简介:从大量的地震属性中提取最能反映地质特征的综合属性是储层预测技术的关键,通常选用降维方法来优选属性。目前应用最为广泛的线性降维方法。但是,由于地震属性与地质特征的关系通常是非线性的,基于线性变换的地震属性降维优化方法不能充分地反映这种非线性关系,降低了储层预测的精度。流形学习是一种新的非线性学习方法,它是通过保持数据局部结构的方式将高维数据投影到低维空间,挖掘和发现隐藏在数据中的内在特征与规律性,开拓了地震属性降维优化研究的新领域。本文首次实现了3D地震数据的层问属性特征提取,讨论了LLE方法及其关键技术,并以奥陶系礁滩相储层实例说明LLE和PCA两种方法降维及聚类的不同效果。理论模型分析和实例应用表明:LLE较好地保持了数据本身的原始结构;提取的综合属性和聚类相图较好地刻画了沉积相带、储层和流体的特征。这说明流形学习具有更好的特征提取性能。
简介:在区域尺度下,探索提取不同林分结构和滩涂裸露状况下红树林空间分布遥感信息的适用方法。选择ALOSPRISM/AVNIR-2为数据源,以广西北部湾两个红树林典型分布区作为实验区,第一个实验区是红树林茂密、滩涂裸露的区域,第二个实验区是红树林稀疏、低矮和滩涂不完全裸露的区域,分别采用了植被指数、监督分类、非监督分类和面向对象分类方法,进行实验。研究结果表明,在第一个实验区,用RVI、NDVI、SAVI、DVI、监督分类、非监督分类和面向对象方法进行遥感分类的总体精度分别为95.3%、94.3%、92.3%、93.3%、96.0%、97.0%和94.0%,说明这几种方法都可以较精确地提取红树林信息,其中非监督分类的结果相对较好;在第二个实验区,植被指数不能精确提取红树林信息,监督分类、非监督分类和面向对象分类的总体精度分别为92.7%、85.7%和89.3%,以监督分类的结果最好。因此,监测区域尺度的红树林,必须根据具体海湾或地段红树林的林分结构特点、成像时刻的潮位高度、红树林在遥感图像上的表征,选用适合的方法,才能确保红树林信息提取精度。在采用多源遥感数据进行红树林动态监测中,综合运用植被指数、监督分类、非监督分类、面向对象分类和图像解译方法,可以准确提取红树林信息。此外,对于斑块破碎、林木低矮且相当部分稀疏的广西北部湾乃至南中国海红树林遥感信息提取,适用的遥感图像空间分辨率应小于5m,以小于3m更适宜。
简介:以2016年8月26日Landsat-8OLI影像为数据源,针对特征变量数目可影响分类精度和运算速率问题,采用一种基于特征优选的随机森林模型,提取了黄河口滨海湿地高精度信息。首先,采用Relief(relevantfeatures)-F算法,对全部特征变量进行权重排序,剔除不相关变量;然后,分别采用基于特征优选的随机森林模型、最大似然方法和神经网络分类算法,提取黄河口滨海湿地信息,比较基于特征优选的随机森林模型与其它两种分类方法在滨海湿地信息提取应用中的精度和效率。研究结果表明,基于特征优选的随机森林模型滨海湿地分类效果最佳,总精度为86.39%,Kappa系数为0.81,明显高于最大似然和神经网络分类方法;其中,河流湿地分类精度最高,为95.83%,盐田分类精度最低,主要原因在于盐田与养殖池、水库/坑塘的光谱和几何特征极为相似,易于混淆;但与最大似然分类和神经网络分类方法相比,该方法提取效果明显改善,分类精度分别提高了16.84%和4.44%。本研究结果证明,采用Relief-F算法特征优选的随机森林模型提取滨海湿地信息的方法,具有分类精度高、运算速率快的优势,适用于滨海地区不同类型湿地高精度信息提取。
简介:单独利用遥感影像光谱信息进行近海水产养殖信息提取时,养殖水体与自然水体易混淆,而单独利用遥感影像纹理信息提取近海水域水产养殖信息时,单一大块养殖水体与自然水体又难以区分。针对上述问题,利用OLI影像数据,提出了一种综合遥感影像光谱与纹理信息进行水产养殖信息提取的方法。首先,在对研究区养殖水体类型进行光谱特征分析的基础上,采用主成分变换方法,对OLI影像光谱信息进行压缩、挖掘和选取;其次,分析灰度共生矩阵窗口尺寸和纹理特征统计量对研究区水产养殖区域的区分能力,完成纹理特征的选取,并将选取的纹理信息和光谱信息进行特征协同;最后,对特征协同数据进行多尺度分割,根据各水体类型间的光谱特征和纹理特征的差异,构建研究区3种养殖水体的模糊逻辑隶属度函数,实现对研究区水产养殖信息的自动提取。研究结果表明,该方法能较好地提取研究区水产养殖信息,总体分类精度达到97.93%。