3 作物NDVI曲线分析 |
| 4.3.4 影像分割 |
| 4.4 结果与分析 |
| 4.4.1 分类结果 |
| 4.4.2 精度评价和分析 |
| 4.5 结论 |
| 第五章 基于红边波段特征的农作物分类 |
| 5.1 研究区 |
| 5.2 数据源 |
| 5.2.1 卫星数据和预处理 |
| 5.2.2 地面验证数据 |
| 5.3 研究方法 |
| 5.3.1 分类方法 |
| 5.3.2 精度验证方法 |
| 5.4 结果分析 |
| 5.4.1 类别可分性 |
| 5.4.2 分类结果 |
| 5.4.3 分类精度检验 |
| 5.4.4 红边波段的作用分析 |
| 5.5 结论与讨论 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
四、陆地卫星CCT数字图象BAYES自动分类研究（论文参考文献）
- [1]光学遥感影像土地利用分类方法综述[J]. 周珂,杨永清,张俨娜,苗茹,杨阳,柳乐. 科学技术与工程, 2021(32)
- [2]基于FPGA的林火视觉检测与软硬件协同设计[D]. 高宇. 北京林业大学, 2020(03)
- [3]应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究[D]. 孙玉. 兰州大学, 2020(01)
- [4]基于遥感的世界自然遗产地冲突要素评价模型与分析[D]. 马军. 武汉大学, 2019(01)
- [5]基于深度生成对抗模型的高光谱遥感影像分类研究[D]. 王雪. 中国矿业大学, 2019(04)
- [6]基于高分一号影像的山区细小河流宽度提取方法[D]. 杨静. 清华大学, 2019
- [7]土地整治遥感监测研究进展分析[J]. 张超,吕雅慧,郧文聚,高璐璐,朱德海,杨建宇. 农业机械学报, 2019(01)
- [8]基于专家知识和改进SEaTH算法的遥感影像土地覆被分类研究[D]. 姚恋秋. 南京师范大学, 2018(01)
- [9]基于多源高分遥感数据的屋顶太阳能光伏潜力评估[D]. 宋晓阳. 中国矿业大学(北京), 2018(12)
- [10]基于高分一/六号卫星影像特征的农作物分类研究[D]. 郑利娟. 中国科学院大学(中国科学院遥感与数字地球研究所), 2017(10)