海岸线是指平均大潮高潮时的水陆分界线,是地形图和海图的基础要素。受自然因素和人为因素的影响,海岸线不断变化,快速而准确地监测海岸线位置和性质的动态变化,对于基础地理信息快速更新、资源调查和海岸带的科学管理具有重要意义。本文旨在研究从遥感影像中快速、准确地获取海岸线信息的方法,在863重大项目课题“南海及其邻域空间情势综合分析与决策模拟”的支持下,以越南大陆海岸线为研究对象,将越南大陆海岸线分为五种类型,使用Landsat8的OLI影像,以影像最优分割、影像特征优选与影像智能分类技术为研究基础,构建多层次的海岸线智能解译模型,采用多种机器学习方法对越南大陆海岸线的智能解译展开了深入研究。论文的主要内容和创新如下:1.针对影像分割中的尺度选择问题,提出了基于知识反馈的最优分割尺度获取方法,根据地物类的尺度判断特征获取尺度备选集,在不同类的地物特征差异最大的理论指导下构建特征差异判别准则,最后利用特征差异判别准则从尺度备选集中获取最优分割尺度。实验表明,该方法能够根据解译任务精确地获取多个目标地物的最优分割尺度。以获取的最优分割尺度为依据,结合聚类方法分析地物类别的可分性,确定了具体的地物类别和信息提取的层次结构。2.系统地分析和评价了基于OLI影像定义的多种特征。基于Pearson样本相关系数评价特征之间的相关性,使用变异系数来衡量特征携带的信息量,使用单因素方差分析的方法分析特征与目标地类之间的相关性,通过关联规则挖掘,得到与10个地物类强相关的特征并对规则进行解译。3.提出了以降低解译不确定性为目标的特征选择方法。基于多种方法对特征进行优选:基于BP神经网络的权值进行敏感性分析,通过敏感性系数的大小对特征的重要性进行排序并进行特征选择;从减少分类不确定性,增强规则表达的鲁棒性等方面考虑,研究了外界因素和内在因素对特征值的影响,外界因素中研究了影像中薄云的影响,内在因素研究了影像分割尺度对影像对象特征值的影响;使用因子分析法对原始的高维特征进行特征抽取实现维度归约。4.对比分析了五种类型常用的机器学习算法在海岸地物分类中的应用效果,通过一系列实验得到各分类器的较优参数设置,构建了适用于海岸地物分类的机器学习模型,并通过影像分类实验分析各个分类器对地物类的分类能力,实验表明,SVM对10个地物类别的分类精度都很高,分类效果最好,SVM和随机森林两种分类器的分类结果互补性强。5.提出了一种使用关系规则进行分类的方法,这种规则通过比较属性或特征间的关系实现分类,具有易于理解和鲁棒的特点。本文首先构造影像对象的关系特征,然后通过机器学习获得了植被相关、水体相关和砂石相关三个大类的多条关系规则,对影像解译的专家知识进行补充。6.基于获取的海岸线数据进行了多种方式的统计分析,得出的主要结论有:2013年越南大陆海岸线总长度约为4067km,其中人工岸线占的比例最大、淤泥质岸线占的比例最小;人工岸线分布最广,砂质岸线主要分布于越南的南中部,基岩岸线分布于越南中部,红树林岸线分布于越南大陆的南北两头,淤泥质海岸在整条大陆海岸线上零星分布;28个沿海省级行政区中海岸线最长的是广宁省,最短的是宁平省,人工岸线最长的是南定省,基岩岸线最长的是庆和省,砂质岸线最长的是平顺省,淤泥质岸线最长的是广宁省,红树林岸线最长的是金瓯省。