基于GF-2遥感影像的农田面向对象变化检测方法研究

发布时间：2020-09-23 07:03

　　由于城市化、工业化的进程加快以及自然灾害的频发,在人为因素和自然因素的双重影响下我国自然资源安全受到了严重威胁。所以及时了解农田变化情况对我国农业建设和自然资源可持续发展具有重要意义。农田变化检测是根据同一感兴趣区不同时相的农田信息来确定农田变化情况的过程。随着遥感技术和图像处理技术的快速发展,利用高分辨率遥感影像进行感兴趣区变化检测变得十分方便。但是利用传统的基于像元的变化检测方法已无法适用于含有丰富信息特征的高分辨率遥感影像。因此,采用面向对象的变化检测方法成为目前国内外学者研究的关键问题。本文选取大安市舍力镇作为研究区。选择两期时相分别为2015年9月、2017年8月的高分二号遥感影像作为变化检测试验数据。采用面向对象的分类方法完成对两期遥感影像农田信息的提取并对分类结果进行精度评价,然后采用面向对象的变化检测方法实现农田信息的变化检测。本文主要研究成果如下:(1)对基于边界的分割算法与基于区域的分割算法的区别进行详细研究,从客观和主观两方面分析出基于区域分割算法的多尺度分割在同时提取多种目标地物类型时具有优越性,并总结出多尺度分割参数的选择方法。在不同影像对象层采用不同的分割参数进行多尺度分割。利用试错法得出第一层植被与非植被的最优分割尺度为90、形状因子为0.2、紧致度因子为0.5,第二层旱田、水田及其它植被的最优分割尺度为150、形状因子为0.2、紧致度因子为0.5。(2)综合利用高分遥感影像的光谱特征、形状特征、自定义特征对目标地物类型进行信息提取。建立影像对象的分类层次后,通过对目标地物特征的描述和组合,建立目标地物的提取规则。以多尺度分割后的影像对象为分类的基本单元,利用阈值分类和最邻近分类相结合的方法实现了研究区农田信息的提取。(3)以2015年、2017年高分二号遥感影像目视解译结果作为参考影像,对分类结果进行精度评价。对两期研究区遥感影像进行目视解译,人工判读农田信息。利用混淆矩阵对两期自动分类结果与目视解译结果进行对比,得出2015年总体精度为91.6%、Kappa系数为84.8%,2017年总体精度为90.8%、Kappa系数为84.3%。(4)探讨了三种遥感影像的变化检测方法并采用面向对象的变化检测方法进行试验。利用copy map、synchronize map、convert to sub-objects、copy image object level等算法对两期研究区农田信息变化进行变化检测。检测结果表明该方法具有较高的实用性和有效性。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S127
【部分图文】：

尺度,植被,紧致,与非

分割尺度为 90 时，植被与非植被类别的轮廓相对完整、分割成的影像对象较完整，能够较好地区分植被类别与非植被类别。当分割尺度为 110 和 130 时，分割成的多边形面积过大，地类综合过大，使得植被与非植被类别信息部分合并，无法清晰区分。分割尺度不同时的分割效果如图 5.1 所示。分割尺度=70,形状因子=0.1,紧致度因子=0.5 分割尺度=90,形状因子=0.1,紧致度因子=0.5

形状因子

分割尺度=90,形状因子=0.3,紧致度因子=0.5图 5.2 形状因子不同时的在第一层分割的基础上，通过继承关系同方法得出，第二层区别旱田、水田、其他无=150,形状因子=0.2,紧致度因子=0.5。研究区表 5.1 研究区各层层次提取信息波段权重Level 1 植被、非植被B：G：R：NNDVI：ND=1：1：1：2Level 2旱田、水田、B：G：R：NNDVI：ND

过程图,特征组合,旱田,水田

第 5 章面向对象的农田变化检测试验方法是面向对象信息提取中一种最常用的分类方法。选取具有旱田、水田及其他植被明显特征的分布均匀类地物类型赋予相应的具有代表性的目标地物，并创特征组合。第二级分类时最初人工构建的特征空间为用到分类过程中会导致计算量过大、分类效率降低[38]ure Space Opitimization 自动选取最佳特征组合，将特征空间优化工具选取的最邻近分类最佳特征组合为边形面积（Area）、长宽比（Length/Width）、最大差分（ctness），如图 5.4 所示。

【相似文献】