基于地形特征与随机森林的侵蚀沟提取研究

发布时间：2021-11-28 02:56

　　侵蚀沟的提取研究为沟壑地貌土壤侵蚀监测提供重要依据。基于无人机获取的高分辨率DOM和DEM计算出地形属性指标,进行不同侵蚀程度范围的多尺度分割,选择最优分割尺度参数并评定分割效果,根据影像数据特征的分类精度构建面向对象分类的特征空间,利用统计分析方法结合机器学习,建立相应的分类规则,对安塞区纸坊沟的侵蚀沟进行提取,实现有效分类。结果表明:在地形数据与光谱特征、纹理特征和几何信息等影像数据结合的特征选择下,侵蚀沟提取效果最佳,最终整体精度达到92.81%,Kappa系数为0.85,分类用户精度最高达到90.01%。侵蚀沟的有效提取不仅掌握了安塞区纸坊沟的土壤侵蚀情况,对后续的水土保持和治理工作也具有重要意义。 

【文章来源】：测绘技术装备. 2019,21(04)

【文章页数】：6 页

【部分图文】：

研究区位置图

ESP工具通过计算在不同的分割尺度下所得到的对象同质性的局部变化（local variance,LV），并以此作为所分割的对象层的标准差（standard deviation），从而用于判断分割效果的好坏。每一个形状参数与紧致度参数的组合对应一个最优分割尺度参数，每个组合的最优分割尺度参数的大小也不相同。并且用局部变化的变化率值来表示对象的最佳分割尺度参数，当局部变化（LV）的变化率值（ROC-LV）达到最大值时，该点所对应的尺度参数就可以认为是最优分割尺度参数，如图2所示。3.4 分割效果评定

对上述两种分类方法的提取精度进行计算，冲沟切沟区和浅沟区的提取精度分别如表5和表6所示。其中冲沟切沟区的整体分类精度为92.81%,Kappa系数为0.85，其分类精度较高，随机森林的两类效果优于KNN分类以及SVM分类，凸显出随机森林分类具有分析复杂相互作用分类特征的能力。根据提取结果，可以看出浅沟可以很好被提取，目视解译的结果有40个浅沟对象，利用规则分类提取的浅沟对象为46个，其中漏分的浅沟对象为3个，错分的浅沟对象为2个，提取的用户精度为86.96%。浅沟出现错分漏分的原因在于浅沟比较小，分类时对分类特征较为敏感，而分类特征阈值的确定也对分类精度产生影响。5 结束语

【参考文献】：
期刊论文
[1]多源遥感影像的侵蚀沟信息提取分析[J]. 蒲罗曼,张树文,王让虎,常丽萍,杨久春.  地理与地理信息科学. 2016(01)
[2]基于LIDAR和GIS技术的坡面侵蚀沟空间发育分析[J]. 孙玉柱,郑粉莉,张姣.  水土保持研究. 2014(03)
[3]基于DEM及高分辨率遥感影像的西北黄土高原区侵蚀沟道普查[J]. 王庆,李智广,高云飞,郭玉涛,刘建祥,王娜.  中国水土保持. 2013(10)
[4]东北典型黑土区南部侵蚀沟与地形要素之间的空间分布关系[J]. 李飞,张树文,李天奇.  土壤与作物. 2012(03)
[5]东北典型黑土区40年来沟蚀空间格局变化及地形分异规律[J]. 王文娟,邓荣鑫,张树文.  地理与地理信息科学. 2012(03)
[6]基于面向对象方法的汶川大地震灾害土地覆盖变化[J]. 蔡亮,郭泺.  生态学报. 2008(12)
[7]克拜东部黑土区侵蚀沟遥感分类与空间格局分析[J]. 闫业超,张树文,岳书平.  地理科学. 2007(02)

博士论文
[1]基于多源数据的黄土高原（重点流失区）侵蚀沟提取及区域差异性研究[D]. 刘凯.南京师范大学 2017



本文编号：3523563