基于面向对象分析的无人机影像梯田田面提取研究

发布时间：2020-07-12 23:17

【摘要】：梯田建设作为坡耕地整治的一项主要措施,在我国黄土丘陵山区的农业发展及治理水土流失中起着关键作用。精准、高效地提取梯田的田面,可为改善黄土丘陵区域农业经济发展,梯田建设评估提供可靠的支持。目前,通过遥感影像自动、半自动化解译梯田信息有一定的研究进展,但是受数据获取成本、精度、数据源单一、解译方法单一等限制,梯田信息提取研究只限于大范围地提取梯田区域。低成本地进行梯田的田面精准提取仍需进一步研究。本文以甘肃省兰州市榆中县龙泉乡的水平旱梯田为样区,基于面向对象(Object Base Image Analysis,OBIA)分析方法,应用无人机遥感影像与通过DEM计算出的地形因子,研究提取梯田田面的方法。论文主要研究内容如下:(1)梯田分割的研究。首先对无人机正射影像(分辨率0.5m)进行影像增强,以及通过数字高程模型(Digital Elevation Model,DEM)(分辨率0.5m)计算得出地形因子并降维;其次对增强后的正射影像、降维后的地形因子、及两者的融合等三种数据,分别采用多尺度分割,获取梯田与非梯田对象。研究表明,将正射影像与地形因子融合的多尺度分割效果优于应用单一数据源。(2)梯田田面对象分类研究。对多尺度分割获取的梯田与非梯田对象,采用监督学习(K-最邻近,支持向量机,决策树)法进行分类提取出梯田田面。并应用基于混淆矩阵法的计算的总精度、Kappa系数进行分类精度评价。实验表明,应用正射影像与地形因子融合的数据,分类效果优于基于单一数据源的分类效果。并且,对于形状较为规则、田面上覆盖物较少的梯田,基于支持向量机的分类结果优于基于K-最邻近法和决策树法。而对于形状不规则,田面上有积雪等覆盖物的梯田,基于决策树法的分类结果优于基于K-最邻近法和支持向量机法。
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751
【图文】：

正射影像,正射影像,区域

（a）区域一原始图（b）区域二原始图（c）区域三原始图（d）区域一 CLAHE 后（e）区域二 CLAHE 后（f）区域三 CLAHE 后图3-5 正射影像 CLAHE 结果Fig. 3-5 Orthoimages after CLAHE

曲线,贝叶斯决策,最优分割,数据源

（a）基于数据源 1 （b）基于数据源 2（c）基于数据源 3图4-2 区域一的最优分割尺度的贝叶斯决策曲线Fig. 4-2 Bayesian Decision Curve for Optimal Segmentation ofArea 1分析图 4-2，基于数据源 1 的最优尺度在 110 左右，或者 130 左右；基于数据源 2 的最优尺度在 50 左右，或者 150 左右；基于数据源 3 的最优尺度在 150 左右。分割结果如图 4-3 所示，对比基于三种数据源的分割结果，分析区域一（图 4-3b，c，d），区域二（图4-3f

对比图,数据源,对比图,区域

Fig. 4-6 Original and True Values of Area 1（a）基于数据源 1 分类（b）基于数据源 2 分类（c）基于数据源 3 分类图4-7 区域一的三种数据源的 KNN 分类对比图Fig. 4-7 Comparison of KNN Classification of Three Data Sources inArea 1（a）基于数据源 1 分类（b）基于数据源 2 分类（c）基于数据源 3 分类图4-8 区域一的三种数据源的 SVM 分类对比图Fig. 4-8 Comparison of SVM Classification of Three Data Sources in Area 1

【参考文献】