融合知识图谱的植被遥感分类方法研究——以太白山为例
文献类型：学位论文
| 作者 | 王宝国 |
| 答辩日期 | 2024-06 |
| 文献子类 | 专业学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 姚永慧 ; 徐美 |
| 关键词 | 遥感 知识图谱 山地垂直带谱 卷积神经网络 植被分类 |
| 学位名称 | 硕士 |
| 学位专业 | 农业工程与信息技术 |
| 英文摘要 | 山地植被垂直带是山地生态系统的重要组成部分，反映了从低海拔到高海拔植被分布梯度变化的规律，对于深化植被分类及生态学研究至关重要。然而，在当前遥感植被分类实践中，主要依靠结构化的遥感影像数据，并未充分整合与利用山地植被垂直带所蕴含的地学规律，其原因在于：现有的大量非结构化文献和研究成果中包含的关键地学知识以非结构化的文本、图表等形式存在，不能被深度学习模型充分利用，因为这些模型和算法通常需要输入结构化的数据才能有效运作。知识图谱技术的发展为解决这一问题提供了可能。知识图谱能够系统地组织和结构化复杂的关系和属性，使得原本难以直接应用于现代人工智能技术的地学知识变得直观且易于模型化，从而增强地理知识的有效利用。尽管已经有学者开始结合知识图谱与遥感数据进行高级地学分析，但在融合植被垂直带知识图谱等深层次地理知识方面尚处于起步阶段。 因此，本研究结合垂直带数据、植被类型图、地形地貌等多种地理数据，利用预训练的卷积神经网络融合高分辨率遥感图像（如高分一号，高分二号等）特征，基于现代图数据库相关技术提出了一套自动化构建山地植被垂直带知识图谱的方法；并以太白山为研究区，将构建的山地植被垂直带知识图谱作为约束，优化深度卷积神经网络模型，分别从训练过程约束、分类结果后处理等角度展开融合知识图谱本体的植被深度学习分类实验，以期改进针对山地植被的遥感分类方法，提升分类模型的可解释性和普适性。本研究的主要成果如下： （1）设计并构建了一套基于已有植被类型图和典型山地植被垂直带数据的山地植被垂直带知识图谱本体自动化构建方法。通过仔细梳理植被类型图及植被垂直带的分类体系和分类方案，建立了具有4 级分类体系包含植被大类、植被型组、植被型/亚型、植被群系组/群系/亚群系的本体分类体系，构建了中国植被类型本体和典型山地植被垂直带本体，实现了两个本体间的嵌入融合，形成一个包含944 个节点的太白山区山地植被垂直带知识图谱本体。 （2）基于已有的植被类型图和遥感数据，利用深度学习模型构建了包含植被影像特征、类型、海拔高度等多属性的植被垂直带知识图谱实体。利用空间统计方法从多源异构遥感时空数据中抽取了时空场景属性，并针对山地植被特性优化设计了一种多通道遥感影像特征提取模型，利用该方法提取时空场景的遥感影像特征，完成了包含约24000 个实体节点的山地植被垂直带知识图谱实体库。该实体库整合了多源时空数据与遥感影像特征提取所得的光谱、纹理和形状特征信息。 （3）利用太白山遥感影像数据，基于ResNet-50 和构建的山地植被垂直带知识图谱设计了4 组对照实验探索并优化植被遥感分类方法并在植被群系级别开展分类研究，4 组实验分别为：仅利用遥感影像进行分类的基准实验、训练阶段融合知识图谱进行神经网络约束、分类阶段融合知识图谱进行结果后处理，以及预训练及分类两个阶段均融合知识图谱。四组实验的模型精度分别达到了70.6%，75.3%，76.1%，以及81.5%。利用精度最高的模型进行植被遥感分类，并添加对5 种混交林的分类结果后处理，最终得到太白山研究区植被分类结果，经随机点验证总体精度为89.2%。研究结果表明，基于山地植被垂直带知识图谱的植被遥感分类方法不仅能够改善模型对植被类型的辨别能力，实现了13 种类型的植被精细分类，还能够提供深层次的语义理解和环境背景信息，从而增强模型的泛化能力和可解释性。 本研究构建了秦岭太白山地区植被垂直带知识图谱，填补了该领域地学知识图谱的空白，并且将该知识图谱本体引入植被遥感智能分类模型，构建了具有可解释性和高泛化性的植被类型精细分类方法，研究成果可以为知识图谱的应用及遥感智能分类模型研究提供技术支持。 |
| 语种 | 中文 |
| 页码 | 91 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/208034]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 王宝国. 融合知识图谱的植被遥感分类方法研究——以太白山为例[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2024. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。