基于机器学习的灌区渠系轮廓提取方法研究

发布时间：2020-06-13 15:12

【摘要】：及时准确获取灌区渠系轮廓对保障农户适量灌溉,提高水资源利用率,缓解农业缺水状况有着重要意义,有助于实现农民增产增收和水利增效的目标。针对目前普遍使用的灌区遥感影像存在分辨率不高使得提取困难的问题,本研究以内蒙古临河区海丰县灌区区域影像为研究对象,采用无人机航空摄影测量方法获取高分辨率影像。将高精度正射影像数据、数字高程数据和坡度数据作为数据源,利用K-Means方法和支持向量机方法(Support Vector Machines,SVM)对灌区渠系进行轮廓提取,并与面向对象分类方法、改进霍夫变换方法进行比较和评估。前人研究中基于传统面向对象分类方法的渠系提取精度不佳,而基于改进霍夫变换方法的渠系提取自动化程度不高,因此采用机器学习方法实现灌区渠系的自动化提取成为一种解决途径。本文通过K-Means方法和SVM方法对灌区渠系轮廓的提取进行研究,主要研究内容和结果如下:(1)基于K-Means的渠系轮廓提取。设计并实现了基于K-Means聚类方法对渠系特征进行分类,以光谱特征和纹理特征作为区分渠系、非渠系的重要手段,并采用几何特征滤波对提取结果进行优化。实验表明三块实验区域中只有环境简单的实验区域2达到了渠系轮廓提取效果,但完整度仅为78.90%,且渠系提取准确率不足70%。(2)基于支持向量机的渠系轮廓提取。以人工选点的方式得到可信训练样本点,将基于超像素的多核分类算法生成的联合统一内核以及径向基核函数构成的混合内核作为SVM的分类准则,训练并泛化得到渠系结果。并采用凸包化方法以及中轴线提取方法对渠系轮廓结果进行完善优化,以保证提取结果的完整度和高精度制图效果。实验表明三块实验区域渠系轮廓提取效果较好,提取精确率达到90%以上,且各个区域中部分农渠均有提取。实验区域2的提取准确率比基于K-Means的渠系轮廓提取方法高出19.37%。结果表明本研究方法中K-Means方法结果精度可达到斗渠,比面向对象分类方法提取精度高,但在复杂环境下的渠系提取完整度低。同时SVM方法在完整度和准确率方面优于改进霍夫变换方法,且渠系平均提取精度可达86.34%,在提取精度上有较好的表现。
【图文】：

无人机

(a)编号规则 (b)八个计算方向 (c)位置关系图 1-2 最大坡降算法Fig. 1-2 Maximum Slope Drop Algorithm（3）研究区地处黄土高原北部，位于内蒙古自治区西部临河区海丰村，地理坐围为 107°6'E~107°44'E，40°34'N~41°17'N，海拔高度为 973.76 米~1037.01 米，该区引黄河水的自流灌区。干渠 13 条，总约长 180km，排水干沟 10 条，总干沟约长 220km区灌排系统纵横，控制着整个灌区农业灌溉用水和排水。研究区灌溉面积约为 625，区内主要农作物为玉米、小麦和向日葵。样本需要有一定的时间范围和对象范围限制，因此本研究于 2016 年 3 月份使用机对河套灌区农作物覆盖稀少的冻土时期进行数据采集工作。采用 T-EZ AF1000 安翔动力，北京）固定翼无人机搭载可见光相机作为遥感数据采集平台，，主要仪器如下：（1）T-EZAF1000 型固定翼无人机如图 1-3（a）所示。（2）索尼 a5100 可见光相机。（3）卷尺等地面测量工具，收集典型渠宽、渠深信息。

影像,影像,实验区,高程

(a)灌区影像及位置 (b)地表高程数据图 1-4 研究区域影像及实验区位置、高程Fig. 1-4 Study Area Image and Experimental Area Location, DEM人机飞行遥测时最多可获得 1000 幅航拍影像，使用华策实时动态定位（Real-tatic，RTK）接收机确定飞行位置和高度。通过无人机拍摄立体像对，基ftPhotoscan 软件扫描技术实现多块航拍影像的拼接，生成分辨率为 0.25m 的正相应的DEM和坡度数据并以西安80地理坐标系统与1985年国家高程作为基6°带高斯投影对数据进行校正，以尽可能减少由于数据转换带来的误差对实验
【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】：S27;TP181

【参考文献】