| 摘要 | 第5-7页 |
| Abstract | 第7-10页 |
| 第一章绪论 | 第10-20页 |
| 1.1研究背景与意义 | 第10-11页 |
| 1.2国内外研究现状 | 第11-16页 |
| 1.2.1水体信息提取中常用遥感数据源 | 第12-13页 |
| 1.2.2传统的遥感影像水体提取方法分析 | 第13-14页 |
| 1.2.3深度学习图像分割算法研究现状 | 第14-16页 |
| 1.2.4现状总结与分析 | 第16页 |
| 1.3论文研究内容 | 第16-18页 |
| 1.4论文章节安排 | 第18-20页 |
| 第二章研究区概况、数据与方法 | 第20-31页 |
| 2.1研究区概况 | 第20-21页 |
| 2.2数据 | 第21-23页 |
| 2.2.1数据介绍 | 第21-22页 |
| 2.2.2数据预处理 | 第22-23页 |
| 2.3方法介绍 | 第23-29页 |
| 2.3.1传统水体提取方法 | 第23-25页 |
| 2.3.2卷积神经网络 | 第25-26页 |
| 2.3.3膨胀卷积 | 第26-27页 |
| 2.3.4网络结构发展 | 第27-29页 |
| 2.4评价指标介绍 | 第29-31页 |
| 第三章基于Xception的高分一号水体识别 | 第31-41页 |
| 3.1引言 | 第31页 |
| 3.2提出的算法 | 第31-35页 |
| 3.3实验结果与分析 | 第35-39页 |
| 3.4本章小结 | 第39-41页 |
| 第四章基于DenseNet的高分一号水体识别 | 第41-53页 |
| 4.1引言 | 第41页 |
| 4.2算法优化 | 第41-44页 |
| 4.3实验与分析 | 第44-51页 |
| 4.3.1DenseNet网络识别结果 | 第44-45页 |
| 4.3.2DenseNet,ResNet,VGG,SegNet和DeepLabv3+模型的工作效率 | 第45-47页 |
| 4.3.3识别结果对比 | 第47-51页 |
| 4.4本章小结 | 第51-53页 |
| 第五章鄱阳湖地区水体面积变化及洪涝灾害分析 | 第53-61页 |
| 5.1引言 | 第53页 |
| 5.2鄱阳湖地区水体面积变化 | 第53-55页 |
| 5.3洪涝灾害事件识别与分析 | 第55-60页 |
| 5.4本章小结 | 第60-61页 |
| 第六章总结与展望 | 第61-63页 |
| 6.1主要结论 | 第61页 |
| 6.2创新点 | 第61-62页 |
| 6.3讨论与展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-74页 |
| 研究生期间完成的科研情况 | 第74页 |