基于深度学习的湖泊湿地信息提取及时空演变特征研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-21页 |
| 1.1 选题背景与意义 | 第11-13页 |
| 1.2 国内外研究现状及趋势 | 第13-19页 |
| 1.2.1 湿地遥感监测 | 第13-15页 |
| 1.2.2 湿地提取方法 | 第15-17页 |
| 1.2.3 基于深度学习的信息提取方法 | 第17-18页 |
| 1.2.4 湿地时空演化分析方法 | 第18-19页 |
| 1.3 研究内容 | 第19-20页 |
| 1.4 论文组织结构 | 第20-21页 |
| 2 研究区及数据预处理 | 第21-31页 |
| 2.1 研究区概况及数据源 | 第21-24页 |
| 2.1.1 研究区域概况 | 第21-22页 |
| 2.1.2 数据源 | 第22-24页 |
| 2.2 遥感影像数据预处理 | 第24-26页 |
| 2.2.1 辐射定标 | 第24-25页 |
| 2.2.2 大气校正 | 第25页 |
| 2.2.3 几何校正 | 第25-26页 |
| 2.2.4 图像裁剪 | 第26页 |
| 2.3 训练样本数据集 | 第26-29页 |
| 2.3.1 建立影像解译标志 | 第26-28页 |
| 2.3.2 训练样本选取 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 湿地信息提取常用方法 | 第31-43页 |
| 3.1 最小距离法 | 第31-33页 |
| 3.2 最大似然法 | 第33-35页 |
| 3.3 支持向量机法 | 第35-37页 |
| 3.4 面向对象法 | 第37-39页 |
| 3.5 决策树分类法 | 第39-41页 |
| 3.6 本章小结 | 第41-43页 |
| 4 基于深度学习的湿地信息提取 | 第43-61页 |
| 4.1 深度学习与卷积神经网络 | 第44-50页 |
| 4.1.1 卷积层 | 第46页 |
| 4.1.2 子采样层 | 第46-47页 |
| 4.1.3 多尺度卷积神经网络 | 第47-48页 |
| 4.1.4 基于多尺度卷积神经网络分类 | 第48-50页 |
| 4.2 基于卷积神经网络的湖泊湿地信息提取 | 第50-57页 |
| 4.2.1 NDWI指数计算 | 第50-51页 |
| 4.2.2 缨帽变换 | 第51-52页 |
| 4.2.3 FNEA分割 | 第52页 |
| 4.2.4 深度卷积神经网络模型 | 第52-55页 |
| 4.2.5 联合估计模型 | 第55-57页 |
| 4.3 实验与分析 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 湖泊湿地时空演变特征研究 | 第61-69页 |
| 5.1 湿地时空变化 | 第62-64页 |
| 5.2 湿地景观格局分析及驱动力分析 | 第64-67页 |
| 5.2.1 景观指数分析 | 第64-66页 |
| 5.2.2 驱动力分析 | 第66-67页 |
| 5.3 湖泊湿地保护建议 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 本文总结 | 第69页 |
| 6.2 研究展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间完成成果 | 第77页 |
