基于随机森林模型的景观格局动态研究——以合肥市包河区为例

以合肥市包河区作为主要研究区域,结合2011年和2016年2期Google Earth高分辨率遥感影像,采用近几年流行的多分类器集成方案中的随机森林模型进行基于像元的监督分类,并以此为数据基础进行景观格局指数的提取,从而对合肥市包河区进行景观格局变化分析。其中,2011年和2016年2期遥感影像分类总体精度分别为81%和82%,能够满足景观格局分析的基本要求。实验结果表明,2011-2016年间绿地、裸地和水域几类均表现为减少趋势,建筑用地和农耕用地大量增加。耕地一直是合肥市包河区的优势景观类型,但是这5年间,其斑块密度、分散指数等几类指数呈现增加趋势,表明其正处于被蚕食分割的状态之下,景观破碎化严重。各类景观类型的形状均趋于复杂化,且正处于破碎化状态。有些绿地斑块的消失,使得绿地斑块逐渐呈现出整体性,这也归功于合肥市近几年绿化措施的有效执行。建筑用地逐渐由西北和中部向东南方向移动,体现出合肥市包河区近几年滨湖新区的建设和发展迅速。

基于高度角的GPS单点定位随机模型研究

GPS单点定位精度与误差方程的权矩阵相关,合理的定权随机模型能够提高定位精度。目前在用伪距法绝对定位方法解算测站坐标中,定权标准并不统一。通过对基于高度角的GPS单点定位定权随机模型进行研究分析,提出一种新的随机模型,以提高静态单点定位精度。

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。