發(fā)布時間：2020-11-10 02:10

　　 巖性填圖是遙感科學技術(shù)在地質(zhì)學領(lǐng)域的重要應(yīng)用方面,其關(guān)鍵技術(shù)為巖性信息自動提取方法。隨著2014年8月13號WorldView-3衛(wèi)星的成功發(fā)射并正式運行,集高空間分辨率和高輻射分辨率于一體的WorldView-3數(shù)據(jù)給高精度巖性填圖帶來了新的數(shù)據(jù)源,理論上具有極大的地質(zhì)應(yīng)用潛力,但目前相關(guān)研究較少。與此同時,一些先進的分類器組合算法是否適用于該數(shù)據(jù)的信息識別與分類亟待研究。因此,本文選取新疆坡北地區(qū)為研究區(qū),依據(jù)WorldView-3數(shù)據(jù)波譜特征構(gòu)建隨機森林(Random Forests,RF)巖性信息自動提取模型;在此基礎(chǔ)上,組合波譜與紋理特征構(gòu)建語義紋元森林(Semantic Texton Forests,STF)巖性信息自動提取模型;挖掘數(shù)據(jù)本質(zhì)特征,綜合研究WorldView-3數(shù)據(jù)的巖性信息自動提取方法。本文主要取得了以下研究成果:(1)基于WorldView-3影像,結(jié)合野外調(diào)查與區(qū)域地質(zhì)圖,通過圖像增強技術(shù),完成了研究區(qū)目視解譯巖性圖,是后續(xù)樣本選取和精度驗證的重要參考依據(jù),同時也證明了WorldView-3數(shù)據(jù)用于區(qū)域巖性人機交互目視解譯的可行性。(2)根據(jù)WorldView-3數(shù)據(jù)特征與研究區(qū)巖性整體分布情況,本文首次構(gòu)建了RF和STF巖性信息自動提取模型。通過樣本數(shù)量、決策樹數(shù)目兩方面入手調(diào)試RF模型性能;從樣本數(shù)量、決策樹數(shù)目、紋元尺寸三方面入手調(diào)試STF模型性能,分析影響因子的作用機理,拓展模型泛化能力,使模型達到參數(shù)最優(yōu),從而完成高精度巖性填圖應(yīng)用。試驗結(jié)果表明:RF模型分類精度約為87.66%,STF模型分類精度約為90.06%。(3)開展RF和STF模型巖性信息提取結(jié)果綜合分析發(fā)現(xiàn):RF和STF模型巖性信息提取精度均較高,分類效果較為理想是得益于WorldView-3數(shù)據(jù)高分辨率的特點以及RF和STF算法對噪聲不敏感,分類速度快且穩(wěn)定,不容易過擬合等優(yōu)勢。相比于RF模型,STF模型的優(yōu)勢主要包括三點:第一,同時捕捉影像光譜特征與紋理信息,分類決策支持信息更充分;第二,獨特的分割函數(shù)保障了分類精度與速度;第三,分割函數(shù)的紋元尺度可根據(jù)研究區(qū)地質(zhì)現(xiàn)狀選取,更具有普適性。因此STF模型能夠更大程度地滿足高精度巖性填圖需求。
【學位單位】：中國地質(zhì)大學(北京)
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：P627
【部分圖文】：

8圖 1-1 技術(shù)路線圖究目標用遙感技術(shù)與人工智能分類器，依據(jù)數(shù)據(jù)特征，構(gòu)建巖性信息自動而實現(xiàn)高精度巖性填圖；在此過程中，分析數(shù)據(jù)特征，探索 Wor否滿足地質(zhì)應(yīng)用需求；分析分類器性能影響因素與適用情況，旨在，選擇并構(gòu)建適宜的，高效的巖性信息自動提取模型，推動遙感地、定量化發(fā)展。

10圖 2-1 中國大地構(gòu)造圖，標注了中國主要的克拉通塊和造山帶研究區(qū)在圖中用紅色圖框標注（修改自 Zheng，et al.，2013）1、區(qū)域地層研究區(qū)位于中亞造山帶，羅布泊的東側(cè)，北山裂谷西段。區(qū)內(nèi)出露地層以古生界下石炭統(tǒng)紅柳園（C1h）地層和中元古界長城系古硐井巖群（ChG）為主，研究區(qū)巖性類別分布情況如圖 2-2 所示。

11圖 2-2 研究區(qū) 1：50000 地質(zhì)簡圖（出自“西昆侖成礦帶礦產(chǎn)資源遙感綜合調(diào)查”項目）古生界下石炭統(tǒng)紅柳園（C1h）地層主體為淺海相的陸源碎屑巖，夾有碳酸鹽巖、火山碎屑巖等，巖性組合自下而上由兩部分組成，下部由一套碎屑巖－碳酸鹽巖建造組成，上部為火山熔巖－火山碎屑巖－碎屑巖建造。大多經(jīng)歷了韌性剪切變形作用和淺變質(zhì)作用。中元古界長城系古硐井巖群（ChG）分布在研究區(qū)的西北側(cè)，與北山巖群、石炭系地層均為斷裂接觸，被加里東期和華力西期巖體侵入，為一套中、淺變質(zhì)巖系。古硐井巖群（ChG）總體上是一套片巖，自下而上也分為兩部分，下部巖性主要為黑云石英片巖、二云石英片巖；上部巖性主要為黑云母片巖、黑云石英
【相似文獻】

相關(guān)期刊論文 前10條

1 陳一諾;董紹華;;基于隨機森林算法的管道缺陷預測方法[J];油氣儲運;年期

2 周佳寧;張潔;李天宏;基于MODIS影像和隨機森林算法的河北壩上林地動態(tài)監(jiān)測[J];北京大學學報(自然科學版);年期

3 劉陽;杜華軍;岳子涵;馬杰;呂武;;基于隨機森林的無人機檢測方法[J];計算機工程與應(yīng)用;年期

4 胡蝶;;基于隨機森林的債券違約分析[J];當代經(jīng)濟;2018年03期

5 溫博文;董文瀚;解武杰;馬駿;;基于改進網(wǎng)格搜索算法的隨機森林參數(shù)優(yōu)化[J];計算機工程與應(yīng)用;2018年10期

6 趙藝淞;楊昆;王保云;黎曉路;;隨機森林在城市不透水面提取中的應(yīng)用研究[J];云南師范大學學報(自然科學版);2017年03期

7 吳辰文;梁靖涵;王偉;李長生;;一種順序響應(yīng)的隨機森林:變量預測和選擇[J];小型微型計算機系統(tǒng);2017年08期

8 顧娟;林敏;鞠桂玲;;基于隨機森林回歸的軍械器材需求預測[J];自動化應(yīng)用;2017年09期

9 劉迎春;陳梅玲;;流式大數(shù)據(jù)下隨機森林方法及應(yīng)用[J];西北工業(yè)大學學報;2015年06期

10 羅超;;面向高維數(shù)據(jù)的隨機森林算法優(yōu)化探討[J];商;2016年04期

相關(guān)博士學位論文 前10條

1 王曉軍;基于大數(shù)據(jù)的風洞馬赫數(shù)集成建模方法的研究[D];東北大學;2016年

2 姚登舉;面向醫(yī)學數(shù)據(jù)的隨機森林特征選擇及分類方法研究[D];哈爾濱工程大學;2016年

3 黃玥;VANET信息安全問題及異常檢測技術(shù)研究[D];吉林大學;2017年

4 倪強;基于隨機前沿和隨機森林法的沿海開發(fā)區(qū)發(fā)展效率研究[D];天津大學;2011年

5 季斌;內(nèi)蒙古浩布高地區(qū)多金屬礦綜合信息找礦預測研究[D];合肥工業(yè)大學;2017年

6 雷震;隨機森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學;2012年

7 金超;基于隨機森林的醫(yī)學影像分割算法研究及應(yīng)用[D];蘇州大學;2017年

8 李寶富;巨厚礫巖層下回采巷道底板沖擊地壓誘發(fā)機理研究[D];河南理工大學;2014年

9 趙東;基于群智能優(yōu)化的機器學習方法研究及應(yīng)用[D];吉林大學;2017年

10 孫超;糖尿病腎病中醫(yī)證候分類預測模型的構(gòu)建及其識別性能的評估[D];北京中醫(yī)藥大學;2015年

相關(guān)碩士學位論文 前10條

1 王偉;基于隨機森林方法的滬深300指數(shù)漲跌預測研究[D];天津財經(jīng)大學;2017年

2 申鵬;基于人體生理信號的疲勞駕駛檢測方法的研究[D];湖南大學;2017年

3 葉蓓;WorldView-3數(shù)據(jù)的巖性信息自動提取方法研究[D];中國地質(zhì)大學(北京);2018年

4 王勇;基于QuickBird影像的城市用地分類方法研究[D];東華理工大學;2017年

5 王雨晨;基于隨機森林的上海市PM_(2.5)質(zhì)量濃度預測研究[D];華東師范大學;2017年

6 劉媛媛;基于整體經(jīng)驗?zāi)�態(tài)分解和隨機森林的城市PM2.5預測[D];長春工業(yè)大學;2017年

7 楊思琪;隨機森林模型在太原市細顆粒物濃度預測中的應(yīng)用[D];太原理工大學;2017年

8 李磊;隨機森林及數(shù)據(jù)可視化在棉蚜等級預測中的應(yīng)用研究[D];山東農(nóng)業(yè)大學;2017年

9 陳江鵬;基于最大相關(guān)最小冗余樸素貝葉斯分類器的腫瘤分類方法研究[D];重慶醫(yī)科大學;2017年

10 張軍挺;人臉檢測及人臉年齡與性別識別方法[D];中國科學技術(shù)大學;2017年

本文編號：2877307