公路环境下遥感监测土地覆被变化研究

公路环境下遥感监测土地覆被变化研究

ID:33371395

大小:5.78 MB

页数:46页

时间:2019-02-25

公路环境下遥感监测土地覆被变化研究_第1页
公路环境下遥感监测土地覆被变化研究_第2页
公路环境下遥感监测土地覆被变化研究_第3页
公路环境下遥感监测土地覆被变化研究_第4页
公路环境下遥感监测土地覆被变化研究_第5页
资源描述:

《公路环境下遥感监测土地覆被变化研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、中文摘要摘要公路建设受到地质、地形、水文等自然因素的制约和现有生产力水平等条件的影响,使公路建设不可避免地影响沿线的生态环境,在其施工、营运期会造成土壤和植被以及各类景观的破坏。遥感数据用于监测公路两侧的环境变化的优势在于,可以宏观、快速、同步的监测大范围的土地覆被以及变化的状况。在本文中,应用1986年和1994年的两景TM遥感图像研究公路沿线的土地覆被变化,在对地表覆被分类时使用统计学和人工智能信息处理的方法相结合,提高分类的精确度,可以为道路生态环境问题、公路选线问题、景观设计等问题的解决提供定量的科

2、学依据。近年来,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感数字图像分类处理的有效手段。本文使用两种神经网络模型:BP神经网络和自组织特征映射(SOFM)神经网络对特征提取之后的TM影像进行分类。BP神经网络是至今为止应用最广泛的神经网络,但有容易陷入局部极小点、训练效率低等弱点,而SOFM神经网络在结构的选取、参数的确定上要比BP神经网络简单,分类精度也比较高。本文先对TM影像做主成分分析,使用前三个主成分数据代替原始TM图像的7个波段输入神经网络进行分类。在对1994年影像分类之后采用混淆矩

3、阵对分类精度进行评价,通过对各个地表覆被类型的用户精度、生产者精度、总精度以及Kappa系数等指标的比较,得出SOFM神经网络的分类精度要高于BP神经网络方法和最大似然法,而BP神经网络的分类能力并不如传统的最大似然法,SOFM神经网络的总精度是94.0%,Kappa系数为O.9114,总精度分别比BP神经网络方法和最大似然法高14.9%和9.8%。在分类后用分类精度最高的SOFM神经网络对1986年影像做分类,统计并比较两个年份各个地表覆被类型面积的变化。’关键词:SOFM;即;环境监测;公路英文摘要Mo

4、nitoringofland—coverChangearoundHighwayUsingRemoteSensingDataAbstractRoadconstructionisrestrictedbynaturalfactorssuchasgeolo百cstructure,terrain,hy&olo西calconditionandproductivity.Landdevelopmenthasimpactedtheenvironmentinevitablybydestroyingthesoil,vegetat

5、ionandalllIindsoflandscape.Remotesensingdatacarlbeusedtomonitortheland—coverchangearoundthehighwaysinamacroscalesynchronously.Thisisitsadvantage.Inthisstudy,LandsatThematicMapper(TM)dataoft_heQinghai-Tibethighwayof1986and1994isusedtocomparetheland·covel"ch

6、ange.Statisticsandartifidalintelligencemethodalecombinedtoh69htentheclassifiedprecision.ThismethodCanprovidequantificational西stforroadenvironmentissue,roadlocationselection,andlandscapedesign.Recently,alongwiththedevelopingofartificialneuralnetworktheory,n

7、euralnetworktechnologybecomesaneffectiveinstrumenttodealwimremotesensingdataclassification.Inthisthesis,twoneuralnetworkmodelsareusedtoclassifytheTMimageafterPrindpalComponentAnalysis:BPneuralnetworkandSelf-organizingfeaturemapneuralnetwork.BPneuralnetwork

8、iswidelyused.Therefore,therealesomedisadvantagessuchaslowtrainingefficiencyandlocalminimum.TheconstructionandparameterofSOFMalesimpler,andclassificationaccuracyishigher.Inthisthesis,firstthreePrindpalComponen

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。