1. 研究目的与意义（文献综述）

遥感技术不断发展，遥感影像能够细致地表达丰富的地表信息，由于其巨大的应用潜力和发展前景，越来越受到人们的关注，被广泛应用到国家城市经济建设的各个行业中，如地球资源探测^[1]-[3]、军事侦测^[4]、环境污染探测^[5]等。为了更有效地对城市变化进行动态地检测，及早做好城市发展的规划和管理、预测未来规划，传统研究城市扩张方法已经不能满足客观需求。面对21世纪计算机时代不断崛起的发展机遇，将遥感影像、信息系统及数据挖掘等相结合的方法为检测城市动态发展体系、城市环境污染现状及趋势提供了良好的技术支持。

在地理信息系统领域，深度学习与之结合的应用仍然处于一个刚起步的状态。传统的遥感影像研究城市扩张方法基于目视解译^[6]，由于其识别标准受限于人工而导致分析精度不高且分析效率低下。深度学习在城市扩展变化检测分析中表现出明显高于传统方法的总体精度和kappa系数^[7]，故将其融合应用与遥感影像的识别技术有利于影像识别技术的提升。

ran goldblatta等人提出一种基于像素的城市土地覆盖分类方法^[8][9]，搭建概念框架注入dmsp-ols/landsat策略，利用夜间光数据^[10]作为bu和nbu区域的训练示例来源，用六边形网格对实例国家的整体区域内建成土地覆盖进行分类。在研究过程中，使用随机森林分类器为每个像素预测它属于给定类的概率，用大津算法降低错分概率。这种方法需要利用分类地区的先验知识，提高分类精度。但同时受人为主观因素影响，训练过程相对耗时，且由于主要是依靠的单一广谱特征，导致结果不理想。近年来，以卷积神经网络为代表的深度学习方法，通过权值共享以减少网络参数，逐步克服网络中计算量大的问题。kang j等^[11]将其应用于结合直方图的图像阈值分割，zhang m等^[12]基于多元化cnn对不同区域的高光谱遥感图像进行分类,ciresan等^[13]将其用于自然图像数据集上的目标识别。鉴于cnn在目标识别和遥感图像检测上的应用，本文提出一种基于深度学习卷积网络的遥感图像识别方法，主要识别地理信息系统中的城市建成区及其变化趋势，对比之前的目标识别方法存在的人工提取特征、鲁棒性错、计算量大等缺点^[14][15]进行改进，更好获取土地覆盖信息。

2. 研究的基本内容与方案

基本内容：

1）通过阅读文献，了解城市化和城市扩张的意义和价值。城市扩张的过程有利于城市规划和环境管理，研究现下使用的遥感方法，结合当下城市扩张带来的一系列的环境问题，比如说耕地减少，地表和地下水污染，空气污染等，进行城市发展预测分析。

2）研究基于随机森林的分类器算法，获取其多源遥感和地理数据集成方法的准确性。探索将深度学习中的卷积神经网络与地理遥感影像识别相结合的方法，应用到landsat训练数据中，获取到地理信息中城市区域集。

3. 研究计划与安排

第一阶段（第1周—第3周）：阅读相关参考文献，完成外文资料翻译及文献摘要撰写，并交予指导教师检查。

第二阶段（第4周—第9周）：熟悉所选用的算法，运用所学的数学以及计算机理论知识，完成算法的实现，提出改进方案。

第三阶段（第10周—第13周）：实现算法的改进，在公共数据集上测试算法性能，完成与已有的同类算法的比较实验，对算法的结果进行分析。

4. 参考文献（12篇以上）

[1] xiong w,du b,zhang l,et al. "regularizing deep convolutional neural networks with a structured decorrelation constraint." ieee international conference on data mining ieee, 2017

[2] cui s , schwarz g , datcu m . remote sensing image classification: no features, no clustering[j]. ieee journal of selected topics in applied earth observations amp; remote sensing, 2016, 8(11):5158-5170.

[3] rathore m m u , paul a , ahmad a , et al. real-time big data analytical architecture for remote sensing application[j]. ieee journal of selected topics in applied earth observations and remote sensing, 2015, 8(10):1-12.