基本信息
- 項目名稱：
- 支持向量機在扎龍濕地遙感分類研究中的應用
- 小類：
- 數(shù)理
- 大類：
- 自然科學類學術論文
- 簡介：
- 本文采用支持向量機分類方法(SVM)對濕地遙感進行了分類研究，較深入地探討了特征維度與樣本數(shù)量對分類結(jié)果的影響，并同傳統(tǒng)的最大似然分類方法(MLC)進行了對比，實現(xiàn)了濕地遙感的自動分類與智能提取，為濕地監(jiān)測與保護提供了決策支持。
- 詳細介紹：
- 濕地遙感分類是實現(xiàn)濕地動態(tài)監(jiān)測、管理與利用的重要手段之一。然而由于濕地具有獨特的水陸生態(tài)環(huán)境，獲取實測樣本點相對困難，因此，研究小樣本、高精度的濕地遙感分類方法十分必要。以扎龍自然保護區(qū)為研究區(qū)，采用支持向量機(support vector machine，簡稱SVM)的方法進行了濕地遙感分類研究，初步剖析了樣本數(shù)量與特征維度對分類結(jié)果的影響，并同傳統(tǒng)的最大似然分類(MLC)方法作比較。實驗結(jié)果顯示，SVM分類一般優(yōu)于MLC分類，尤其在小樣本、高維度下展現(xiàn)了較高的優(yōu)勢。每類樣本數(shù)為100時SVM高維分類總精度最高，達到88.125%，分類獲得的扎龍濕地總面積為90307.17公頃，其中水體面積為8301.15公頃，有水沼澤面積為48942.45公頃，無水沼澤面積為48942.45公頃。實驗分析表明，SVM是濕地遙感分類的有效手段。
作品圖片
作品專業(yè)信息
撰寫目的和基本思路
- 本文采用支持向量機分類方法(SVM)對濕地遙感進行了分類研究，較深入地探討了特征維度與樣本數(shù)量對分類結(jié)果的影響，并同傳統(tǒng)的最大似然分類方法(MLC)進行了對比，實現(xiàn)了濕地遙感的自動分類與智能提取，為濕地監(jiān)測與保護提供了決策支持。
科學性、先進性及獨特之處
- (1)國內(nèi)使用支持向量機對扎龍濕地進行遙感分類的研究較少 (2)充分發(fā)揮了支持向量機對于小樣本、高維度、非線性的優(yōu)勢，首次分不同樣本數(shù)量、特征維度分別進行濕地遙感分類。 (3)從機理上詳細討論了支持向量機方法同傳統(tǒng)方法的差別
應用價值和現(xiàn)實意義
- 濕地科學管理的重要依據(jù)是濕地數(shù)據(jù)的準確、快速獲取，給傳統(tǒng)監(jiān)測方法提出了挑戰(zhàn)，基于現(xiàn)代空間信息技術，研究快速有效的濕地監(jiān)測方法具有重要意義。 研究濕地可為政府部門提供決策支持，為國家科技創(chuàng)新體系建設提供重要支撐和保障。
學術論文摘要
- 摘要—濕地遙感分類是實現(xiàn)濕地動態(tài)監(jiān)測、管理與利用的重要手段之一。然而由于濕地具有獨特的水陸生態(tài)環(huán)境，獲取實測樣本點相對困難，因此，研究小樣本、高精度的濕地遙感分類方法十分必要。以扎龍自然保護區(qū)為研究區(qū)，采用支持向量機(support vector machine，簡稱SVM)的方法進行了濕地遙感分類研究，初步剖析了樣本數(shù)量與特征維度對分類結(jié)果的影響，并同傳統(tǒng)的最大似然分類(MLC)方法作比較。實驗結(jié)果顯示，SVM分類一般優(yōu)于MLC分類，尤其在小樣本、高維度下展現(xiàn)了較高的優(yōu)勢。每類樣本數(shù)為100時SVM高維分類總精度最高，達到88.125%，分類獲得的扎龍濕地總面積為90307.17公頃，其中水體面積為8301.15公頃，有水沼澤面積為48942.45公頃，無水沼澤面積為48942.45公頃。實驗分析表明，SVM是濕地遙感分類的有效手段。
獲獎情況
- 論文已被IEEE ICCDA2011正式錄用。 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)
鑒定結(jié)果
- 論文屬于國內(nèi)高質(zhì)量、高水平學術論文，達到參賽資格。
參考文獻
- [1] ?zesmi, 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 Classi?cation for Remote Sensing[J]. Math Geosci, 2008, 3(40): 409~424. [3] 張睿，馬建文.支持向量機在遙感數(shù)據(jù)分類中的應用新進展[J]. 地球科學進展, 2009, 24(5): 555~562. [4] 基于支持向量機的遙感影像濕地信息提取研究[J]. 計算機應用研究, 2008, 25(4):989~991.
同類課題研究水平概述
- 支持向量機(support vector machine,簡稱SVM)是一種新型的數(shù)據(jù)挖掘方法，廣泛地應用于模式識別和機器學習。在遙感領域，國內(nèi)已有學者采用支持向量機方法對黃河中上游濕地進行了信息提取，國外也曾有學者利用支持向量機進行了土地利用分類，并考慮了訓練樣本數(shù)量的影響，但均未綜合地解決濕地樣本數(shù)量少對分類帶來的影響。本文采用支持向量機分類方法(SVM)對濕地遙感進行了分類研究，較深入地探討了特征維度與樣本數(shù)量對分類結(jié)果的影響，并同傳統(tǒng)的最大似然分類方法(MLC)進行了對比，實現(xiàn)了濕地遙感的自動分類與智能提取，為濕地監(jiān)測與保護提供了決策支持。 國家自然科學基金項目“基于粗集的多源遙感濕地空間分類知識發(fā)現(xiàn)研究（項目編號：40871188）”（2009-2011），項目主持人張樹清，經(jīng)費40萬元。該項目有關空間數(shù)據(jù)挖掘方面所做的研究工作為本項目多源遙感數(shù)據(jù)空間分類方面奠定了堅實的基礎。
