自适应遗传超平面分类算法及遥感应用
遥感分类作为遥感数据应用的基础与关键，其分类精度的提高对快速、准确获取地表环境变化信息具有理论与实际意义。传统的遥感自动分类方法由于受数据的复杂性、分类器本身的局限性等多方面因素影响，其分类精度尚不能满足实际生产的要求。而人工智能方法的全局寻优性、自我反馈学习、自适应等特点，为解决复杂数据结构的遥感影像分类提供了新思路与途径。本文在遗传超平面分类算法实验分析的基础上，发现遗传超平面分类算法参数设定操作复杂、收敛慢、易陷入局部最优等缺陷，提出了自适应遗传超平面分类算法，并以长株潭城市群区域的多期遥感数据进行分类算法验证与应用分析，取得了以下成果: (1)提出自适应遗传超平面分类算法（HP-IAGA，ImprovementAdaptive Gentic Algorithm Hyperplane），该算法引入了sigmiod函数对遗传参数进行非线性自适应性调整，无需反复训练设定，简化了算法操作，同时适应度值的正反馈机制使优秀个体生存能力更强，提高了算法的全局寻优能力及进化收敛速度。改进后的算法能更快、更稳定可靠地挖掘超平面分类规则。 (2)以长株潭城市群区域为实验区的多期遥感数据分类验证了自适应遗传超平面分类算法的有效性，多期遥感数据分类精度均达85％以上，相对于简单遗传超平面分类、决策树分类以及最大似然法分类，其分类精度有明显的提高。 (3)自适应遗传超平面分类算法的遥感应用研究，有效获取了长株潭城市群区域土地利用/覆盖类型，揭示了研究区土地覆盖类型的变化过程。近十五年来，长株潭三市的城区不断扩张，建设用地处于较高地增长趋势;开发用地作为其他地类转移为建设用地的中间过程状态，其新增速率与转移速率一直处于较高水平，面积波动较大。林地初期减少速率较快，后期有所减缓，说明生态保护初见成效。
遥感影像;超平面分类算法;自适应性;长株潭城市群;土地利用/覆盖
中南大学
硕士
摄影测量与遥感
曾永年
2013
中文
TP751
66
2013-12-31（万方平台首次上网日期，不代表论文的发表时间）