CANFET方法在遥感诊断中的应用研究

《CANFET方法在遥感诊断中的应用研究》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、摘要摘要土地覆盖分类一直以来都是一个重要的问题，而遥感则能省时有效地提高土地覆盖分类的时空精度，分类的准确性是遥感科学领域的研究热点。随着计算机存储容量和计算速度的不断提升，先进的机器学习方法（MLs），特别是监督学习用于处理海量遥感数据已成为现实。已有的研究成果表明，监督机器学习算法在各种分类和回归问题中相比传统方法得到了更广泛和有效的应用。然而，对于不同的应用场景和数据类型，其适用的机器学习的算法也不同，难以解释的复杂性和海量的参数成为制约机器学习发展的主要原因。本论文主要围绕新型土地覆盖分类器CANFET（基于模糊逻辑和DS证据理论的卫星数据安德鲁

2、曲线分类）的构建和精度分析及其在遥感诊断中的应用展开研究。CANFET模型是基于数据可视化的分类器，具有较高的精度，较少的参数，易于解释。自从安德鲁斯在1972年提出了安德鲁斯方程以来，本研究首次将其应用于卫星遥感领域。经过安德鲁斯方程的变换后，不同类别的Landsat影像数据的光谱曲线之间具有显著差异，进而可以进行分类。为了处理卫星影像每个像素位置上的大量安德鲁曲线，本研究改进了常用的模糊逻辑和Dempster与Shafer证据理论（DS理论），开发了一个新型土地覆盖分类器，并将其命名为“基于模糊逻辑和证据理论的卫星数据安德鲁曲线分类”，简称为CANF

3、ET。本论文的主要研究内容有以下几点：1、CANFET算法的构建首先将输入数据和训练数据标准化，然后代入安德鲁斯方程转换为曲线。从训练数据中选择训练曲线并将曲线分成100个离散值，然后算出每个离散点的平均值和标准差，进而计算得到每组100个高斯隶属函数。然后将模糊化过程应用于所有数据以获得模糊隶属度等级。在不同的训练样本中重复该过程，直到获得每个样本的所有模糊隶属度等级。由于模糊推理在复杂的重叠隶属函数中变得非常复杂，本研究采用DS理论代替了模糊推理。为了进一步提高分类的准确性，此处引入了安德鲁斯曲线动态类型（TAD）和置信区域及权重两个特征。本研究还开

4、发了简化的CANFET（SimplifiedCANFET）和直接匹配CANFET（Direct-matchingCANFET）。摘要2、CANFET在遥感诊断中的应用及与传统分类器的比较基于Landsat-8OLI卫星影像数据，CANFET的遥感诊断应用研究选取了泰国素叻他尼省的落叶作物巴西橡胶（Heveabrasiliensis）和非落叶作物油棕榈树（Elaeisguineensis）及泰国Kumphang~Phet省的水田、甘蔗田等地物类型进行了分类。分类结果表明，原始CANFET在这些作物分类中取得了良好的效果。此外，通过对大兴安岭地区1987年特

5、大森林火灾事件后火烧迹地的提取进一步拓展了该分类器在林业行业的实际应用。简化CANFET分类的结果表明该分类器可准确分离出烧毁植被、健康植被（未烧毁）和建筑物区域，分类总体精度大于90％。三个区域的示范应用研究结果表明，原始CANFET和简化CANFET在的性能在许多方面优于最大似然分类（MLC），最小距离法分类（MD）和马氏距离法分类（MH）。3、CANFET在遥感诊断中的应用及与机器学习分类器的比较基于泰国东南部的Srinakarin大坝地区的Landsat-8OLI影像，应用直接匹配CANFET方法提取地表信息。分类结果显示该分类方法的准确性较高，

6、信息的遗漏率低，误差小。因此，直接匹配CANFET与三种基本机器学习分类器（反向传播神经网络BPNN），支持向量机（SVM）和随机森林（RF）相比具有竞争力。本文创新点：（1）研发了三种新型分类器，分别命名为原始CANFET、简化CANFET和直接匹配CANFET。（2）首次将安德鲁斯方程应用于卫星遥感研究领域。（3）CANFET是一种测量曲线相似性的新方法。关键词：安德鲁斯方程，分类器，CANFET，遥感诊断。AbstractAbstractLandcoverclassificationservesasanessentialprocessforboth

7、thescientificandcommercialcommunities,andremotesensingrepresentsacost-effectivemethodtogeneratethetask.Therefore,improvingtheaccuracyoftheclassificationsisafundamentalresearchtopicinthefieldofremotesensing.Thecontinuousdevelopmentsofstoragecapacityandthecomputerprocessingspeedena

8、bleadvancedmachine-learning(ML),inpartic