论文部分内容阅读
利用遥感影像开展土地利用分类制图是遥感应用研究的重要内容，发展高、中分辨率影像高精度机器学习自动分类方法是当前遥感影像分类领域的研究热点和重要方向;研发新型土地利用人工智能分类模型应用于国产GF-1、HJ-1号卫星影像土地分类，可为自然资源、生态环境、水利等管理部门及科研行业提供高精度数据支撑，开展基于分段粒子群卷积神经网络的遥感影像分类研究研究具有重要的科学意义和应用价值。因此，本文尝试将改进的粒子群算法与神经网络结合，构建分段粒子群卷积神经网络模型，并将其应用于国产遥感影像土地分类实验。本文主要研究内容、方法及取得的成果如下: (1)分段粒子群优化算法构建。针对粒子群算法存在的问题和不足，对传统粒子群算法进行了改进，提出了分段粒子群算法，并对分段粒子群算法进行了仿真实验，仿真实验结果表明，分段粒子群算法明显优于传统的粒子群算法。 (2)分段粒子群卷积神经网络构建。用新提出的分段粒子群优化算法分别同全连接神经网络和卷积神经网络模型结合，构建了分段粒子群全连接神经网络和分段粒子群卷积神经网络模型，对他们的模型架构、复杂度控制、参数更新等方面进行了重新设计，进而分析了分段粒子群神经网络模型的优势。 (3)高空间分辨率遥感影像分类实验。选择3个高分辨率影像实验区作为实验研究对象开展了分段粒子群卷积神经网络GF-1号卫星遥感影像土地分类实验;实验表明分段粒子群卷积神经网络在国产高分辨率遥感影像分类上取得了较高的精度和较好的一致性。3个实验区分段粒子群卷积神经网络总精度比分段粒子群全连接神经网络分别高1.9％、0.1％、2.2％，比支持向量机分别高5.9％、0.3％、4.6％;分段粒子群卷积神经网络Kappa系数比分段粒子群全连接神经网络分别高0.025、0.005、0.031，比支持向量机模型分别高0.082、0.003、0.064;在高分辨率遥感影像分类上，分段粒子群卷积神经网络明显优于支持向量机模型和分段粒子群全连接神经网络模型。 (4)中空间分辨率遥感影像分类实验。选择1个中分辨率影像实验区作为实验研究对象开展了分段粒子群卷积神经网络HJ-1号卫星遥感影像土地实验研究;实验表明分段粒子群卷积神经网络在中空间分辨率遥感影像分类上取得了较高的精度和较好的一致性。分段粒子群卷积神经网络总精度比分段粒子群全连接神经网络分别高4.5％，比支持向量机分别高6.4％;分段粒子群卷积神经网络Kappa系数比分段粒子群全连接神经网络分别高0.06，比支持向量机模型分别高0.086;在中空间分辨率遥感影像分类上，分段粒子群卷积神经网络明显优于支持向量机模型和分段粒子群全连接神经网络模型。