機(jī)械性破損面容易引發(fā)水土流失、次生地質(zhì)災(zāi)害等生態(tài)環(huán)境問(wèn)題,但目前還缺乏其基于遙感影像的有效提取方法。選擇機(jī)械性破損面分布密集的云南省螳螂川流域?yàn)檠芯繉?duì)象,基于高分二號(hào)（GF-2）遙感影像,探討其基于紋理特征輔助的面向?qū)ο筇崛》椒�。根�?jù)7類(lèi)地物特征建立地物分類(lèi)規(guī)則,在最優(yōu)尺度分割的基礎(chǔ)上,基于光譜特征的決策樹(shù)A和基于"光譜+紋理"特征的決策樹(shù)B進(jìn)行面向?qū)ο蟮姆诸?lèi)。經(jīng)過(guò)精度評(píng)價(jià)分析得出,相對(duì)于傳統(tǒng)的監(jiān)督分類(lèi)法和僅基于光譜的面向?qū)ο蠓诸?lèi)法,基于"光譜+紋理"特征的決策樹(shù)B分類(lèi)方法使Kappa系數(shù)和總精度分別提高至0. 82和86. 25%,有效地提高了機(jī)械性破損面的提取精度。 

【文章來(lái)源】：國(guó)土資源遙感. 2020,32(02)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

研究區(qū)遙感影像

由于研究區(qū)覆蓋地類(lèi)豐富，提取機(jī)械性破損面的過(guò)程中容易出現(xiàn)同物異譜的現(xiàn)象，同時(shí)，基于像元的分類(lèi)方法容易造成“椒鹽效應(yīng)”，分類(lèi)精度不高[8]。傳統(tǒng)的基于像元的分類(lèi)方法已經(jīng)無(wú)法滿足高空間分辨率遙感影像分類(lèi)的需求。面向?qū)ο蟮臎Q策樹(shù)分類(lèi)是一類(lèi)以實(shí)驗(yàn)數(shù)據(jù)為基準(zhǔn)的經(jīng)驗(yàn)學(xué)習(xí)算法，該算法主要包括影像分割、地物特征提取和影像分類(lèi)3個(gè)關(guān)鍵步驟[9]。影像分割是指將整個(gè)影像區(qū)域分割成若干個(gè)互不交疊、具有相同或相似特性的非空子區(qū)域的過(guò)程[10]。地物特征提取是按分類(lèi)目標(biāo)提取出各地類(lèi)光譜、形狀、紋理等特征的差異信息，將這些信息作為知識(shí)加入分類(lèi)器中，可以大大提高分類(lèi)精度。本文利用ENVI和eCognition 8.0軟件，結(jié)合面向?qū)ο蟮臎Q策樹(shù)方法、監(jiān)督分類(lèi)方法對(duì)機(jī)械性破損面信息進(jìn)行提取并進(jìn)行對(duì)比分析，具體技術(shù)流程如圖2所示。2.2 分割方法和參數(shù)確定

為了使分割后的影像對(duì)象內(nèi)部同質(zhì)性效果達(dá)到最優(yōu)，需要對(duì)多尺度分割中的分割尺度、波段權(quán)重、均質(zhì)性標(biāo)準(zhǔn)進(jìn)行選擇。不同的參數(shù)選擇對(duì)分割效果有影響。分割尺度的設(shè)置是多尺度分割最重要的一步，尺度過(guò)小會(huì)出現(xiàn)“過(guò)分割”現(xiàn)象，而尺度過(guò)大又會(huì)導(dǎo)致“欠分割”現(xiàn)象。波段權(quán)重會(huì)影響波段信息參與分割的過(guò)程，權(quán)重越大，說(shuō)明該波段的更多信息參與到多尺度分割的過(guò)程中[12]。除了尺度參數(shù)和波段權(quán)重參數(shù)外，形狀因子和緊致度的合理設(shè)置也尤為重要。經(jīng)多次試驗(yàn)，本研究將尺度參數(shù)設(shè)為200，波段權(quán)重均為1，形狀因子設(shè)為0.2，緊致度因子設(shè)為0.5，光譜差異分割參數(shù)設(shè)為110，獲得分割效果最佳，能夠?qū)⒏黝?lèi)地物都較好地分割開(kāi)來(lái)(圖3)。其中，區(qū)域1展示了水體、林地對(duì)象的分割效果;區(qū)域2展示了有作物的耕地和居民地對(duì)象的分割效果;區(qū)域3展示了機(jī)械性破損面和裸地的分割效果;區(qū)域4展示了無(wú)作物的耕地對(duì)象的分割效果。2.3 地物特征規(guī)則分析

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合主動(dòng)學(xué)習(xí)和詞袋模型的高分二號(hào)遙感影像自動(dòng)化分類(lèi)[J]. 張金盈,姚光虎,林琳,郭懷軒.  測(cè)繪通報(bào). 2019(02)
[2]面向?qū)ο蠓椒ǖ膹?fù)雜地形區(qū)地表覆蓋信息提取[J]. 賈偉,高小紅,楊靈玉,史飛飛,何林華.  蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[3]特征優(yōu)選下的遙感影像面向?qū)ο蠓诸?lèi)規(guī)則構(gòu)建[J]. 戴莉莉,李海濤,顧海燕,余凡.  測(cè)繪科學(xué). 2019(02)
[4]GF-2影像面向?qū)ο蟮湫统菂^(qū)地物提取方法[J]. 王蕾,楊武年,任金銅,鄧曉宇.  測(cè)繪通報(bào). 2018(01)
[5]基于GF-1衛(wèi)星數(shù)據(jù)的面向?qū)ο蟮拿袂诰G洲植被分類(lèi)研究[J]. 張華,張改改,吳睿.  干旱區(qū)地理. 2017(04)
[6]基于多時(shí)相遙感影像的北京平原人工林樹(shù)種分類(lèi)[J]. 王二麗,李存軍,周靜平,彭代亮,胡海棠,董熙.  北京工業(yè)大學(xué)學(xué)報(bào). 2017(05)
[7]基于紋理特征與區(qū)域生長(zhǎng)的高分辨率遙感影像分割算法[J]. 蘇騰飛,張圣微,李洪玉.  國(guó)土資源遙感. 2017(02)
[8]面向?qū)ο蠓诸?lèi)方法在臺(tái)風(fēng)災(zāi)害信息提取中的應(yīng)用研究[J]. 歐陽(yáng)華璘,沈敬偉,周廷剛.  自然災(zāi)害學(xué)報(bào). 2016(06)
[9]面向?qū)ο蟮暮诤酉掠魏影读种脖桓采w信息分類(lèi)![J]. 徐菲楠,祁元,王建華,張金龍.  遙感技術(shù)與應(yīng)用. 2015(05)
[10]基于面向?qū)ο鬀Q策樹(shù)算法的半干旱地區(qū)遙感影像分類(lèi)[J]. 朱海濤,張霞,王樹(shù)東,王晉年,孫艷麗.  遙感信息. 2013(04)

碩士論文
[1]基于高分二號(hào)影像的面向?qū)ο蠓诸?lèi)技術(shù)研究[D]. 何志強(qiáng).安徽理工大學(xué) 2018
[2]基于多尺度分割的土地利用分類(lèi)研究[D]. 張東梅.東華理工大學(xué) 2017
[3]基于GF-2衛(wèi)星影像的川東丘陵地區(qū)耕地信息提取[D]. 陳佳俊.成都理工大學(xué) 2017



本文編號(hào)：3102077