项目名称: 遥感分类中的尺度效应机理与多尺度遥感数据分类方法研究

项目编号: No.40871161

项目类型: 面上项目

立项/批准年度: 2009

项目学科: 金属学与金属工艺

项目作者: 柏延臣

作者单位: 北京师范大学

项目金额: 40万元

中文摘要: 多分辨率的遥感数据在为使用者提供了更多数据选择的同时,也提出了不同分辨率遥感数据专题分类中的尺度效应问题、尺度选择问题和综合多尺度遥感数据提高分类精度的问题。本项目针对遥感数据分类中尺度效应的机理,通过模拟研究建立了具有代表性的遥感分类尺度效应机理模型;针对粗分辨率条件下亚像元尺度空间格局对尺度效应的影响,利用逻辑回归建立了同时考虑像元和亚像元尺度空间格局的尺度效应模型;针对遥感数据分类中的最有尺度选择问题,发展了基于信息熵的最有尺度选择方法;在综合多尺度遥感数据进行分类的方法方面,提出了基于单一尺度数据分类不确定性信息,自下而上集成决策的多尺度分类算法,并针对多尺度分类中数据分辨率的选择问题,提出了在对高分辨率数据进行分割统计基础上优化选择多尺度数据,再进行多尺度分类的策略;在景观格局对遥感数据分类尺度效应影响研究的基础上,提出了基于景观格局的超分辨率制图方法。通过和国外已有的经典方法对比,检验了本方法的有效性,并将其用于真实遥感数据的超分辨率制图。

中文关键词: 尺度效应;景观结构;多尺度分类;不确定性;超分辨率制图

英文摘要: The scale is one of the fundmental issues in remote sensing data classification. This project focus on modeling the mechanisms of scale effect in remote sensing data classification, the method to selecting appropriate resolution for optimal classification, and the method to integrating multi-resolution remeote sensing data for land cover classification. we developed a landscape pattern based model by using the simulated multi-pattern remote sensing data and the multivariable stepwise regression analysis. To incoporate the spatial structure at both pixel scale and sub-pixel scale,we developed a logistic regression model that can predict the classification uncertainty at any spatial resolution. A entropy based method was developed to select the appropriate spatial resolution of remote sensing data for land cover classification. As for the multi-resolution remote sensing data classification method, we developed a uncertainty based method which can integrating multiple classification at any scale based on their uncertainties by the top-down integrating way. For optimally select the resolutions of remote sensing data for multi-resolution remote sensing data classification, we developed a strategy that determining the candidate resolutions by segment the high resolution data and explore the size distribution of the segments. In addition, we developed landscape pattern based super-resolution mapping method. Comparison with existing methods revealed the superority of our method in both 2-class and multi-class super-resolution mapping.

英文关键词: Scale effect; Landscape Structure; Multi-resolution Classification; Uncertainty; super-resolution mapping

成为VIP会员查看完整内容
0

相关内容

基于表格数据的深度学习方法
专知会员服务
37+阅读 · 2021年10月19日
专知会员服务
59+阅读 · 2021年5月11日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
52+阅读 · 2021年3月22日
图像分割方法综述
专知会员服务
54+阅读 · 2020年11月22日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
【文献综述】图像分割综述,224篇参考文献,附58页PDF
专知会员服务
119+阅读 · 2019年6月16日
解决小目标检测!多尺度方法汇总
极市平台
2+阅读 · 2021年8月28日
基于深度学习的小目标检测方法综述
专知
1+阅读 · 2021年4月29日
基于深度学习的数据融合方法研究综述
专知
31+阅读 · 2020年12月10日
总结-CNN中的目标多尺度处理
极市平台
17+阅读 · 2019年7月24日
基于深度学习的图像目标检测(下)
机器学习研究会
12+阅读 · 2018年1月1日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
1+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月14日
Disentangled Information Bottleneck
Arxiv
12+阅读 · 2020年12月22日
Meta-Transfer Learning for Zero-Shot Super-Resolution
Arxiv
43+阅读 · 2020年2月27日
小贴士
相关VIP内容
基于表格数据的深度学习方法
专知会员服务
37+阅读 · 2021年10月19日
专知会员服务
59+阅读 · 2021年5月11日
专知会员服务
121+阅读 · 2021年4月29日
专知会员服务
52+阅读 · 2021年3月22日
图像分割方法综述
专知会员服务
54+阅读 · 2020年11月22日
基于深度学习的表面缺陷检测方法综述
专知会员服务
85+阅读 · 2020年5月31日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
【文献综述】图像分割综述,224篇参考文献,附58页PDF
专知会员服务
119+阅读 · 2019年6月16日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员