基于GF-2遥感影像的机械性破损面提取方法
发布时间：2021-03-26 18:53
机械性破损面容易引发水土流失、次生地质灾害等生态环境问题,但目前还缺乏其基于遥感影像的有效提取方法。选择机械性破损面分布密集的云南省螳螂川流域为研究对象,基于高分二号（GF-2）遥感影像,探讨其基于纹理特征辅助的面向对象提取方法。根据7类地物特征建立地物分类规则,在最优尺度分割的基础上,基于光谱特征的决策树A和基于"光谱+纹理"特征的决策树B进行面向对象的分类。经过精度评价分析得出,相对于传统的监督分类法和仅基于光谱的面向对象分类法,基于"光谱+纹理"特征的决策树B分类方法使Kappa系数和总精度分别提高至0. 82和86. 25%,有效地提高了机械性破损面的提取精度。
【文章来源】：国土资源遥感. 2020,32(02)北大核心CSCD
【文章页数】：7 页
【部分图文】：
研究区遥感影像
由于研究区覆盖地类丰富，提取机械性破损面的过程中容易出现同物异谱的现象，同时，基于像元的分类方法容易造成“椒盐效应”，分类精度不高[8]。传统的基于像元的分类方法已经无法满足高空间分辨率遥感影像分类的需求。面向对象的决策树分类是一类以实验数据为基准的经验学习算法，该算法主要包括影像分割、地物特征提取和影像分类3个关键步骤[9]。影像分割是指将整个影像区域分割成若干个互不交叠、具有相同或相似特性的非空子区域的过程[10]。地物特征提取是按分类目标提取出各地类光谱、形状、纹理等特征的差异信息，将这些信息作为知识加入分类器中，可以大大提高分类精度。本文利用ENVI和eCognition 8.0软件，结合面向对象的决策树方法、监督分类方法对机械性破损面信息进行提取并进行对比分析，具体技术流程如图2所示。2.2 分割方法和参数确定
为了使分割后的影像对象内部同质性效果达到最优，需要对多尺度分割中的分割尺度、波段权重、均质性标准进行选择。不同的参数选择对分割效果有影响。分割尺度的设置是多尺度分割最重要的一步，尺度过小会出现“过分割”现象，而尺度过大又会导致“欠分割”现象。波段权重会影响波段信息参与分割的过程，权重越大，说明该波段的更多信息参与到多尺度分割的过程中[12]。除了尺度参数和波段权重参数外，形状因子和紧致度的合理设置也尤为重要。经多次试验，本研究将尺度参数设为200，波段权重均为1，形状因子设为0.2，紧致度因子设为0.5，光谱差异分割参数设为110，获得分割效果最佳，能够将各类地物都较好地分割开来(图3)。其中，区域1展示了水体、林地对象的分割效果;区域2展示了有作物的耕地和居民地对象的分割效果;区域3展示了机械性破损面和裸地的分割效果;区域4展示了无作物的耕地对象的分割效果。2.3 地物特征规则分析
【参考文献】：
期刊论文
[1]结合主动学习和词袋模型的高分二号遥感影像自动化分类[J]. 张金盈,姚光虎,林琳,郭怀轩. 测绘通报. 2019(02)
[2]面向对象方法的复杂地形区地表覆盖信息提取[J]. 贾伟,高小红,杨灵玉,史飞飞,何林华. 兰州大学学报(自然科学版). 2018(04)
[3]特征优选下的遥感影像面向对象分类规则构建[J]. 戴莉莉,李海涛,顾海燕,余凡. 测绘科学. 2019(02)
[4]GF-2影像面向对象典型城区地物提取方法[J]. 王蕾,杨武年,任金铜,邓晓宇. 测绘通报. 2018(01)
[5]基于GF-1卫星数据的面向对象的民勤绿洲植被分类研究[J]. 张华,张改改,吴睿. 干旱区地理. 2017(04)
[6]基于多时相遥感影像的北京平原人工林树种分类[J]. 王二丽,李存军,周静平,彭代亮,胡海棠,董熙. 北京工业大学学报. 2017(05)
[7]基于纹理特征与区域生长的高分辨率遥感影像分割算法[J]. 苏腾飞,张圣微,李洪玉. 国土资源遥感. 2017(02)
[8]面向对象分类方法在台风灾害信息提取中的应用研究[J]. 欧阳华璘,沈敬伟,周廷刚. 自然灾害学报. 2016(06)
[9]面向对象的黑河下游河岸林植被覆盖信息分类![J]. 徐菲楠,祁元,王建华,张金龙. 遥感技术与应用. 2015(05)
[10]基于面向对象决策树算法的半干旱地区遥感影像分类[J]. 朱海涛,张霞,王树东,王晋年,孙艳丽. 遥感信息. 2013(04)
硕士论文
[1]基于高分二号影像的面向对象分类技术研究[D]. 何志强.安徽理工大学 2018
[2]基于多尺度分割的土地利用分类研究[D]. 张东梅.东华理工大学 2017
[3]基于GF-2卫星影像的川东丘陵地区耕地信息提取[D]. 陈佳俊.成都理工大学 2017
本文编号：3102077
【文章来源】：国土资源遥感. 2020,32(02)北大核心CSCD
【文章页数】：7 页
【部分图文】：
研究区遥感影像
由于研究区覆盖地类丰富，提取机械性破损面的过程中容易出现同物异谱的现象，同时，基于像元的分类方法容易造成“椒盐效应”，分类精度不高[8]。传统的基于像元的分类方法已经无法满足高空间分辨率遥感影像分类的需求。面向对象的决策树分类是一类以实验数据为基准的经验学习算法，该算法主要包括影像分割、地物特征提取和影像分类3个关键步骤[9]。影像分割是指将整个影像区域分割成若干个互不交叠、具有相同或相似特性的非空子区域的过程[10]。地物特征提取是按分类目标提取出各地类光谱、形状、纹理等特征的差异信息，将这些信息作为知识加入分类器中，可以大大提高分类精度。本文利用ENVI和eCognition 8.0软件，结合面向对象的决策树方法、监督分类方法对机械性破损面信息进行提取并进行对比分析，具体技术流程如图2所示。2.2 分割方法和参数确定
为了使分割后的影像对象内部同质性效果达到最优，需要对多尺度分割中的分割尺度、波段权重、均质性标准进行选择。不同的参数选择对分割效果有影响。分割尺度的设置是多尺度分割最重要的一步，尺度过小会出现“过分割”现象，而尺度过大又会导致“欠分割”现象。波段权重会影响波段信息参与分割的过程，权重越大，说明该波段的更多信息参与到多尺度分割的过程中[12]。除了尺度参数和波段权重参数外，形状因子和紧致度的合理设置也尤为重要。经多次试验，本研究将尺度参数设为200，波段权重均为1，形状因子设为0.2，紧致度因子设为0.5，光谱差异分割参数设为110，获得分割效果最佳，能够将各类地物都较好地分割开来(图3)。其中，区域1展示了水体、林地对象的分割效果;区域2展示了有作物的耕地和居民地对象的分割效果;区域3展示了机械性破损面和裸地的分割效果;区域4展示了无作物的耕地对象的分割效果。2.3 地物特征规则分析
【参考文献】：
期刊论文
[1]结合主动学习和词袋模型的高分二号遥感影像自动化分类[J]. 张金盈,姚光虎,林琳,郭怀轩. 测绘通报. 2019(02)
[2]面向对象方法的复杂地形区地表覆盖信息提取[J]. 贾伟,高小红,杨灵玉,史飞飞,何林华. 兰州大学学报(自然科学版). 2018(04)
[3]特征优选下的遥感影像面向对象分类规则构建[J]. 戴莉莉,李海涛,顾海燕,余凡. 测绘科学. 2019(02)
[4]GF-2影像面向对象典型城区地物提取方法[J]. 王蕾,杨武年,任金铜,邓晓宇. 测绘通报. 2018(01)
[5]基于GF-1卫星数据的面向对象的民勤绿洲植被分类研究[J]. 张华,张改改,吴睿. 干旱区地理. 2017(04)
[6]基于多时相遥感影像的北京平原人工林树种分类[J]. 王二丽,李存军,周静平,彭代亮,胡海棠,董熙. 北京工业大学学报. 2017(05)
[7]基于纹理特征与区域生长的高分辨率遥感影像分割算法[J]. 苏腾飞,张圣微,李洪玉. 国土资源遥感. 2017(02)
[8]面向对象分类方法在台风灾害信息提取中的应用研究[J]. 欧阳华璘,沈敬伟,周廷刚. 自然灾害学报. 2016(06)
[9]面向对象的黑河下游河岸林植被覆盖信息分类![J]. 徐菲楠,祁元,王建华,张金龙. 遥感技术与应用. 2015(05)
[10]基于面向对象决策树算法的半干旱地区遥感影像分类[J]. 朱海涛,张霞,王树东,王晋年,孙艳丽. 遥感信息. 2013(04)
硕士论文
[1]基于高分二号影像的面向对象分类技术研究[D]. 何志强.安徽理工大学 2018
[2]基于多尺度分割的土地利用分类研究[D]. 张东梅.东华理工大学 2017
[3]基于GF-2卫星影像的川东丘陵地区耕地信息提取[D]. 陈佳俊.成都理工大学 2017
本文编号：3102077
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3102077.html
