主办单位: 共青团中央   中国科协   教育部   中国社会科学院   全国学联  

承办单位: 贵州大学     

基本信息

项目名称:
支持向量机在扎龙湿地遥感分类研究中的应用
小类:
数理
简介:
本文采用支持向量机分类方法(SVM)对湿地遥感进行了分类研究,较深入地探讨了特征维度与样本数量对分类结果的影响,并同传统的最大似然分类方法(MLC)进行了对比,实现了湿地遥感的自动分类与智能提取,为湿地监测与保护提供了决策支持。
详细介绍:
湿地遥感分类是实现湿地动态监测、管理与利用的重要手段之一。然而由于湿地具有独特的水陆生态环境,获取实测样本点相对困难,因此,研究小样本、高精度的湿地遥感分类方法十分必要。以扎龙自然保护区为研究区,采用支持向量机(support vector machine,简称SVM)的方法进行了湿地遥感分类研究,初步剖析了样本数量与特征维度对分类结果的影响,并同传统的最大似然分类(MLC)方法作比较。实验结果显示,SVM分类一般优于MLC分类,尤其在小样本、高维度下展现了较高的优势。每类样本数为100时SVM高维分类总精度最高,达到88.125%,分类获得的扎龙湿地总面积为90307.17公顷,其中水体面积为8301.15公顷,有水沼泽面积为48942.45公顷,无水沼泽面积为48942.45公顷。实验分析表明,SVM是湿地遥感分类的有效手段。

作品图片

  • 支持向量机在扎龙湿地遥感分类研究中的应用

作品专业信息

撰写目的和基本思路

本文采用支持向量机分类方法(SVM)对湿地遥感进行了分类研究,较深入地探讨了特征维度与样本数量对分类结果的影响,并同传统的最大似然分类方法(MLC)进行了对比,实现了湿地遥感的自动分类与智能提取,为湿地监测与保护提供了决策支持。

科学性、先进性及独特之处

(1)国内使用支持向量机对扎龙湿地进行遥感分类的研究较少 (2)充分发挥了支持向量机对于小样本、高维度、非线性的优势,首次分不同样本数量、特征维度分别进行湿地遥感分类。 (3)从机理上详细讨论了支持向量机方法同传统方法的差别

应用价值和现实意义

湿地科学管理的重要依据是湿地数据的准确、快速获取,给传统监测方法提出了挑战,基于现代空间信息技术,研究快速有效的湿地监测方法具有重要意义。 研究湿地可为政府部门提供决策支持,为国家科技创新体系建设提供重要支撑和保障。

学术论文摘要

摘要—湿地遥感分类是实现湿地动态监测、管理与利用的重要手段之一。然而由于湿地具有独特的水陆生态环境,获取实测样本点相对困难,因此,研究小样本、高精度的湿地遥感分类方法十分必要。以扎龙自然保护区为研究区,采用支持向量机(support vector machine,简称SVM)的方法进行了湿地遥感分类研究,初步剖析了样本数量与特征维度对分类结果的影响,并同传统的最大似然分类(MLC)方法作比较。实验结果显示,SVM分类一般优于MLC分类,尤其在小样本、高维度下展现了较高的优势。每类样本数为100时SVM高维分类总精度最高,达到88.125%,分类获得的扎龙湿地总面积为90307.17公顷,其中水体面积为8301.15公顷,有水沼泽面积为48942.45公顷,无水沼泽面积为48942.45公顷。实验分析表明,SVM是湿地遥感分类的有效手段。

获奖情况

论文已被IEEE ICCDA2011正式录用。 Ce Zhang, Shuying Zang. The application of Support Vector Machine on Zhalong Wetland Remote Sensing Classification Research. 2011 3rd International Conference on Computer Design and Applications,ICCDA2011, (Accepted). (EI,ISTP)

鉴定结果

论文属于国内高质量、高水平学术论文,达到参赛资格。

参考文献

[1] Özesmi, S. L., & Bauer, M. E. Satellite remote sensing of wetlands [J]. Wetlands Ecology and Management, 2002, 10(5):381~402. [2] An Objective Analysis of Support Vector Machine Based Classification for Remote Sensing[J]. Math Geosci, 2008, 3(40): 409~424. [3] 张睿,马建文.支持向量机在遥感数据分类中的应用新进展[J]. 地球科学进展, 2009, 24(5): 555~562. [4] 基于支持向量机的遥感影像湿地信息提取研究[J]. 计算机应用研究, 2008, 25(4):989~991.

同类课题研究水平概述

支持向量机(support vector machine,简称SVM)是一种新型的数据挖掘方法,广泛地应用于模式识别和机器学习。在遥感领域,国内已有学者采用支持向量机方法对黄河中上游湿地进行了信息提取,国外也曾有学者利用支持向量机进行了土地利用分类,并考虑了训练样本数量的影响,但均未综合地解决湿地样本数量少对分类带来的影响。本文采用支持向量机分类方法(SVM)对湿地遥感进行了分类研究,较深入地探讨了特征维度与样本数量对分类结果的影响,并同传统的最大似然分类方法(MLC)进行了对比,实现了湿地遥感的自动分类与智能提取,为湿地监测与保护提供了决策支持。 国家自然科学基金项目“基于粗集的多源遥感湿地空间分类知识发现研究(项目编号:40871188)”(2009-2011),项目主持人张树清,经费40万元。该项目有关空间数据挖掘方面所做的研究工作为本项目多源遥感数据空间分类方面奠定了坚实的基础。
建议反馈 返回顶部