一种集成SVM的多源数据城区提取方法

摘要

大尺度（即区域至全球范围）精细的城区图（包括城市区域的位置和范围）对环境监测、政策制定、生物多样性和栖息地保护等具有重要的意义。目前，已有一些大尺度城区图被生产出来。监督分类是一种常见的机器学习方法，因其可以在训练样本中获得先验知识，常常精度较高，是目前大尺度城区制图的主流方法之一。另外，数据融合方法因其可综合多源数据，具有很强的鲁棒性，也被常用于大尺度城区提取上。然而，为了高效率地获取精细可靠的大尺度城区图，一些挑战仍需要应对:1）昂贵的训练样本收集过程;2）低效的多源数据信息使用;3)多样的城区特征（如:形状、大小、物理环境以及社会经济状态）。 因此，本文为了有效地获取大尺度精确的城区图，我们提出了一种新颖的集成SVM方法去应对这三个挑战。该方法包含以下几步:1）自动化的训练数据生成来减少人力物力花费;2）集成SVM模型的构建来有效地联合多源数据（包括遥感和社会经济数据）;3）基于斑块的自适应阈值技术的使用来应对多样化的城区特征。 为了测试我们方法的有效性，本文选择了中国作为研究区域。中国有着多样性的气候、不平衡的人口经济状态，因此选用中国作为研究区域对于大尺度城区提取而言是有挑战性、代表性和重大意义的。研究中，本文设计的新颖的集成SVM方法被用于了2005和2010年的中国城区制图。为了验证我们生产出的最终城区图的精度，本文将287个地级市的结果图与主流的城区产品以及随机森林和神经网络算法生产出来的城区结果进行了对比。比较结果表明，无论是从定量精度评价上还是可视化的定性城区范围展示上，我们的方法始终能够获得最优的结果。精度kappa在不同城市等级上有着明显的提升，即使是在具有极大挑战性的小城市上，我们的方法也有着明显的优势。 最后，为了更加深入地讨论本文提出的方法的有效性和必要性，几个比较重要的问题被讨论和证明:1）我们自动方法生成的样本质量较优;2）综合多源数据（包括遥感数据和社会经济数据）具有重要意义以及我们的方法较好地利用了多源数据信息;3）采用基于斑块的自适应阈值技术能够应对城区异质性问题;4)算法的时间消耗在可接受范围内;5）本文提出的集成SVM方法有较强的迁移能力，能够较好地应用在其他区域（文中以全美制图为例）。

目录

声明

摘要

第一章绪论

1．1研究背景与意义

1．2国内外研究现状与问题

1．2．1国内外研究现状

1．2．2研究现状存在的问题

1．3本论文的研究内容及章节安排

1．3．1研究内容

1．3．2章节安排

第二章大尺度城区制图相关知识

2．1概述

2．2训练样本产生

2．3分类器

2．3．1随机森林

2．3．2神经网络

2．3．3支持向量机

2．4本章小结

第三章集成SVM的多源城区提取方法

3．1方法概述

3．2自动样本产生

3．3集成SVM模型构建

3．4基于斑块的自适应阈值

3．5本章小结

第四章实验数据与结果

4．1研究区域及数据源

4．1．1研究区域

4．1．2数据源

4．2实验安排

4．3实验结果

4．4本章小结

第五章实验对比与分析

5．1实验结果比较

5．2实验方法的有效性

5．2．1自动化的样本生成

5．2．2多源数据集成

5．2．3基于斑块的自适应阈值

5．2．4算法代价

5．2．5美国区域

5．3本章小结

第六章总结和展望

6．2研究展望

参考文献

研究生期间学术成果

致谢