导读:本文包含了土地利用与土地覆盖分类论文开题报告文献综述及选题提纲参考文献，主要关键词:土地利用,覆盖分类,高分一号,NDVI时间序列,多时相数据
土地利用与土地覆盖分类论文文献综述
欧健滨,罗文斐,刘畅[1]（2019）在《多源数据结合的高分一号土地利用/覆盖分类方法研究》一文中研究指出基于多时相的GF-1数据获取NDVI时序变化、NDWI和MNDVI等指数图像数据,辅以Landsat8卫星OLI影像和数字高程模型(DEM)数据,得到了不同地物在光谱、时相和形状等方面的特征;通过分析各种地物类型在这些特征上的差异和变化规律,总结出不同地物的特征提取规则,构建了一种基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法,并以广州市为实验区,运用该方法、最大似然法和最小距离法进行了土地利用/覆盖分类及其精度评价.结果显示:基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法的总体精度为85.86%(部分地物分类精度达到95%以上),与最大似然法及最小距离法相比,其总体精度分别提高了4.62%和12.24%,说明该方法能够更好地发挥GF-1遥感数据在土地利用/覆盖分类中的实际应用潜力,且有效提高了各种土地利用/覆盖地物类别的分类精度.(本文来源于《华南师范大学学报(自然科学版)》期刊2019年05期）
侯婉,侯西勇[2]（2019）在《全球海岸带多源土地利用/覆盖遥感分类产品一致性分析》一文中研究指出多源土地利用/覆盖分类产品是陆地表层过程研究不可或缺的重要基础数据,而其一致性分析则是产品应用的前提和基础。本文基于类型面积偏差、类型面积相关、误差矩阵和类型空间混淆等方法,从面积一致性和空间一致性两方面分析了5种土地利用/覆盖分类产品(MCD12Q1-2010、GlobCover2009、CCI-LC2010、FROM-GLC2010和GlobeLand30-2010)在全球海岸带区域的一致性。结果表明:①各产品土地利用/覆盖类型的空间分布总体上表现出较强的一致性,但在细节上存在大面积不一致现象;②各产品对全球海岸带土地利用/覆盖构成的描述基本一致,即以水体为主,林地和未利用地次之,耕地、草地和灌木地较少,湿地和人造地表相对最少,但在细节上存在面积偏差;③在产品组合中,MCD12Q1-2010/GlobCover2009的相关系数、总体精度和Kappa系数均最低,分别为0.8814、67.46%和0.5748,而GlobCover2009/CCI-LC2010的相关系数、总体精度和Kappa系数均最高,分别为0.9869、81.50%和0.7505;④5种产品两两对比,草地、灌木地和湿地的混淆程度最高,耕地和人造地表次之,林地和未利用地较低,水体最低;⑤全球海岸带有28.81%的土地具有较低的一致性,这些区域地类混淆现象较为严重,尤其是耕地、林地、草地、灌木地、湿地和未利用地之间的相互混淆对5种产品的一致性程度有直接影响。本文有望为海岸带研究在已有土地利用/覆盖数据源选择和使用等方面提供参考和建议。(本文来源于《地球信息科学学报》期刊2019年07期）
肖京格,乔彦友,王成波,夏昊,付东[3]（2019）在《一种利用Landsat年度时序数据的土地覆盖分类方法》一文中研究指出针对大面积土地覆盖遥感分类中数据获取难度大、复杂度高、分类结果不够精确且易受季候变化影响等问题,提出了一种利用Landsat时间序列数据,生成年度时序特征,并结合特定算法(UniBagging)进行土地覆盖分类的方法(LandUTime)。该方法定义了一种基于时间序列数据的特征生成方式,根据时序数据特点,设计了一种基于特征子空间的集成分类算法。实现过程分为2个阶段,首先基于特定模型,在像元级别上对Landsat时间序列图像进行回归分析,生成模式特征,然后将所有特征整合成"特征块",根据特征子空间将基分类器集成到相互分离的集合中,最后通过加权投票的方法进行分类结果输出。实验结果与定量分析表明,与传统的特征提取及分类方法相比,该方法提高了分类精度,而且对高维数据具有鲁棒性;可以有效克服大面积土地覆盖分类中云遮掩、数据条带和物候变化等问题的影响,具有较高的准确性和实用性。(本文来源于《遥感信息》期刊2019年02期）
梁铭[4]（2018）在《基于Landsat TM数据的土地利用/覆盖分类方法比较研究》一文中研究指出本文以惠州市作为研究区域,对Landsat 5TM数据进行处理,利用遥感影像的光谱特征进行分类试验,从训练样本数据中分析归纳出分类规则,建立决策树分类,并与传统的监督分类和非监督分类方法进行比较。结果表明,决策树分类方法的总体精度达到88.68%,与传统的分类方法相比有一定的提高,而且算法复杂性低、效率高。(本文来源于《北京测绘》期刊2018年12期）
侯婉,侯西勇[5]（2018）在《考虑湿地精细分类的全球海岸带土地利用/覆盖遥感分类系统》一文中研究指出土地利用/覆盖分类是土地利用/覆盖数据建立和土地利用/覆盖变化研究的重要前提。针对全球海岸带土地利用/覆盖类型多样性显着但分类系统鲜有专论的研究现状,从全球海岸带区域的基本特征出发,重点参考《湿地公约》以及区域至全球尺度的湿地分类系统,严格遵循预先定义的分类依据以及分类原则,提出全球海岸带土地利用/覆盖遥感分类系统,包括6个一级类型,分别为耕地、植被、湿地、建设用地、裸地、永久性冰川雪地,20个二级类型和43个叁级类型,比较系统且全面地涵盖了全球海岸带区域的土地利用/覆盖类型和湿地资源。该分类系统层次清晰且分类严格,综合考虑了宏观区域至全球尺度海岸带土地利用/覆盖分类及变化特征遥感监测研究所需,充分重视了全球沿海区域丰富多样的湿地资源,明确强调了全球高纬度地区苔原类型的归属及分类,合理兼顾了低、中、高不同时空分辨率卫星数据的优势,为建立多时相全球或代表性区域海岸带土地利用/覆盖变化数据集提供支持。(本文来源于《热带地理》期刊2018年06期）
关韵桐,李金平[6]（2018）在《基于Sentinel-1A与Sentinel-2A融合的土地利用/覆盖分类研究——以昆明市呈贡区为例》一文中研究指出为提高土地利用/覆盖分类精度,本文以昆明市呈贡区为例,融合Sentinel-1A(S1A)与Sentinel-2A(S2A)遥感数据,采用支持向量机(SVM)的监督分类方法对土地利用/覆盖进行分类。对比分析了Sentinel-1A与Sentinel-2A数据在不同组合情况下所有分类结果的总体精度,结果表明:将Sentinel-1A的强度数据、纹理数据与添加植被指数的Sentinel-2A数据融合时分类精度相对较高,总体精度可达93.60%。采用雷达数据与光学数据融合的方法可以在一定程度上提升土地利用/覆盖分类精度。(本文来源于《测绘与空间地理信息》期刊2018年07期）
吴宗俊,万程辉,张红梅[7]（2018）在《基于GF-1 PMS影像的土地利用/覆盖分类研究》一文中研究指出土地利用/覆盖变化是当前全球环境变化的重要内容之一,而土地利用/覆盖分类是其基础工作之一。以萍乡市区为研究区,利用国产GF-1 PMS影像为基础数据,采用最小距离、最大似然法、平行六面体和支持向量机四种监督分类法进行了土地利用/覆盖分类试验研究。结果表明:最大似然法和支持向量机分类算法具有更好的分类精度,总体精度分别为93.3和96.03,Kappa系数分别为0.917 2和0.948 7,而最小距离法和平行六面体的精度则差很多。由于GF-1 PMS的多光谱波段和全色波段的空间分辨率分别为8 m和2 m,因而支持向量机分类结果可以满足很多水文、生态等模型的需要。(本文来源于《江西科学》期刊2018年03期）
孙天娇[8]（2018）在《基于Landsat 8 OLI遥感影像纹理特征的面向对象土地利用/覆盖分类》一文中研究指出遥感分类是快速获取区域土地利用/覆盖信息的主要途径,如何提高中低分辨率遥感影像的分类精度是亟待解决的问题。以石家庄陆地卫星8(Landsat 8)遥感影像为研究对象,充分考虑遥感影像的空间纹理特征,研究基于纹理特征的面向对象分类,并探讨纹理特征对遥感分类的影响。首先,概述了面向对象分类方法,采用了基于边缘的分割算法对遥感影像进行分割处理;同时探讨面向对象分类中的最优分割尺度,基于分类后地物面积与对象数的“面积对象数比”,提出了影像整体最优分割尺度的计算方法。其次,选取合适的纹理特征构建纹理特征集。将灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离变量可分离性分析GLCM最优纹理特征,并利用最佳指数法获取GLCM与Gist纹理特征的最佳特征组合。最后,进行基于纹理特征的面向对象支持向量机(Support Vector Machine,SVM)及K邻近法(K-Nearest Neighbor,KNN)分类识别与精度评价,并与无纹理特征的分类结果及应用监督分类方法所得的结果进行对比。实验结果表明:融合纹理特征使分类精度有了一定提高,采用面向对象SVM及KNN分类对纹理数据分类的总精度均高于原始数据;基于纹理特征的监督分类精度相对于原始数据监督分类也均有所提高,但相比于面向对象分类结果,面向对象分类精度远高于监督分类精度,且对纹理数据更为敏感。纹理特征对影像分类精度的提高有一定促进作用,本文提出基于Gist纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。(本文来源于《燕山大学》期刊2018-05-01）
李丽[9]（2018）在《基于ELM的高光谱遥感影像土地利用覆盖分类优化方法研究》一文中研究指出利用遥感影像进行土地利用覆盖分类是获取土地覆盖信息的重要环节,也是目前土地利用/土地覆盖变化研究的重点内容。近年来,鉴于高光谱遥感影像具有多波段、高分辨率、包含丰富的信息等巨大优势,利用它对土地利用分类已成为遥感领域的研究热点。然而,高光谱遥感数据的海量、高维等特点也为遥感影像分类的研究带来了极大的挑战,传统的分类方法在用于分类时,容易造成处理规模过大、计算复杂以及极易陷入极小值等问题,尤其是在分类效率和速度上已很难满足当前应用的需求。极限学习机(Extreme Learning Machine,ELM)是于2006年提出的一种快速机器学习算法,在处理大规模数据时展现出学习速度快、效率高以及良好的泛化性能等优点,因此将ELM算法应用于高光谱遥感影像分类能够有效克服该领域所面临的发展瓶颈问题。着眼于此,本文将ELM应用于高光谱遥感影像分类,主要针对ELM遥感影像分类方法存在的不稳定性、鲁棒性较差以及分类精度偏低等问题,分别从集成学习、充分利用影像纹理特征以及深度学习叁个不同角度出发,提出了叁种基于ELM的遥感影像分类优化方法。具体的研究内容如下:(1)针对ELM分类中存在的分类结果的不稳定性,结合集成学习思想,设计并实现了基于集成学习的ELM遥感影像分类方法。首先,通过重采样生成多个训练集,分别训练一个ELM基分类器;然后删除其中不稳定或分类较差的基分类器,并采用投票法+最大概率法对基分类器进行集成;最后利用该方法对Indian Pines、PaviaU和Salinas高光谱数据进行分类实验,结果证明该方法在保证ELM分类效率优势的同时,提高了遥感影像分类的稳定性和鲁棒性,使分类精度也得以提高。该方法的不足之处在于分类结果改善仍不够理想,分类图中仍有一些麻点。(2)为了进一步提高ELM分类精度,并且解决(1)中优化方法存在的问题,本文充分考虑并利用地物丰富的空间纹理特征,提出了基于局部二值模式纹理特征(LBP)的KELM遥感影像分类方法。该方法首先采用最小噪声分离变换对波段降维,接着通过LBP算子提取遥感影像丰富的纹理特征,然后采用径向基函数作为核函数,构建KELM分类器。最后,将该方法应用于遥感影像土地分类中,结果表明LBP-KELM在分类应用中取得了良好的效果,分类精度高,耗时少,且遥感影像分类图相比(1)中基于集成学习的ELM分类图要更平滑,麻点显着减少,但分类结果易受遥感数据类型的影响。(3)结合深度学习这一前沿理论,为了充分利用深度学习算法和ELM算法的各自优势,设计实现了能够适用于多种数据集分类的基于CNN-ELM的高光谱遥感影像分类模型,利用CNN的卷积层和子采样层交替连接构造深度特征提取层,ELM构造分类层完成最终地物类别判定,并在当前热门的深度学习框架Keras上予以实现。最后,通过实验验证了该分类模型的有效性以及在分类精度上具有的优势。综上所述,本文提出的叁种ELM遥感影像分类优化方法均通过实验验证了其有效性,并在保证ELM算法在分类效率和速度方面优势的同时,进一步提高了高光谱遥感影像土地利用分类的精度,改善了分类效果,增强了分类方法的稳定性和鲁棒性。(本文来源于《电子科技大学》期刊2018-05-01）
裴欢,孙天娇,王晓妍[10]（2018）在《基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类》一文中研究指出针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计算方法;最后进行基于纹理特征的面向对象分类识别与精度评价,并与基于原始数据的面向对象分类结果进行对比。研究表明:Gist纹理特征使分类精度有了一定的提高,基于纹理数据的面向对象支持向量机(support vector machine,SVM)分类及面向对象K邻近法(K-nearest neighbor,KNN)分类的总体分类精度(overall accuracy,OA)分别比基于原始数据的2种方法分类精度提高3.67和3.33个百分点,基于纹理的面向对象SVM方法具有最高的精度,OA达到85.67%。不管是基于原始数据还是纹理数据,面向对象分类精度远高于最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MDC)和SVM分类精度,且面向对象分类方法对纹理数据更为敏感。该文提出的基于纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。(本文来源于《农业工程学报》期刊2018年02期）
土地利用与土地覆盖分类论文开题报告
（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：
多源土地利用/覆盖分类产品是陆地表层过程研究不可或缺的重要基础数据,而其一致性分析则是产品应用的前提和基础。本文基于类型面积偏差、类型面积相关、误差矩阵和类型空间混淆等方法,从面积一致性和空间一致性两方面分析了5种土地利用/覆盖分类产品(MCD12Q1-2010、GlobCover2009、CCI-LC2010、FROM-GLC2010和GlobeLand30-2010)在全球海岸带区域的一致性。结果表明:①各产品土地利用/覆盖类型的空间分布总体上表现出较强的一致性,但在细节上存在大面积不一致现象;②各产品对全球海岸带土地利用/覆盖构成的描述基本一致,即以水体为主,林地和未利用地次之,耕地、草地和灌木地较少,湿地和人造地表相对最少,但在细节上存在面积偏差;③在产品组合中,MCD12Q1-2010/GlobCover2009的相关系数、总体精度和Kappa系数均最低,分别为0.8814、67.46%和0.5748,而GlobCover2009/CCI-LC2010的相关系数、总体精度和Kappa系数均最高,分别为0.9869、81.50%和0.7505;④5种产品两两对比,草地、灌木地和湿地的混淆程度最高,耕地和人造地表次之,林地和未利用地较低,水体最低;⑤全球海岸带有28.81%的土地具有较低的一致性,这些区域地类混淆现象较为严重,尤其是耕地、林地、草地、灌木地、湿地和未利用地之间的相互混淆对5种产品的一致性程度有直接影响。本文有望为海岸带研究在已有土地利用/覆盖数据源选择和使用等方面提供参考和建议。
（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。
土地利用与土地覆盖分类论文参考文献
[1].欧健滨,罗文斐,刘畅.多源数据结合的高分一号土地利用/覆盖分类方法研究[J].华南师范大学学报(自然科学版).2019
[2].侯婉,侯西勇.全球海岸带多源土地利用/覆盖遥感分类产品一致性分析[J].地球信息科学学报.2019
[3].肖京格,乔彦友,王成波,夏昊,付东.一种利用Landsat年度时序数据的土地覆盖分类方法[J].遥感信息.2019
[4].梁铭.基于LandsatTM数据的土地利用/覆盖分类方法比较研究[J].北京测绘.2018
[5].侯婉,侯西勇.考虑湿地精细分类的全球海岸带土地利用/覆盖遥感分类系统[J].热带地理.2018
[6].关韵桐,李金平.基于Sentinel-1A与Sentinel-2A融合的土地利用/覆盖分类研究——以昆明市呈贡区为例[J].测绘与空间地理信息.2018
[7].吴宗俊,万程辉,张红梅.基于GF-1PMS影像的土地利用/覆盖分类研究[J].江西科学.2018
[8].孙天娇.基于Landsat8OLI遥感影像纹理特征的面向对象土地利用/覆盖分类[D].燕山大学.2018
[9].李丽.基于ELM的高光谱遥感影像土地利用覆盖分类优化方法研究[D].电子科技大学.2018
[10].裴欢,孙天娇,王晓妍.基于Landsat8OLI影像纹理特征的面向对象土地利用/覆盖分类[J].农业工程学报.2018