导读:本文包含了林地信息提取论文开题报告文献综述及选题提纲参考文献，主要关键词:林地资源,面向对象,多尺度分割,阈值分类
林地信息提取论文文献综述
卫靖怡[1]（2019）在《GF-1遥感影像林地信息提取方法的研究》一文中研究指出林地资源是地球上可再生自然资源和生态系统的主体,对于人类的生活和发展都有无法替代的作用。本文应用高分一号卫星遥感影像,基于e Cognition软件平台,采用面向对象方法对孟家岗落叶松人工林进行林地信息的提取。选取多尺度分割方法,通过大量实验确定最优分割尺度参数,结合光谱特征,采用阈值分类算法实现林地的高效精确提取。(本文来源于《甘肃科技》期刊2019年12期）
乔月霞,刘烽,谭来钱,陈婷,毛海亚[2]（2019）在《基于面向对象的林地信息提取与分类》一文中研究指出【目的】我国森林资源丰富,但由于南北气候差异较大,森林类型复杂多样。不同的森林类型表现出不同的时相特征,导致了林地分类方法的复杂性。地理环境和气候条件的差异,使得林地信息提取和分类要"因地制宜"。【方法】以河南省为研究区,河南省的西部和南部地区森林资源丰富,由于河南省属于北亚热带与暖温带过渡区气候,林地分布、种类特征南北差异明显。本文首先基于河南林地植被的分布特点进行了区域划分:暖温带林地、北亚热带林地。其次,基于研究区的特殊性,利用面向对象技术和多时相遥感数据相结合的分类方法,提出了季节植被指数差的概念辅助进行林地类型分类。面向对象的方法能够避免传统基于像元分类方法的不足,综合考虑像元的光谱信息、对象的内部结构、纹理以及相邻对象之间的关联信息,具有很大的优越性。随后,基于不同分类方法分别对两个区域进行了有林地、灌木林地、疏林地、其他林地类型的划分,并在有林地的基础上进行了针叶林、针阔混交林、阔叶林类型划分。最后,基于随机点及混淆矩阵理论对分类结果进行了验证,总体精度为72.92%,能够满足大区域林地分类精度要求。【结果】分类结果表明,河南省主要林地类型为阔叶林,占全省林地总面积的49.53%,整体分布不均衡,总体覆盖率较低,地域分异显着,不仅表现在南、北有"纬度地带性"差异,且内部林地类型镶嵌分布。【结论】基于面向对象的林地信息提取与分类技术流程,能够满足大区域作业的精度要求,也可作为温带与亚热带地区林地提取的有效方法,但该方法对于季相节律性差异显着的林地类型分类效果较好,而灌木林、疏林、其他林均为冬季落叶、夏季绿叶植被,在分辨遥感影像中光谱特征、纹理特征的差异不明显,容易造成这些类型的错分、混分,如何进一步提高这类林地类型的提取精度还有待进一步研究。(本文来源于《温带林业研究》期刊2019年02期）
陆海霞[3]（2019）在《集成机器学习与面向对象影像分类的大区域林地信息提取及其泛化能力研究》一文中研究指出森林在陆地生态系统中起着调节气候、涵养水源等方面的作用,是国家可持续发展战略的重要物质基础。准确获取林地空间分布有助于林地变化监测且通过对其变化的分析,制定相应保护管理政策。遥感技术的发展可以为生态监测和大面积森林资源清查提供经济有效的手段。利用遥感技术获取林地信息时,传统的目视解译属于劳动密集型信息提取工作,资源耗费巨大。与计算机相结合的遥感技术大大提高信息提取的自动化,其中,借助机器学习法是其中一个重要的研究方向。当前机器学习法在应用到特定的遥感影像分类中,普遍属于逐景训练、逐景分类的模式,存在训练样本重复选取以及分类过程中模型参数消耗等问题。对于跨越几十甚至上百景遥感影像广泛的研究区域,如何通过在小面积典型区域内建立的机器学习模型实现大范围研究区内高精度的林地信息提取,有待探索。机器学习方法中分类器正确分类训练集以外数据的能力称之为泛化能力,也称为预测能力。泛化能力是评价分类器所生成的算法好坏的重要指标。泛化能力越强,预测精度越高。选择泛化能力高的分类器从而使之有效用于训练集之外其它数据集,对于实现机器学习模型的可移植性至关重要。为了能够从多景多时相批量遥感影像中高质量地提取出跨越大地理区域的遥感影像林地信息,有必要探索一种具有更高泛化能力的机器学习算法。研究立足于两点来探究机器学习对于大区域林地信息提取的泛化能力。首先是好的机器学习分类器的使用,本文从众多机器学习法的研究中选取当前主流的叁种机器学习算法,包括支持向量机、随机森林、深度神经网络。集成面向对象的影像分析法,进行机器学习分类器最优模型的构建。其次是针对当前遥感影像逐景训练、逐景分类的模式,考虑从研究区中选取小面积典型区域内的训练样本,对所选取的机器学习分类器分别进行训练,利用训练的最优分类器实现整个研究区林地信息的提取。通过对整个研究区林地提取精度及接边一致性等方面综合评价所选机器学习分类器的泛化能力。(1)针对大部分遥感影像采用逐景训练、逐景分类的信息提取模式,文中通过实验论证了在小面积区域的代表性数据上建立的最优机器学习分类器,可以应用到整个研究区域数据上,甚至可应用到相近时间、类似的数据上。证明文中所提出的遥感信息提取框架的合理性。同时该信息提取框架减少了分类器建立过程中的参数消耗和样本的重复性选取工作。通过小样本选取即可实现批量遥感影像得高精度信息提取,大大降低样本依赖性,提高了遥感信息提取效率。(2)采用集成面向对象与机器学习的方法,基于祁连山针叶林典型样区构建了支持向量机、随机森林、深度神经网络的最优模型。利用文中提出的信息提取框架对比叁种机器学习分类器的在时间和空间上的泛化能力。整体来看,深度神经网络无论在空间还是时间上均表现出最高的泛化能力,其次是随机森林和支持向量机。当前多数分类回归等学习法为浅层结构算法,相对于浅层学习如支持向量机和集成学习随机森林,深度神经网络利用“层次化”的信息拟合复杂的非线性函数。文中构建深度神经网络时集成面向对象的影像分析法,对于所提取的反映针叶林信息的多个特征,采用Relief F-Cfs-Pso组合过滤式特征优选方式实现降维。减少输入变量的数量,利用每层更少的神经元拟合更加复杂的函数。通过消除多隐层间的冗余信息,最终确定4隐层的网络可实现较高的泛化能力。(3)对叁种分类器在时空泛化能力的差异性进行分析表明叁种分类器的在空间上的泛化能力均高于时间上的泛化能力。原因在于最优模型是在探讨空间泛化能力时所构建,并将该模型直接用于时间段相差较大的另一期影像的信息提取中,导致了精度的下降。因此,对于最优的深度神经网络的优化问题,通过改变样本即增加另一期影像的典型样区样本,直接用深度神经网络进行整个研究区的信息提取,提取结果在分类精度以及多景影像的接边一致性等方面精度均有所提高。证明可通过新增加典型样区,达到提高神经网络信息提取精度的目的。(4)基于最优模型就提取的两期精度最高的祁连山针叶林信息,分析近20年针叶林面积的时空变化以及景格局指标发现相比于2000年,针叶林在2017年整体增加423.88km~2,增加了11.14%。从景观格局角度来看,整体破碎度增大,景观形状边界变得复杂。受人为干扰整体减小。针叶林分布情况整体呈现出较好的局势。但局部地区林地发展不均衡。具体来看,祁连山东、中、西以及县级行政区划的面积、景观指标变化情况表明地方之间林地长势参差不齐。保护区内居民毁林草开荒种地现象一直存在,林木矛盾等使得祁连山西段中的肃南裕固族自治县林地近20年减少212.15km2。祁连山东段林地面积虽然整体呈现增加趋势,但位于东段的天祝地区林地退化严重,景观格局破碎,受人为活动的干扰致使景观形态简单。位于青海省的门源回族自治县和湟中县因退耕还林(草)的政策林地的面积得到大幅增长,景观的斑块更加紧凑,整体形态更加简单。因此针叶林虽然在整体上得到很大的改善,但局部地区林地情况不均衡,仍然存在恶化现象。需因地制宜地加强相关保护管理政策的有力实施,并加强后期的监测与评估。(本文来源于《兰州大学》期刊2019-06-01）
孙燕武[4]（2019）在《基于ETM+影像的丘陵地区林地信息提取》一文中研究指出基于广东省广州市ETM+影像,利用归一化植被指数,通过实验获取阈值实现林地与非林地信息的粗提取。但仅利用植被指数提取林地信息无法有效区分林地与农田,且无法消除丘陵地区山体阴影的影响,故而提出采用研究区30 m DEM数据提取坡度信息,根据林地和农田在坡度分量上的阈值界限提取出部分农田;对影像进行Munsell HSV变换,根据山体阴面的林地部分和水体在S分量到V分量的不同变化趋势区分林地阴影和水体。由此产生决策树分类规则,结果证明基于知识的决策树分类能更有效地提取林地信息。(本文来源于《科技创新与生产力》期刊2019年03期）
董士伟[5]（2018）在《林地信息提取与精度评价空间抽样方法研究》一文中研究指出林地是自然资源的重要组成部分,在减缓全球气候变化、维护生态平衡、改善生态环境等方面发挥着重要作用。遥感数据能够在不同尺度范围内开展林地资源的信息探测、目标识别和调查评估等。针对当前林地资源遥感制图的新需求,本文以北京市为例,综合利用MODIS、Landsat TM及各类遥感数据产品,开展了林地信息提取与精度评价空间抽样方法研究,采用林地遥感信息提取方法和遥感分类精度评价的采样点空间布局优化方法,(本文来源于《测绘学报》期刊2018年10期）
王晓丽[6]（2018）在《基于高分辨率遥感影像的林地资源信息提取方法研究》一文中研究指出随着现代技术不断发展,航空航天相关探测技术也在不断提高,卫星遥感影像的空间分辨率有了提高,提取的地物形状、纹理等相关信息亦非常丰富,因此地物信息的提取十分有利。下文通过研究面向对象来进行信息提取的方法,对遥感影像的纹理和光谱信息进行综合运用,对河北某地林地区域为试验区进行高分辨遥感信息进行提取试验,发现通过面向对象来进行信息提取的方法对林地的资源信息提取和分类是十分高效的。(本文来源于《信息记录材料》期刊2018年10期）
王传立,张晓芳,唐鼐,袁梦,文益君[7]（2018）在《基于多核极限学习机的遥感影像林地信息提取》一文中研究指出高光谱遥感影像包含了大量的波段信息,能够很好地应用于地物的识别。基于单核的高光谱遥感影像极限学习机分类模型,因其实施简单、分类精度高、训练时间短,已被广泛地应用于高光谱遥感影像识别。但是核特征的选取,以及单核特征表达的单一性,限制了模型分类精度的进一步提高。为了解决此问题,受多核极限学习机(MK-ELM)思想的启发,首先使用核方法,提取了遥感影像的多核特征表达;然后利用多核极限学习机理论,同时优化极限学习机结构参数以及多核特征融合系数,获得最优的分类模型。为了说明MK-ELM的有效性,在Indian pines数据集上做了对比实验,该实验证明基于多核极限学习机遥感影像分类模型的分类精度较单核极限学习机有明显地提高,MK-ELM的分类整体精度为80.2%,Kappa系数高达78%;同时将多核极限学习机应用到芷江林场的林地信息提取,其分类精度高达89.1%,Kappa系数达86%。(本文来源于《中南林业科技大学学报》期刊2018年09期）
董士伟[8]（2018）在《林地信息提取与精度评价空间抽样方法研究》一文中研究指出林地是自然资源的重要组成部分,在减缓全球气候变化、维护生态平衡、改善生态环境等方面发挥着重要作用。遥感数据的时空特点能够在不同尺度范围内开展林地资源的信息探测、目标识别和调查评估等。频繁的人类活动加剧了区域林地与其他类型之间的转变,如何获取精度可靠的区域遥感分类图是最为基础和关键所在。针对当前林地资源遥感制图的新需求,本研究以北京市为例,综合利用MODIS、LandsatTM及各类遥感数据产品,开展林地信息提取与精度评价空间抽样方法研究,重点突破了林地遥感信息提取方法和遥感分类精度评价的采样点空间布局优化方法,分别用来解决区域林地资源遥感制图的信息获取和精度评价的可靠性问题。主要研究成果如下:(1)基于分形特征的林地信息提取。基于MODISNDVI时间序列数据的分形特征,提出了一种林地遥感信息提取方法。研究结果表明:分形可以揭示不同尺度下不同目标地物显着的分离性;北京市林地信息提取结果的总体精度、Kappa系数和误差系数分别为90.54%、0.74和8.17%;与直接采用MODISNDVI时间序列的林地提取结果相比,该方法林地信息提取的平均误差系数从30.2%下降到7.38%。研发的信息提取方法能够准确、有效的提取林地信息。(2)多维采样空间构建及采样点空间布局优化。研究提出了融合特征空间和地理空间的多维采样空间构建方法,采用空间分层和采样点类别划分进行精度评价的采样点特征空间优化,采用平均最短距离最小化准则构建采样点优化目标函数结合空间模拟退火算法对采样点进行地理空间优化,最终综合集成精度评价的采样点空间布局优化方法。北京市应用案例结果表明,该优化方法兼顾了精度评价采样点在特征空间和地理空间的均匀性和代表性,保证了遥感分类精度评价的准确性和可靠性。(3)面向遥感分类精度评价的不同空间布局优化方法对比。研究设置不同空间布局优化方法的对比实验,结果表明本研究提出的分层均匀方法总体精度、均方根误差和标准偏差分别为71.36%～73.91%,13.46%和0.96%,优于空间均匀方法、分层随机方法和简单随机方法。基于该方法对北京市林地信息分形提取结果进行精度评价,总体精度、相对精度、均方根误差和标准偏差分别为78.67%～81.76%、86.89%～90.30%、10.66%和1.16%。对比实验和应用案例结果同时证实,本研究研发的分层均匀方法对于精度评价非常准确、有效,研发的优化设计方案在采样点特征空间和地理空间具有更好的代表性和均衡性。(4)论文研发的林地信息提取方法和精度评价采样点空间布局优化方法正在应用于京津冀土地利用与土地覆被变化监测、重大林业生态工程效果评价等政府工程项目,以便获取精度可靠的区域土地利用与土地覆被遥感分类图,辅助支撑自然资源监测和监管的政府决策和宏观管理,取得了良好的应用效果。(本文来源于《中国农业大学》期刊2018-05-01）
董新宇[9]（2018）在《高空间分辨率遥感影像林地单木信息提取研究》一文中研究指出近些年来,遥感技术在农业环境监测领域的应用越来越受到广泛关注。森林作为农业环境的基本物质条件之一,也在农业生产中发挥着重要作用。传统林地信息提取方法具有时间成本高、工作量大、效率低且时效性难以达到监测需求等缺陷,本文基于高空间分辨率无人机遥感影像数据和高空间分辨率卫星遥感影像数据,选取神东矿区大柳塔煤矿生态修复人工林区(包括樟子松林区和油松林区)作为研究区,对林地区域分别进行单株立木识别和单木树冠提取,探索基于不同遥感平台高空间分辨率影像进行单木信息提取的可行性以及有效性,以期为农业环境保护提供技术支撑和科学依据。主要研究内容及结论如下:(1)基于高空间分辨率无人机遥感影像数据,提出一种基于图像分割理论的林地信息提取方法。充分利用无人机遥感影像自身特点,通过结合影像光谱特征和像素之间的空间关联关系,采用图像光谱增强、像素聚类以及图像分割等方法原理,进行单株立木识别和单木树冠提取。通过与目视解译结果进行对比验证,结果表明,樟子松林和油松林单株立木识别总体精度分别为95.65%和89.52%;樟子松林单木树冠提取生产者精度为95.65%,用户精度为94.29%;油松林单木树冠提取生产者精度为81.90%,用户精度为83.50%,均具有较好地适用性。该方法不需要大量的人工干预和先验知识的输入,大大提高方法的自动化程度。为验证本文方法的分割效果,通过采用面向对象多尺度分割方法,对无人机遥感影像数据进行分割。结果表明,本文方法分割效果更好,且对原始树木轮廓的提取效果更接近于真实情况。(2)基于高空间分辨率卫星遥感影像数据,进行单木信息提取。通过选取油松林区WorldView-03卫星遥感影像,采用局部最大值法进行单株立木识别,并在此基础上,采用标记分水岭分割算法进行单木树冠提取。通过与人工目视解译结果进行精度对比和分析,结果表明:油松林区单株立木识别总体精度达到95.45%,错分误差为4.55%,漏分误差为23.36%。油松林单木树冠提取生产者精度为92.73%,用户精度为 74.45%。综上所述,针对高空间分辨率无人机遥感影像和高空间分辨率卫星遥感影像进行单株立木信息提取均具有一定的可行性和有效性。针对高空间分辨率无人机遥感影像,采用本文提出的基于图像分割理论的单木树冠信息提取方法,在实际林地监测与调查过程中,可应用在小尺度范围林地信息高精度快速提取。而基于高空间分辨率卫星遥感影像,本文使用的局部最大值法和标记控制分水岭分割算法分别进行单株立木识别和单木树冠提取均具有较好精度,也可实现林地信息的有效提取。(本文来源于《福建农林大学》期刊2018-05-01）
夏露,杨静,周晓敏[10]（2017）在《基于机载Lidar数据辅助的林地信息提取》一文中研究指出利用机载Lidar数据进行了林地信息提取,并对提取结果进行了矢量化处理,结合高分辨率航空RGB影像进行进一步林地信息快速分类。通过对比,可以看出分类精度得到了显着的提升,解决了单一RGB高分影像分类困难的问题,为Lidar数据的进一步研究提供了新的思路与方法。(本文来源于《测绘技术装备》期刊2017年04期）
林地信息提取论文开题报告
（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：
【目的】我国森林资源丰富,但由于南北气候差异较大,森林类型复杂多样。不同的森林类型表现出不同的时相特征,导致了林地分类方法的复杂性。地理环境和气候条件的差异,使得林地信息提取和分类要"因地制宜"。【方法】以河南省为研究区,河南省的西部和南部地区森林资源丰富,由于河南省属于北亚热带与暖温带过渡区气候,林地分布、种类特征南北差异明显。本文首先基于河南林地植被的分布特点进行了区域划分:暖温带林地、北亚热带林地。其次,基于研究区的特殊性,利用面向对象技术和多时相遥感数据相结合的分类方法,提出了季节植被指数差的概念辅助进行林地类型分类。面向对象的方法能够避免传统基于像元分类方法的不足,综合考虑像元的光谱信息、对象的内部结构、纹理以及相邻对象之间的关联信息,具有很大的优越性。随后,基于不同分类方法分别对两个区域进行了有林地、灌木林地、疏林地、其他林地类型的划分,并在有林地的基础上进行了针叶林、针阔混交林、阔叶林类型划分。最后,基于随机点及混淆矩阵理论对分类结果进行了验证,总体精度为72.92%,能够满足大区域林地分类精度要求。【结果】分类结果表明,河南省主要林地类型为阔叶林,占全省林地总面积的49.53%,整体分布不均衡,总体覆盖率较低,地域分异显着,不仅表现在南、北有"纬度地带性"差异,且内部林地类型镶嵌分布。【结论】基于面向对象的林地信息提取与分类技术流程,能够满足大区域作业的精度要求,也可作为温带与亚热带地区林地提取的有效方法,但该方法对于季相节律性差异显着的林地类型分类效果较好,而灌木林、疏林、其他林均为冬季落叶、夏季绿叶植被,在分辨遥感影像中光谱特征、纹理特征的差异不明显,容易造成这些类型的错分、混分,如何进一步提高这类林地类型的提取精度还有待进一步研究。
（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。
林地信息提取论文参考文献
[1].卫靖怡.GF-1遥感影像林地信息提取方法的研究[J].甘肃科技.2019
[2].乔月霞,刘烽,谭来钱,陈婷,毛海亚.基于面向对象的林地信息提取与分类[J].温带林业研究.2019
[3].陆海霞.集成机器学习与面向对象影像分类的大区域林地信息提取及其泛化能力研究[D].兰州大学.2019
[4].孙燕武.基于ETM+影像的丘陵地区林地信息提取[J].科技创新与生产力.2019
[5].董士伟.林地信息提取与精度评价空间抽样方法研究[J].测绘学报.2018
[6].王晓丽.基于高分辨率遥感影像的林地资源信息提取方法研究[J].信息记录材料.2018
[7].王传立,张晓芳,唐鼐,袁梦,文益君.基于多核极限学习机的遥感影像林地信息提取[J].中南林业科技大学学报.2018
[8].董士伟.林地信息提取与精度评价空间抽样方法研究[D].中国农业大学.2018
[9].董新宇.高空间分辨率遥感影像林地单木信息提取研究[D].福建农林大学.2018
[10].夏露,杨静,周晓敏.基于机载Lidar数据辅助的林地信息提取[J].测绘技术装备.2017