一、TM遥感图像中居民点的自动提取（论文文献综述）
陈晓鹏[1]（2021）在《基于卷积神经网络的农村居民点提取方法及时空变化特征研究》文中指出随着城市化进程的加快,我国农村出现了人口下降但农村居民点面积增加的现象,农村人地关系愈发失调。为此,各地积极推进农村土地综合整治工作,我国农村居民点,尤其是东部沿海地区,正经历着快速的变化。而实时快速地了解农村居民点的数量、分布及时空变化特征,对提高农村土地利用效率、优化农村居民点空间结构、统筹城乡可持续发展具有重要意义。航天技术的快速发展和先进卫星传感器的发射升空带动着遥感领域迈进“大数据”时代,同时深度学习技术的崛起,为农村居民点的快速精确提取提供了全新的技术支持。本文以位于浙北平原的桐乡市为研究区,通过人工标注2012年和2018年两个时期的高分辨率遥感影像分别构建农村居民点提取数据集。并基于经典卷积神经网络Deep Lab v3+,通过在编码区引入双注意力机制模块,在解码区使用逐层特征融合的解码结构进行改进优化,构建农村居民点提取模型。通过实验对比,证明优化后的模型能提高农村居民点提取精度。随后应用该模型提取桐乡市2012年和2018年的农村居民点信息,并从面积规模、空间分布、土地利用等方面对2012-2018年桐乡市农村居民点时空变化特征及影响因素进行分析。本文的主要研究内容和研究结果包括:（1）农村居民点提取数据集的构建。对桐乡市空间分辨率为0.5米和1米的两期遥感影像进行人工标注,标注面积共304km2,将其切割成大小为512×512像素的样本后对训练集部分进行数据增强操作,最终分别得到38400张和9600张样本,作为农村居民点提取数据集,用于模型训练和验证。（2）基于改进Deep Lab v3+网络的农村居民点提取模型构建。一方面针对原有网络普遍存在的对于全局信息利用的不足,在网络编码区引入双注意力机制模块,使模型能更有效地捕获长距离上下文信息,提高模型特征提取能力;另一方面针对Deep Lab v3+网络解码区结构相对简单的不足,使用逐层特征融合的解码方式,增强模型对浅层特征的利用能力,增强细节特征的恢复。最终基于上述两方面的改进完成农村居民点提取模型的构建。（3）模型有效性验证和桐乡市农村居民点提取。基于构建的数据集进行一系列对比实验,结果表明双注意力机制模块能提高模型的农村居民点提取精度,其中并联结构的提升最大;同时,逐层特征融合的优化解码区结构能增强模型的空间信息恢复能力,对边界提取更加准确。另外,在与FCN-8s、U-Net、Deep Lab v3+等经典网络的比较中,本文模型均取得了最佳的表现,在两个数据集上的PA、F1、Io U分别达到了98.23%、86.45%、75.54%和98.26%、85.59%、74.81%。这进一步证明了本文基于引入双注意力机制模块的编码区优化和使用逐层特征融合的解码区优化方法是有效的。在此基础上,应用该模型提取了2012年和2018年桐乡市农村居民点信息。（4）农村居民点时空变化特征与影响因素分析。基于提取的2012年和2018年桐乡市农村居民点信息,从面积规模、空间分布、土地利用等方面进行时空变化特征分析,并初步分析其影响因素。研究结果表明:桐乡市2012-2018年农村居民点整体规模减少,建设用地由农村往城镇迁移;分布密度呈现地域差异,西南部高东部低;新增农村居民点以中心城区西部和北部为主,且呈点状增加,缩减的农村居民点以中心城区周边为多,其余部分分布较均匀,且多分布散乱;农村居民点呈集聚分布趋势,且集聚程度仍在增加;减少的农居点多数被复垦成了耕地,耕地动态平衡得以实现,同时通过土地整治,使得破碎的耕地更加连片化、规模化。政策因素是影响桐乡市农村居民点空间分布及演变的主要因素,区位因素和人口因素也对农村居民点分布产生了较大影响。
卢涛[2]（2021）在《滇东喀斯特地区石漠化时空演化特征及其驱动机制研究 ——以曲靖市为例》文中进行了进一步梳理喀斯特石漠化作为一种极端的土地退化现象,是中国西南喀斯特地区社会经济与生态环境交织最为突出的问题之一,亦是学界长期以来研究的热点和难点问题。如何科学认识喀斯特石漠化时空演化特征及其驱动机理,是开展石漠化治理的首要前提和关键。曲靖市地处珠江上游,生态区位特殊,喀斯特石漠化的广泛发育,不仅削弱了珠江上游水源涵养能力,严重阻碍曲靖市生态文明建设和社会经济发展进程,还对珠江流域下游生态安全构成了潜在威胁。因此,准确识别并揭示石漠化在长时间线上的时空动态演化规律,定量揭示喀斯特自然环境与人类活动因素及其交互作用对石漠化发育演化的驱动机制,对于开展石漠化综合治理和促进喀斯特生态环境的改善至关重要。基于此,本文选取1987-2020年Landsat TM/OLI数据集作为主要数据源,选取石漠化程度评价的关键指标并对石漠化信息提取技术进行探讨,提取了曲靖市1987-2020年的石漠化时空分布信息。从石漠化的演变速率、方向和规模等方面入手,进一步定量刻画曲靖市1987-2020年石漠化的时空演化特征及规律。最后结合气象数据、社会经济统计数据等多源数据,从人为因素和自然因素两方面选取可能影响石漠化发育演化的相关驱动因子,采用地理探测器模型进行逐年探测并定量分析影响曲靖市石漠化发育演化的驱动力因子及其相互关系。主要研究内容及结论如下:（1）基于Landsat TM/OLI数据的喀斯特石漠化信息提取技术研究。以基岩裸露率、植被覆盖度和坡度作为石漠化程度评价的关键指标,结合Google Earth高分影像确定不同石漠化程度的解译标志和影像特征,探讨了曲靖市石漠化分级方法并将石漠化等级划分为无、潜在、轻度、中度、重度和极度石漠化6个等级。采用决策树分类方法,结合各评价指标阈值提取了曲靖市1987-2020年的石漠化时空分布信息并进行精度评价,总体精度82.50%,Kappa系数0.771。（2）曲靖市石漠化时空演化特征研究。1987-2008年间曲靖市石漠化主要由低级向高级转移,恶化程度加剧,主要受超负荷、不合理的人类活动的影响;2008-2020年间,石漠化主要受自然灾害影响,部分区域石漠化出现恶化现象,但在总体上研究区石漠化向良性方向发展,生态环境逐渐恢复。曲靖市石漠化主要分布在会泽县、富源县、罗平县、师宗县及陆良县及其交界处,其面积减幅较缓。潜在和轻度石漠化具有高度不稳定性,极易向更高等级石漠化转移,在石漠化综合治理过程中应引起重视。（3）曲靖市石漠化时空演化驱动因子逐年探测分析。近30年来影响曲靖市石漠化发育演化的主要驱动力因子是农业总产值（0.221-0.281）、总人口（0.201-0.232）和耕地面积（0.213-0.216）,其q值均在0.20-0.28上下波动;人均GDP、总人口、人口密度以及距居民点距离等因子对石漠化的解释力逐渐减小,表明该类因子对曲靖市石漠化的影响程度逐渐减弱;而距公路的距离、年均气温以及高程等因子q值逐渐增大,表明石漠化的发育演化受该类因子的影响逐渐趋于增强。（4）石漠化时空演化驱动因子交互作用探测分析。探测结果表明:坡度∩耕地面积（q=0.465）>耕地面积∩总人口（q=0.374）>耕地面积∩人口密度（q=0.302）>年均降水∩坡度（q=0.283）>耕地面积∩距居民点距离（q=0.278）。其中坡度、年均降水与距居民点距离之间的交互作用表现为非线性增强,人口密度、耕地面积与农业总产值之间的交互作用则是双因子增强,表明坡度、年均降水与距居民点距离因子通过与耕地面积、人口密度等因子的交互作用更能增强对石漠化发育演化的影响,喀斯特石漠化的发生发展过程是多种驱动因素交互作用的结果。
张玄[3]（2021）在《基于遥感和GIS的聚落信息提取及应用研究 ——以遂宁市安居区为例》文中提出随着时代的发展,各类不同分辨率遥感卫星的发展突飞猛进,由于图像空间分辨率不断提高、图像获取能力逐渐增强、图像现状较好等原因,遥感影像也开始广泛服务于各行业。同时随着科技的不断进步,从各类影像数据源中用自动化的方法有效地提取地物信息也成了研究的热点问题。聚落作为人类进行生产、生活等各种社会活动的中心,对聚落分布情况进行提取可以直观的了解当地聚落的空间分布状况,为当地城镇化的建设与聚落的空间分布格局优化提供一定的参考。本文基于GF-1遥感影像和Sentinel-2遥感影像以遂宁市安居区为研究对象,对安居区的聚落信息进行了提取研究,主要研究成果如下:（1）在eCognition软件的基础上对影像分割的方法与技术进行了探讨,对比了几种影像分割的方法,根据研究目的选择多尺度分割的方法进行分割,再借助ESP尺度评价方法分别对两种影像分别的最适宜分割参数进行分析与选择,最终根据分析结果为两种影像分别设计了不同的分层分割体系。（2）通过分别对两种影像内部各类地物的光谱特征、光谱衍生特征、形状特征以及纹理特征进行了知识发现并建立了地物特征知识库,基于该地物特征知识库分别构建了研究区的GF-1和Sentinel-2遥感影像的分类提取体系,将该提取体系应用于整个安居区的同源影像上验证其可行性,并用于对地物的识别提取。（3）对比了面向对象的分类提取方法、面向样本的分类提取方法以及cart分类器方法的分类提取结果,分别分析了其优劣性与提取精度,发现面向对象的分类方法效果最优,因此最终选择使用面向对象的分类方法进行聚落信息提取。（4）对分类提取结果的精度进行计算与评价,得到GF-1和Sentinel-2的地物提取精度分别为91.28%与85.40%。将提取结果进行对比分析,从用途上来看GF-1影像上进行分类提取的结果更适合于对聚落内部的结构构成进行分析,Sentinel-2影像更适合于进行多年间聚落扩展情况研究以及进行聚落空间分布现状的研究,并且成本比使用GF-1影像更低更低。（5）将提取的结果结合DEM数据对安居区聚落的空间分布特征进行分析,发现了安居区行政范围内的聚落主要分布在高程为258m-392m之间,其面积占整个安居区聚落总面积的97.39%,占该级高程总面积的16.04%;与此同时安居区的聚落主要分布在坡度2°～15°的范围内,该坡度范围的聚落面积占安居区聚落总面积的85.54%,占该级坡度总面积的18.05%。除此之外安居区仍有部分聚落坐落在坡度较陡的区域和高程较高的地方,有较大的安全隐患,应对其进行合理的优化。
张浩伟[4]（2020）在《矿山地表沉陷区域特征描述与高分辨率遥感影像识别》文中提出矿山开采引发地面沉降、地面塌陷、滑坡、崩塌、地裂缝等不同类型的地面灾害,使矿区居民地、建构筑物、水资源、土地资源等受到不同程度的破坏和影响,严重制约着矿区的生态环境和可持续发展。近年来,高分辨率对地观测技术飞速发展,已在矿区土地利用、环境和地质灾害监测管理等方面发挥了越来越重要的作用。研究矿山地表沉陷区内典型塌陷目标在高分辨率遥感影像上的几何、纹理、光谱、上下文等影像特征,实现矿山地表沉陷区场景中典型塌陷目标的检测和识别,有助于矿区地表沉陷区的场景理解,对矿山地表沉陷区的地质灾害监测调查以及恢复治理工作具有一定的参考价值。归纳了矿山地表沉陷区内由采煤沉陷引发的典型地表现象,主要包括不同规模和形态的塌陷、地裂缝、崩塌和滑坡等地面灾害,以及居民点搬迁或分布异常、植被退化或植被类型发生改变、土地退化等地表变化,并对其在高分辨率遥感影像上的影像特征进行描述。选取山西省朔州市平朔矿区井工一矿塌陷区为研究区域,通过实地调查获取现场信息,对典型塌陷目标特征进行描述,在该区域无人机遥感影像上对该塌陷区内的地裂缝、塌陷槽、塌陷坑和崩塌等塌陷类型进行解译和分析。应用研究区的无人机遥感影像,分别选取地裂缝、槽形塌陷、不同大小的塌陷坑、崩塌、道路污染以及采煤沉陷复垦区的影像样本,对其灰度统计量和颜色直方图等颜色特征和长宽比、紧凑度、矩形度和形状指数等形状特征进行提取分析。组合霍夫变换、阴影检测和Harris角点检测方法,实现塌陷区典型塌陷目标的检测。该组合方法首先采用霍夫变换的方法对塌陷坑和槽形塌陷区的边缘形状曲线进行检测,然后采用阴影检测方法对其内部区域进行提取,再采用Harris角点检测方法在图像中定位局部特征点,并对提取出的特征点分布进行分析。结果表明,该组合方法对塌陷坑和槽形塌陷区域的目标检测具有较好的应用效果。但该组合方法也有一定的局限性,对于采煤沉陷区不同边缘形状塌陷目标,需要建立不同的形状检测模板,对塌陷目标内部区域的提取也只有当太阳高度角较小且塌陷的形成时间较短时,检测效果更好。将论文用到的图像特征提取算法进行打包整理,并添加其他算法,开发图像特征提取软件。该图像特征提取软件的功能主要包括颜色统计量特征提取、颜色直方图、LBP纹理特征提取、Harris角点检测、阴影检测、FAST特征提取、SURF特征提取、霍夫直线检测、霍夫圆检测、Canny边缘检测、Sobel边缘检测、高斯拉普拉斯（LOG）边缘检测和Prewitt边缘检测。
李庆[5]（2020）在《基于深度学习的尾矿库自动识别方法及应用研究》文中进行了进一步梳理我国尾矿库数量巨大,加之近年来各种人为和自然因素,尾矿库事故频发,造成的危害及其严重。掌握尾矿库的数量及其分布情况,对预防尾矿库事故和开展尾矿库应急管理工作,具有重大意义。对尾矿库的识别与监测,传统的调查方法主要以地面调查为主,难以做到大范围高频次的检测。随着深度学习技术的发展,基于深度学习方法,实现遥感图像信息自动提取,在遥感领域已取得了显着成果。本文以尾矿库为研究目标,在分析遥感图像中尾矿库特点的基础上,利用深度学习目标检测的方法,实现尾矿库快速、高精度识别。本文主要内容如下:1.分析尾矿库在高分辨率遥感图像上的特征,从尾矿库类型、形状、大小、色调等不同方面,构建尾矿库遥感图像解译标志,为尾矿库样本标记提供依据;根据解译标志,制作适合训练的尾矿库样本,通过分区域反复迭代、预测、清洗的方式,首次制作完成了全国范围内的尾矿库样本集。2.针对原始SSD模型检测效果差的情况,结合实验硬件环境,统计分析样本集中尾矿库的尺度信息,对原始模型的超参数,数据增强、预设框、非极大值抑制等几何参数进行优化调整。实验结果表明:在相同的训练次数下,参数优化后模型的训练精度,均高于原始模型训练精度10%以上,参数优化后模型的最优精度为84%。预测时,在不同置信度阈值下,修改后模型的精确率和召回率,均高于原始模型;在最优置信度阈值下,修改后模型的精确率和召回率达到了90%和89%。3.利用最优模型和最优置信度阈值,对京津冀区域尾矿库进行自动识别,共识别出尾矿库2980座。利用已有尾矿库真值数据,对检测结果进行验证,结果表明检测结果均正确,真实性可靠。针对检测结果,利用VGG-16网络对尾矿库分类,得到三种尾矿库在京津冀的空间分布和数量,分类精度达到81.2%。利用核密度分析方法,结合山谷型尾矿库分类结果与居民点数据,对京津冀区域风险性评价,提升了尾矿库风险管理水平。
蒋红娟[6]（2020）在《基于高分遥感的石漠化发育特征与影响因素研究》文中进行了进一步梳理石漠化导致地表植被严重退化,土壤流失,基岩裸露或砾石堆积,呈现缺水、少土、土质贫瘠类似荒漠化的土地退化现象,造成土地承载力下降甚至土地资源丧失。因此,研究石漠化的发育特征与影响因素迫在眉睫。本研究以云南省文山州西畴县兴街镇为研究对象,以1990年、2003年的Landsat5 TM影像和2015年的高分二号影像为基础,分析光谱特征解译和提取石漠化信息,获取研究区3个时期石漠化等级分布。在此基础上,分析石漠化的数量特征、空间分布特征和演变特征,研究影响因素与石漠化之间的相关性,进一步探讨石漠化的影响规律,为研究区石漠化调查和治理提供科学准确的参考依据。本论文的主要研究成果包括:（1）采用基于样本面向对象的图像分类技术,对1990年、2003年的Landsat5TM影像和2015年高分二号影像解译提取石漠化信息,确定石漠化等级划分体系为无石漠化、潜在石漠化、轻度石漠化、中度石漠化、重度石漠化、极重度石漠化6类。经精度评价3个时期的石漠化分类结果的准确率在80%以上,形成研究区石漠化影像特征和解译标志。（2）通过对石漠化发育程度和分布特征分析得出,兴街镇主要以轻度、中度石漠化为主,占全区石漠化总面积的89%以上;主要分布在该镇南部和西北部地区,包括老街、拉孩和三光村委会在内的南部和以磨合村委会为中心的西北部石漠化多发区。（3）研究石漠化演变特征表明,1990-2003年,研究区石漠化面积增加,程度加重,石漠化速度及动态度高。2003-2015年,在《退耕还林条例》实施以及对严重石漠化区土地整治综合治理下,中度、重度和极重度石漠化面积减少明显。石漠化演变存在加剧型、严重加剧型、稳定型、轻微改善型和明显改善型5个类型,表现出以渐进式演变特征为主,突变式演变特征为辅的演变规律。（4）石漠化与自然因素、人类活动因素研究得出:石漠化主要集中分布于以灰岩、白云岩为主的碳酸盐岩区和断层带内,主要分布于海拔1100～1300m,坡度15゜～25゜的坡地上,山坡区的石漠化发生率较高。道路缓冲区距离在1000～2000m时石漠化发生率达到最大,80%的石漠化土地分布于居民点稀疏地区,石漠化土地多出现于旱地、稀疏林地和草地、裸地以及采矿用地等。
张英[7]（2019）在《高山峡谷区农村居民点信息提取与布局优化研究 ——以茂县东兴镇为例》文中研究说明利用遥感和GIS技术,研究高山峡谷区农村居民点的信息提取与布局优化,对其土地整理、精准扶贫移民搬迁、新农村建设和乡村振兴发展具有重要意义。本文以茂县东兴镇为研究区,以Landsat8、Sentinel2、GF-1遥感影像为数据源,采用面向对象方法,进行山区居民点识别提取研究,并对其进行适宜性评价和布局优化研究。本文主要研究内容及成果如下:（1）从光谱特征、遥感派生数据特征、纹理特征、几何特征及地形特征等方面研究不同遥感影像上的地物特征,建立居民点提取规则模型,实现研究区居民点提取。（2）采用分层随机采样法,混淆矩阵和Kappa系数对居民点提取结果进行精度评价。其结果表明:基于Landsat8、Sentinel2、GF-1遥感影像的居民点提取结果总体精度分别为75.77%、78.01%、85.40%。GF-1遥感影像在山区的居民点提取结果较为理想。修正后,可满足后续研究需求。（3）从东兴镇的地形、道路、河流和耕地等方面,引入地形位指数、景观分离度指数、分布指数,对其农村居民点现状分布特征进行分析。结果表明:东兴镇地形位指数位于[0.45,2.07]之间。其中,在[0.77,1.09]之间,农村居民点景观分离度较小、分布指数较大、分布面积较广,是居民点分布的优势区域。在对道路、河流、耕地距离分析中,东兴镇农村居民点面积分布随距道路和耕地距离的增加而减少,而河流对东兴镇居民点分布的影响较小。总体上,东兴镇农村居民点主要分布在海拔较低、坡度较小、距道路和耕地较近的区域。但其分布较为分散,空间分布形态较差。（4）从地形、区位、基础公共服务和居民点规模四个方面选取8个评价因子,利用AHP决策分析法计算其权重,建立东兴镇农村居民点适宜性评价指标体系。结果表明:从整体上看,东兴镇农村居民点分布适宜性在中部地区最高。越往北、南方向,其适宜性越低。在以村为单位的区域中,存在多种适宜分布区域及多种适宜性等级的居民点。适宜分布区、较适宜分布区和基本适宜分布区面积为39479945.04m2,占东兴镇土地总面积的48.38%;而分布在这三种适宜性区域的现状农村居民点面积为631248.66 m2,占东兴镇农村居民点面积的94.04%。对现状居民点而言,中等适宜性居民点数量最多、面积最大,面积为384729.49m2,比重为57.18%,说明该镇居民点具有较大的发展潜力。（5）结合农村居民点现状分析和适宜性评价结果,引入加权Voronoi图法,对东兴镇农村居民点布局进行了优化研究。东兴镇农村居民点的布局应以重点发展型为重点发展方向,以优先发展型为主要选址区域,充分挖掘内部整理型居民点潜力,拆迁合并型应向中级或高级居民点靠拢。
张鑫[8]（2019）在《川中丘陵区乡村聚落信息提取及空间格局分析 ——以三台县金石镇为例》文中研究说明精准扶贫、乡村振兴全面展开,准确、快速、经济地掌握乡村聚落的规模及空间分布情况,对于合理规划乡村聚落布局,有效利用农村土地,推动新农村建设具有重要的现实意义。本文以绵阳市三台县金石镇为例,基于高分二号（GF-2）、资源三号（ZY-3）、陆地卫星（Landsat-8）三种遥感影像,研究乡村聚落信息的分类提取,分析川中丘陵区乡村聚落的空间分布格局。主要研究内容与结论如下:（1）利用eCognition软件构建了研究区GF-2、ZY-3、Landsat-8三种影像分类提取的模型,精确地获得了研究区2015年的聚落分布信息。首先是分析三种影像,利用局部方差的变化率来选择最优分割尺度参数,建立多尺度的分割体系完成影像分割。其次,根据不同地类,选择多个样本分析对象单元的光谱特征、纹理特征、形状特征以及遥感派生数据特征,构建不同地物分类提取知识体系,建立模型,分类提取研究区地物。最后利用混淆矩阵、Kappa系数等方法评价分类提取精度,GF-2、ZY-3、Landsat-8三种影像分类提取研究区聚落信息的点位精度分别为94.67%、88.68%、80.56%。（2）对比分析GF-2、ZY-3、Landsat-8三种影像提取聚落信息的效果。结果表明:对于范围大、精度要求较低的大型城镇分类提取,Landsat-8和ZY-3影像更具优势;对于范围小、精度要求高的中小型村庄、独立房屋的分类提取,高分辨率的GF-2影像更具优势。（3）利用GIS软件的空间分析功能,结合研究区的高程、道路、河流等数据对乡村聚落的空间格局进行分析。研究区共有聚落2122个,以中小型聚落为主,超过一半的聚落面积在500 m2以下。聚落在空间上主要呈条带状分布,超过90%的聚落分布在距离道路0 m500 m的范围内。绝大多数聚落分布在地形条件较好,坡度较平缓、高程较小的第一、第二地形位指数等级区域上,80.68%的聚落分布在海拔小于475 m的区域,在2°6°坡度区域聚落分布的面积最大,聚落个数、聚落面积随着地形位指数等级的递增在大幅度减小。泉源、荣庄、明朗三村交界地带是研究区内聚落分布最为密集的地区。（4）探究了乡村聚落面积与农村人口数量之间的关系。乡村聚落面积与农村人口数量的相关性在0.01水平上显着相关,相关系数为0.897。以乡村聚落面积为自变量,以人口数量为因变量建立回归估算模型,模型的判定系数为0.805,可以基于GF-2影像提取的乡村聚落面积,利用该模型来实现农村人口数量的估算。
刘雪娇[9]（2013）在《基于遥感的杨凌区土地利用/土地覆被变化及驱动力分析》文中认为随着科学技术的发展和人类社会的进步，人类正以空前的速度和幅度改变着地球陆地环境。加之城市规模不断扩大，农业用地和建设用地之间的矛盾日益加剧。如何优化农业用地和建设用地结构和空间布局，如何制定合理的土地管理政策等诸多问题亟待解决。为此，本文基于遥感方法对杨凌区土地利用类型进行分类和统计分析，以期为当地政府的土地利用规划管理提供参考资料和理论依据，以实现杨凌区土地利用的可持续发展目标。本文结合研究区物候历和土地利用类型对该区遥感影像进行分析，建立解译标志，并对影像波段特征和归一化植被指数、归一化建筑指数和归一化水体指数进行统计分析，建立合理的决策树对研究区影像进行分类；再根据研究区各个时期的土地利用类型变化，结合统计数据从自然因素、经济因素和社会因素三个维度分析杨凌区土地利用变化的原因；最后，选择建筑用地及其他用地的约束条件和适宜性影响因子，使用CAMarkov模型对杨凌区2025年建筑用地及其他用地的变化作以模拟预测。分类结果表明，1995年至2010年间，建筑用地及其他用地面积由17.5km（218.96%）增至34.32km2（36.34%），其中2009年至2010年增幅巨大，园林用地面积也快速增加，6.42km2（6.80%）增至20.76km2（21.99%）。由于建筑用地及其他用地多由耕地转化而来，故耕地处于持续下降趋势，由最初的68.60km2（72.65%）降至38.02km2（40.27%）。水体也自1.76km2（1.87%）下降到1.33km2（1.41%）。经济因素和社会因素是影响杨凌区土地利用类型变化的主要因素。虽然自然因素对杨凌区的发展也具有一定影响，但其作用远小于其他两因素对土地利用变化的驱动。由杨凌区2025年建筑用地及其他用地预测结果可知，建筑用地及其他用地在预测期间仍保持持续增长的态势，数量上将由2010年的37.37km2增加至42.79km2，占总面积的45.31%，空间上主要是以原有的城镇为基础进行扩展，城镇面积变化最为显着，而农村居民点在原有面积基础上变化不大，相应地耕地将减少至29.55km2，约占总面积的31.29%。因此，政府部门在制定进行发展规划政策时，不仅要考虑社会经济的发展，更需要统筹规划，对耕地做出强有力的保护措施，科学合理地开发利用土地资源，深入地贯彻土地资源保护和管理制度。
吴见[10]（2012）在《沙漠化现状定量评价遥感信息模型研究》文中指出沙漠化属于全球性环境恶化现象,国家需要及时准确地掌握其动态以便进行科学防治。但遥感技术在沙漠化监测与评价方面存在很多问题,例如评价指标选取不恰当、权重不客观、指标反演精度低等,至今仍缺乏一套被广泛认同的实用的定量评价指标体系。不同的地区和地物类型主导因子或许相同,但各因子对沙漠化的影响程度一定有差异。目前国内还没有以地物类型为基础的沙漠化遥感定量评价研究报道,如何从地物类型的角度对沙漠化进行遥感定量评价?解决这一问题将有助于认识土地退化过程的机制和成因等内容,有利于建立沙漠化评价指标体系。本论文以京津风沙源治理工程区为例,分别探讨了多光谱和高光谱遥感对干旱半干旱区土地沙漠化进行评价的具体方法,得到的主要结果归纳如下：1.提出将线性光谱混合分解模型、植被指数和专家知识相结合的地物信息分层次提取模型,实现了地物信息高精度分层次提取。2.筛选出区分树种信息的多光谱遥感指标,并引用改进的SVM算法提取了退耕还林地树种信息。结果表明,该方法平均精度较传统方法提高9.2%,对快速评价工程质量有重要意义。3.将纹理、空间信息融入到高光谱影像地物信息提取中。通过反射率光谱分析,结合纹理特征对地物信息进行提取,并采用基于空间信息的方法进一步对植被类型进行分类,平均分类精度较最大似然法提高17.8%。分析了高光谱遥感树种分类可行性,选取差异较大的波段及光谱特征参量,引用改进的BP神经网络模型完成林地树种信息提取。4.建立了基于地物类型的沙漠化评价遥感指标体系,明确了“基准”的确定方法,在分析大量实测数据的基础上提出了一种新的指标权重计算方法。经过验证,本文模型较传统模型的评价精度提高,评价结果更接近土地沙漠化的真实状况。5.提出了利用高分辨率卫星影像修正线性光谱混合分解模型分解的TM影像的植被分量,建立提取干旱半干旱地区植被覆盖度的模型。结果表明,该模型不仅提供了更纯的植被光谱信息,而且降低了对土壤背景的敏感度,更适合于中等分辨率卫星影像量化干旱半干旱地区植被覆盖度。6.利用高光谱遥感数据对森林蓄积量进行预测研究,确定了与蓄积量之间相关系数达到极显着水平的19个特征参数；比较了目前流行的多种高光谱植被盖度提取方法,结果表明基于一阶微分的PLSR模型效果最好。7.提出了通过高光谱影像分解剔除植被光谱干扰,从而更合理地预测土壤含水量的具体方法；分析了最小噪声变换回归模型和主成分回归模型预测土壤含沙量的能力。
二、TM遥感图像中居民点的自动提取（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、TM遥感图像中居民点的自动提取（论文提纲范文）
（1）基于卷积神经网络的农村居民点提取方法及时空变化特征研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 基于传统方法的建设用地提取 |
| 1.2.1.1 基于像元的提取方法 |
| 1.2.1.2 基于几何结构的提取方法 |
| 1.2.1.3 基于面向对象的提取方法 |
| 1.2.2 基于深度学习的建设用地提取 |
| 1.2.2.1 深度学习技术发展历程 |
| 1.2.2.2 基于语义分割的建设用地提取研究进展 |
| 1.2.3 农村居民点提取研究进展 |
| 1.2.4 国内外研究进展总结 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 技术路线 |
| 2 研究区概况与实验数据集构建 |
| 2.1 研究区概况 |
| 2.2 实验数据简介与数据预处理 |
| 2.2.1 遥感影像数据 |
| 2.2.2 其他数据 |
| 2.2.3 数据预处理 |
| 2.3 数据集构建 |
| 2.3.1 实验区域确定 |
| 2.3.2 数据标注 |
| 2.3.3 数据裁剪和数据集生成 |
| 2.3.4 数据增强 |
| 3 卷积神经网络理论基础 |
| 3.1 卷积神经网络原理 |
| 3.1.1 卷积神经网络概述 |
| 3.1.2 卷积层 |
| 3.1.3 池化层 |
| 3.1.4 激活层 |
| 3.1.5 全连接层 |
| 3.2 卷积神经网络训练 |
| 3.2.1 前向传播 |
| 3.2.2 反向传播 |
| 3.2.3 优化算法 |
| 3.2.3.1 梯度下降法 |
| 3.2.3.2 动量梯度下降法 |
| 3.2.3.3 Adam算法 |
| 3.3 全卷积神经网络 |
| 3.3.1 FCN |
| 3.3.2 U-Net |
| 3.3.3 Deep Lab系列 |
| 4 基于改进Deep Lab v3+网络的农村居民点提取模型构建 |
| 4.1 Deep Lab v3+网络及优化思路 |
| 4.1.1 Deep Lab v3+网络结构及特点 |
| 4.1.2 模型优化思路 |
| 4.2 双注意力机制模块介绍 |
| 4.2.1 注意力机制概述 |
| 4.2.2 通道注意力模块 |
| 4.2.3 位置注意力模块 |
| 4.3 引入DAMM的网络设计 |
| 4.3.1 DAMM的结构设计 |
| 4.3.2 DAMM的位置方案设计 |
| 4.4 逐层特征融合的解码区优化思路及网络设计 |
| 4.4.1 优化思路 |
| 4.4.2 网络结构设计 |
| 4.5 本章小结 |
| 5 模型有效性验证与农村居民点提取 |
| 5.1 实验训练策略 |
| 5.2 评价指标体系 |
| 5.3 实验结果与分析 |
| 5.3.1 DAMM对模型精度的影响 |
| 5.3.2 通道与位置注意力模块的影响 |
| 5.3.3 优化解码区结构对模型精度的影响 |
| 5.3.4 与其他分割网络的对比 |
| 5.4 农村居民点提取 |
| 5.5 本章小结 |
| 6 农村居民点时空变化特征分析 |
| 6.1 面积规模变化情况 |
| 6.2 空间分布特征及其变化 |
| 6.2.1 研究方法概述 |
| 6.2.1.1 核密度估计法 |
| 6.2.1.2 最近邻统计量 |
| 6.2.1.3 景观格局指数 |
| 6.2.2 结果分析 |
| 6.2.2.1 核密度分析结果 |
| 6.2.2.2 最近邻统计量结果 |
| 6.2.2.3 景观格局指数结果 |
| 6.3 土地利用变化情况特征 |
| 6.4 农村居民点时空变化影响因素分析 |
| 6.4.1 农村居民点时空变化特点 |
| 6.4.2 空间分布及演变影响因素分析 |
| 6.4.2.1 区位因素 |
| 6.4.2.2 人口和经济因素 |
| 6.4.2.3 政策因素 |
| 6.4.2.4 自然因素 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
（2）滇东喀斯特地区石漠化时空演化特征及其驱动机制研究 ——以曲靖市为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 石漠化信息提取技术研究进展 |
| 1.2.2 石漠化时空演变研究进展 |
| 1.2.3 石漠化驱动因素研究进展 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究区与数据源 |
| 2.1 研究区概况 |
| 2.1.1 气候水文 |
| 2.1.2 地质地貌 |
| 2.1.3 自然灾害 |
| 2.2 数据源及预处理 |
| 2.2.1 Landsat数据 |
| 2.2.2 DEM数据 |
| 2.2.3 气象数据 |
| 2.2.4 社会经济统计数据 |
| 第3章 曲靖市石漠化信息提取技术研究 |
| 3.1 石漠化程度等级划分及评价指标选取 |
| 3.2 石漠化等级评价指标的提取 |
| 3.2.1 基岩裸露率信息提取方法对比研究 |
| 3.2.2 植被覆盖度信息提取 |
| 3.2.3 坡度信息提取 |
| 3.3 基于CART决策树的石漠化信息提取 |
| 3.4 精度评价与分析 |
| 3.5 本章小结 |
| 第4章 曲靖市石漠化时空演化特征及规律研究 |
| 4.1 石漠化时空演化特征分析 |
| 4.1.1 石漠化时间演变特征 |
| 4.1.2 石漠化空间分布特征 |
| 4.2 石漠化时空演变速度分析 |
| 4.2.1 单一等级石漠化动态度分析 |
| 4.2.2 综合石漠化动态度演变过程分析 |
| 4.3 石漠化时空演变规模与方向分析 |
| 4.4 本章小结 |
| 第5章 曲靖市石漠化驱动机制研究 |
| 5.1 驱动因子的选取及预处理 |
| 5.2 石漠化驱动因素研究方法 |
| 5.3 石漠化时空演化的单一驱动因素分析 |
| 5.3.1 自然因素驱动力分析 |
| 5.3.2 人为因素驱动力分析 |
| 5.4 石漠化时空演化的驱动因子综合分析 |
| 5.5 近30 年来曲靖市石漠化发育演化归因分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
（3）基于遥感和GIS的聚落信息提取及应用研究 ——以遂宁市安居区为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及依据 |
| 1.2 国内外研究进展 |
| 1.3 研究目的及研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 技术路线 |
| 2 软件基础与数据处理 |
| 2.1 软件基础 |
| 2.2 研究区概况 |
| 2.2.1 研究区位置 |
| 2.2.2 研究区概况 |
| 2.3 数据基础 |
| 2.3.1 Sentinel-2 数据 |
| 2.3.2 GF-1 数据 |
| 2.4 数据预处理 |
| 2.4.1 GF-1 数据预处理 |
| 2.4.2 Senitnel-2 数据预处理 |
| 3 面向对象的多尺度影像提取关键技术 |
| 3.1 影像分割算法 |
| 3.1.1 棋盘分割 |
| 3.1.2 四叉树分割 |
| 3.1.3 多尺度分割 |
| 3.1.4 光谱差异分割 |
| 3.2 分割尺度选取与分割效果分析 |
| 3.2.1 最优分割尺度获取原理 |
| 3.2.2 分割尺度及参数选择 |
| 3.3 分类体系建立 |
| 3.4 基于遥感影像的地物特征知识发现 |
| 3.4.1 影像综合分析 |
| 3.4.2 光谱特征分析 |
| 3.4.3 基于遥感派生数据的光谱特征分析 |
| 3.4.4 纹理特征分析 |
| 3.4.5 形状特征分析 |
| 3.5 分类方法研究 |
| 3.5.1 决策树分类 |
| 3.5.2 基于样本的面向对象特征提取 |
| 3.5.3 基于规则的面向对象特征提取 |
| 3.6 本章小结 |
| 4 面向对象的地物信息提取与精度评价 |
| 4.1 GF-1 聚落信息提取 |
| 4.1.1 Level1 分类提取 |
| 4.1.2 Level2 分类提取 |
| 4.1.3 Level3 结果 |
| 4.2 Sentinel-2 聚落信息提取 |
| 4.2.1 Level1 分类提取 |
| 4.2.2 Level2 分类提取 |
| 4.2.3 Level3 结果 |
| 4.3 多源影像分类提取结果精度评价 |
| 4.3.1 精度评价方法 |
| 4.3.2 分类精度评价结果 |
| 4.3.3 提取结果对比 |
| 4.4 现状分析 |
| 5 结论与展望 |
| 5.1 主要结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 硕士研究生期间科研实践情况 |
（4）矿山地表沉陷区域特征描述与高分辨率遥感影像识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 采煤沉陷区灾害研究现状 |
| 1.2.2 国外沉陷区遥感信息提取研究现状 |
| 1.2.3 国内沉陷区遥感信息提取研究现状 |
| 1.3 研究内容与组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 第二章 矿山地表沉陷区域特征描述 |
| 2.1 采煤沉陷典型区域实地特征描述 |
| 2.1.1 地面沉降 |
| 2.1.2 地面塌陷 |
| 2.1.3 地裂缝和崩滑 |
| 2.1.4 房屋损毁 |
| 2.2 采煤沉陷典型区域遥感影像特征描述 |
| 2.2.1 地面塌陷 |
| 2.2.2 地裂缝和崩滑 |
| 2.2.3 居民点的搬迁 |
| 第三章 矿山地表塌陷区特征分析 |
| 3.1 研究区概况 |
| 3.1.1 地理位置 |
| 3.1.2 地形地貌 |
| 3.1.3 气候水文 |
| 3.1.4 植被覆盖 |
| 3.1.5 采煤沉陷问题概况 |
| 3.2 井工一矿塌陷区特征分析 |
| 3.2.1 地面塌陷特征描述 |
| 3.2.2 塌陷区遥感解译 |
| 3.2.3 塌陷目标颜色特征分析 |
| 3.2.4 塌陷目标形状特征分析 |
| 第四章 高分辨率遥感影像塌陷区目标检测 |
| 4.1 遥感影像目标检测方法 |
| 4.1.1 Harris角点检测 |
| 4.1.2 霍夫变换 |
| 4.1.3 阴影检测 |
| 4.2 塌陷坑检测分析 |
| 4.2.1 塌陷坑角点检测 |
| 4.2.2 塌陷坑边缘形状检测 |
| 4.2.3 塌陷坑内部区域检测 |
| 4.3 槽形塌陷区检测分析 |
| 4.3.1 槽形塌陷区角点检测 |
| 4.3.2 槽形塌陷区边缘曲线检测 |
| 4.3.3 槽形塌陷区内部区域检测 |
| 4.4 图像特征提取软件开发 |
| 4.4.1 软件设计 |
| 4.4.2 软件实现 |
| 4.4.3 软件功能测试 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）基于深度学习的尾矿库自动识别方法及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 尾矿库监测国内外研究现状 |
| 1.2.2 深度学习研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文技术路线 |
| 2 深度学习理论基础 |
| 2.1 神经网络模型 |
| 2.1.1 生物神经元 |
| 2.1.2 人工神经网络 |
| 2.1.3 激活函数 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 正则化 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.3 SSD网络模型介绍 |
| 2.3.1 SSD网络模型结构 |
| 2.3.2 SSD网络模型原理 |
| 2.4 本章小结 |
| 3 数据准备与样本制作 |
| 3.1 数据源介绍 |
| 3.2 尾矿库解译标志建立 |
| 3.2.1 尾矿库类型 |
| 3.2.2 尾矿库解译标志 |
| 3.3 尾矿库样本集制作 |
| 3.3.1 尾矿库样本集制作流程 |
| 3.3.2 尾矿库样本集制作方法 |
| 3.3.3 尾矿库样本分析 |
| 3.4 负样本分析 |
| 3.5 本章小结 |
| 4 SSD模型优化 |
| 4.1 网络超参数调整 |
| 4.2 随即裁剪参数的设置 |
| 4.3 缩小参数设置 |
| 4.4 预设框高宽比参数设置 |
| 4.5 非极大值抑制参数设置 |
| 4.6 实验结果与评价 |
| 4.6.1 深度学习目标检测评价指标 |
| 4.6.2 模型训练精度评价 |
| 4.6.3 模型检测精度评价 |
| 4.7 本章小结 |
| 5 京津冀区域尾矿库自动识别应用 |
| 5.1 研究区概况 |
| 5.2 京津冀地区尾矿库自动识别 |
| 5.2.1 数据准备和置信度阈值选取 |
| 5.2.2 提取结果 |
| 5.2.3 尾矿库提取结果验证 |
| 5.3 京津冀区域尾矿库分类 |
| 5.3.1 尾矿库分类样本准备 |
| 5.3.2 尾矿库分类 |
| 5.3.4 京津冀区域尾矿库分类结果 |
| 5.3.5 尾矿库风险性评价 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于高分遥感的石漠化发育特征与影响因素研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 石漠化的内涵与外延 |
| 1.3.1 石漠化的基本概念 |
| 1.3.2 石漠化的形成与演变 |
| 1.3.3 石漠化的类型 |
| 1.3.4 石漠化的危害 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究技术路线 |
| 第二章 研究区概况与数据源 |
| 2.1 研究区概况 |
| 2.1.1 自然地理概况 |
| 2.1.2 社会经济概况 |
| 2.2 数据源 |
| 第三章 数据处理与石漠化信息提取 |
| 3.1 数据预处理 |
| 3.1.1 辐射定标 |
| 3.1.2 大气校正 |
| 3.1.3 正射校正 |
| 3.1.4 图像融合 |
| 3.1.5 图像拼接 |
| 3.1.6 图像裁剪 |
| 3.2 石漠化信息解译提取 |
| 3.2.1 基于样本的面向对象信息提取 |
| 3.2.2 石漠化等级分类 |
| 3.2.3 分类后处理 |
| 3.3 石漠化分类精度验证 |
| 3.3.1 石漠化精度验证选点 |
| 3.3.2 石漠化分等混淆矩阵 |
| 3.3.3 石漠化分等精度评价结果 |
| 3.4 石漠化解译特征 |
| 第四章 石漠化发育特征分析 |
| 4.1 石漠化总体发育特征 |
| 4.1.1 石漠化斑块 |
| 4.1.2 石漠化发育程度及空间分布特征 |
| 4.2 石漠化空间分异特征 |
| 4.2.1 石漠化发生率 |
| 4.2.2 各村委会石漠化面积及发生率 |
| 4.2.3 各村委会石漠化分布特征 |
| 4.3 石漠化演变特征 |
| 4.3.1 石漠化速度 |
| 4.3.2 石漠化动态度 |
| 4.3.3 石漠化转移特征 |
| 4.3.4 石漠化空间演变 |
| 第五章 石漠化影响因素分析 |
| 5.1 自然因素对石漠化发育影响 |
| 5.1.1 石漠化与地质背景分析 |
| 5.1.2 石漠化与地形地貌分析 |
| 5.2 人类活动因素对石漠化发育影响 |
| 5.2.1 石漠化与道路分布分析 |
| 5.2.2 石漠化与居民点分布分析 |
| 5.2.3 石漠化与土地利用类型分析 |
| 5.3 多因素对石漠化发育影响 |
| 5.3.1 多因素共同作用影响 |
| 5.3.2 石漠化综合治理措施 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 (攻读硕士学位期间发表的论文情况及参与课题) |
（7）高山峡谷区农村居民点信息提取与布局优化研究 ——以茂县东兴镇为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.2.1 农村居民点影像信息提取研究现状 |
| 1.2.2 农村居民点布局优化研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 论文组织架构和安排 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 2 研究区概况与数据预处理 |
| 2.1 研究区概况 |
| 2.1.1 研究区位置 |
| 2.1.2 研究区概况 |
| 2.2 数据来源与获取 |
| 2.2.1 遥感影像数据 |
| 2.2.2 DEM数据 |
| 2.2.3 其他数据 |
| 2.3 数据预处理 |
| 2.3.1 投影坐标系转换 |
| 2.3.2 辐射定标 |
| 2.3.3 大气校正 |
| 2.3.4 正射校正 |
| 2.3.5 几何校正 |
| 2.3.6 图像融合 |
| 2.3.7 图像裁剪 |
| 2.4 本章小结 |
| 3 基于面向对象方法的农村居民点信息提取 |
| 3.1 影像分割与合并 |
| 3.2 不同分辨率影像综合特征分析 |
| 3.3 居民点特征知识发现 |
| 3.3.1 居民点光谱特征知识发现 |
| 3.3.2 基于遥感派生数据的光谱特征知识发现 |
| 3.3.3 居民点纹理特征知识发现 |
| 3.3.4 居民点空间几何特征知识发现 |
| 3.3.5 居民点地形特征知识发现 |
| 3.4 居民点提取模型构建 |
| 3.4.1 Landsat8影像居民点提取模型构建 |
| 3.4.2 Sentinel2影像居民点提取模型构建 |
| 3.4.3 GF-1影像居民点提取模型构建 |
| 3.5 提取结果对比分析及精度评价 |
| 3.5.1 基于面向对象的居民点提取结果对比分析 |
| 3.5.2 精度评价 |
| 3.5.3 评价结果 |
| 3.5.4 居民点提取结果修正 |
| 3.6 本章小结 |
| 4 农村居民点现状分布特征分析 |
| 4.1 地形与农村居民点关系分析 |
| 4.1.1 高程、坡度与农村居民点分布关系分析 |
| 4.1.2 不同地形位指数农村居民点分析 |
| 4.1.3 不同地形位农村居民点景观分离度分析 |
| 4.1.4 不同地形位农村居民点分布指数分析 |
| 4.2 道路与农村居民点分布关系分析 |
| 4.3 河流与农村居民点分布关系分析 |
| 4.4 耕地与农村居民点分布关系分析 |
| 4.5 本章小结 |
| 5 农村居民点适宜性评价与优化分析 |
| 5.1 农村居民点适宜性评价 |
| 5.1.1 评价单元 |
| 5.1.2 评价因子选取及分级量化 |
| 5.1.3 评价因子权重确定 |
| 5.1.4 农村居民点分布适宜性评价 |
| 5.1.5 评价结果分析 |
| 5.2 农村居民点空间布局优化 |
| 5.2.1 加权Voronoi图 |
| 5.2.2 农村居民点优化类型划分及优化策略 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 硕士研究生期间科研实践情况 |
（8）川中丘陵区乡村聚落信息提取及空间格局分析 ——以三台县金石镇为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乡村聚落信息提取研究现状 |
| 1.2.2 乡村聚落空间格局研究现状 |
| 1.3 研究目的与研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 论文组织架构 |
| 1.4 技术路线 |
| 2 研究区概况与数据处理分析 |
| 2.1 研究区概况 |
| 2.1.1 社会经济 |
| 2.1.2 自然环境 |
| 2.2 数据介绍 |
| 2.2.1 高分二号卫星数据 |
| 2.2.2 资源三号卫星数据 |
| 2.2.3 Landsat-8 卫星数据 |
| 2.2.4 DEM数据 |
| 2.2.5 其它数据 |
| 2.3 数据预处理 |
| 2.3.1 辐射定标 |
| 2.3.2 大气校正 |
| 2.3.3 正射校正 |
| 2.3.4 影像融合 |
| 2.3.5 数据投影坐标系转换与配准 |
| 2.3.6 影像裁剪 |
| 2.4 不同类型聚落在不同影像上的特征分析 |
| 3 面向对象的乡村聚落用地信息提取 |
| 3.1 面向对象分割分类技术 |
| 3.2 多层次影像分割 |
| 3.2.1 影像分割算法 |
| 3.2.2 最优分割尺度参数 |
| 3.2.3 最优分割尺度参数选择 |
| 3.2.4 最优分割尺度获取试验 |
| 3.2.5 最优异质性相关因子获取试验 |
| 3.3 对象单元特征分析 |
| 3.3.1 光谱特征分析 |
| 3.3.2 遥感派生数据的特征分析 |
| 3.3.3 纹理特征分析 |
| 3.3.4 形状特征分析 |
| 3.4 面向对象的多层次分类 |
| 3.4.1 GF-2 影像乡村聚落信息分类提取 |
| 3.4.2 Landsat-8、ZY-3 影像乡村聚落信息分类提取 |
| 4 不同影像分类提取精度评价及分类提取效果对比 |
| 4.1 图像分类精度评价 |
| 4.1.1 精度评价方法 |
| 4.1.2 精度评价结果 |
| 4.2 GF-2、ZY-3、Landsat-8三种影像分类提取效果对比 |
| 4.2.1 聚落分类提取结果对比 |
| 4.2.2 三种影像分类提取成本对比 |
| 5 川中丘陵区乡村聚落空间格局分析 |
| 5.1 金石镇土地利用总体构成及各村聚落分布情况 |
| 5.1.1 金石镇土地利用总体构成 |
| 5.1.2 金石镇不同类型房屋的数量特征 |
| 5.1.3 金石镇各行政村聚落分布情况 |
| 5.2 金石镇乡村聚落空间分布特征分析 |
| 5.2.1 金石镇乡村聚落的大小特征 |
| 5.2.2 金石镇乡村聚落空间分布模式 |
| 5.2.3 金石镇乡村聚落在地形上的分布特征 |
| 5.2.4 金石镇乡村聚落分布的密度特征 |
| 5.2.5 金石镇乡村聚落分布的道路特征 |
| 5.3 金石镇聚落面积与人口、耕地关系探究 |
| 5.3.1 金石镇乡村聚落面积与人口统计数据的相关性分析 |
| 5.3.2 金石镇乡村聚落面积与耕地面积的相关关系 |
| 6 结论 |
| 6.1 主要结论 |
| 6.2 不足与讨论 |
| 参考文献 |
| 致谢 |
| 硕士研究生期间科研实践情况 |
（9）基于遥感的杨凌区土地利用/土地覆被变化及驱动力分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究概况 |
| 1.3.1 遥感影像分类研究概况 |
| 1.3.2 LUCC 模型研究概况 |
| 1.4 研究内容和方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 第二章 杨凌区土地利用分类 |
| 2.1 研究区概况 |
| 2.1.1 自然条件 |
| 2.1.2 历史沿革与社会经济发展 |
| 2.2 遥感数据的选取 |
| 2.3 数据预处理 |
| 2.4 土地利用类型确定 |
| 2.5 遥感影像分类 |
| 2.5.1 遥感影像归一化指数 |
| 2.5.2 遥感影像感兴趣区波段特征值统计 |
| 2.5.3 决策树分类 |
| 2.5.4 最大似然分类 |
| 2.5.5 决策树分类结果精度验证 |
| 2.5.6 分类后处理 |
| 2.6 本章小结 |
| 第三章 杨凌区土地利用/土地覆被变化分析 |
| 3.1 土地利用类型面积及变化 |
| 3.2 土地利用类型转移分析 |
| 3.3 土地利用动态度分析 |
| 3.4 本章小结 |
| 第四章 杨凌区土地利用/土地覆被变化驱动力分析 |
| 4.1 土地利用变化中存在的问题 |
| 4.2 土地变化驱动力分析 |
| 4.2.1 自然驱动力 |
| 4.2.2 经济因素驱动力 |
| 4.2.3 社会因素驱动力 |
| 4.3 本章小结 |
| 第五章 杨凌区土地利用/土地覆被变化预测 |
| 5.1 CA_MARKOV 模型 |
| 5.1.1 马尔科夫（Markov）模型 |
| 5.1.2 元胞自动机（CA）模型 |
| 5.1.3 CA_Markov 预测模型 |
| 5.2 土地利用预测 |
| 5.2.1 土地利用转移概率矩阵 |
| 5.2.2 多准则评判与标准制定 |
| 5.2.3 约束条件与适宜性影响因子 |
| 5.2.4 整体适宜性评价 |
| 5.2.5 模型验证及预测结果分析 |
| 5.3 杨凌土地优化利用的对策与建议 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）沙漠化现状定量评价遥感信息模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 沙漠化定量遥感信息提取研究进展 |
| 1.1.1 沙漠化遥感信息提取技术 |
| 1.1.2 沙漠化遥感监测指标定量反演技术 |
| 1.2 沙漠化定量遥感评价研究进展 |
| 1.2.1 沙漠化评价类型及指标体系 |
| 1.2.2 沙漠化遥感定量评价技术 |
| 1.3 研究目的和意义 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文构成 |
| 2 研究区数据资料及预处理 |
| 2.1 研究区概况 |
| 2.1.1 京津风沙源治理工程区总体概况 |
| 2.1.2 试验样区概况 |
| 2.2 遥感数据选择与预处理 |
| 2.2.1 数据选择 |
| 2.2.2 数据预处理 |
| 3 基于知识的多光谱遥感信息提取模型研究 |
| 3.1 影像数据选取 |
| 3.2 地物分类体系 |
| 3.3 基于知识的地物分层次提取模型 |
| 3.3.1 地物光谱特征分析 |
| 3.3.2 线性光谱混合分解模型 |
| 3.3.3 分类规则构建及图像分类 |
| 3.3.4 精度评价 |
| 3.4 基于改进SVM算法的退耕地树种信息提取模型 |
| 3.4.1 不同树种光谱信息差异分析 |
| 3.4.2 基于改进SVM算法的树种信息提取 |
| 3.4.3 精度评价 |
| 3.5 结论 |
| 4 沙漠化现状定量评价多光谱遥感信息模型研究 |
| 4.1 野外调查 |
| 4.2 评价指标选取 |
| 4.3 沙漠化评价“基准”的确定 |
| 4.4 指标权重的确定 |
| 4.5 评价方法 |
| 4.6 多光谱遥感评价因子定量化 |
| 4.6.1 改进光谱混合分析模型植被盖度信息提取 |
| 4.6.2 基于LSMM的裸沙占地百分比信息提取 |
| 4.6.3 基于光谱特征参数的植被生物量估算回归模型 |
| 4.6.4 基于热惯量法的上壤含水量反演模型 |
| 4.6.5 氧化铁指标 |
| 4.6.6 土壤质地信息提取 |
| 4.7 沙漠化定量评价遥感信息模型的建立 |
| 4.8 精度评价 |
| 4.9 结论 |
| 5 基于多特征的高光谱遥感信息提取模型研究 |
| 5.1 影像数据选取 |
| 5.2 地物分类体系 |
| 5.3 基于多特征的地物分层次提取模型 |
| 5.3.1 地物反射率光谱分析 |
| 5.3.2 地物纹理特征提取 |
| 5.3.3 基于空间信息的植被分类模型 |
| 5.3.4 精度评价 |
| 5.4 基于改进BP神经网络模型的树种信息提取技术 |
| 5.4.1 树种光谱分析 |
| 5.4.2 改进BP神经网络模型 |
| 5.4.3 精度评价 |
| 5.5 结论 |
| 6 沙漠化现状定量评价高光谱遥感信息模型研究 |
| 6.1 野外调查 |
| 6.2 评价指标选取 |
| 6.3 评价方法 |
| 6.4 高光谱遥感评价因子定量化 |
| 6.4.1 最优植被盖度估测模型选取及植被盖度信息提取 |
| 6.4.2 基于高光谱特征参数的森林蓄积量遥感估算模型 |
| 6.4.3 基于植被光谱信息剔除的土壤含水量预测模型 |
| 6.4.4 基于MNF和PC回归的土壤含沙量估测模型 |
| 6.4.5 氧化铁指标 |
| 6.4.6 土壤质地信息提取 |
| 6.5 沙漠化定量评价遥感信息模型的建立 |
| 6.6 精度评价 |
| 6.7 结论 |
| 7 结论与讨论 |
| 7.1 研究结论 |
| 7.2 主要创新点 |
| 7.3 讨论及展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
四、TM遥感图像中居民点的自动提取（论文参考文献）
- [1]基于卷积神经网络的农村居民点提取方法及时空变化特征研究[D]. 陈晓鹏. 浙江大学, 2021(09)
- [2]滇东喀斯特地区石漠化时空演化特征及其驱动机制研究 ——以曲靖市为例[D]. 卢涛. 云南师范大学, 2021(08)
- [3]基于遥感和GIS的聚落信息提取及应用研究 ——以遂宁市安居区为例[D]. 张玄. 四川师范大学, 2021(12)
- [4]矿山地表沉陷区域特征描述与高分辨率遥感影像识别[D]. 张浩伟. 太原理工大学, 2020(07)
- [5]基于深度学习的尾矿库自动识别方法及应用研究[D]. 李庆. 河南理工大学, 2020(01)
- [6]基于高分遥感的石漠化发育特征与影响因素研究[D]. 蒋红娟. 昆明理工大学, 2020(04)
- [7]高山峡谷区农村居民点信息提取与布局优化研究 ——以茂县东兴镇为例[D]. 张英. 四川师范大学, 2019(01)
- [8]川中丘陵区乡村聚落信息提取及空间格局分析 ——以三台县金石镇为例[D]. 张鑫. 四川师范大学, 2019(01)
- [9]基于遥感的杨凌区土地利用/土地覆被变化及驱动力分析[D]. 刘雪娇. 西北农林科技大学, 2013(02)
- [10]沙漠化现状定量评价遥感信息模型研究[D]. 吴见. 北京林业大学, 2012(09)