無人機(jī)遙感影像分辨率高,影像特征質(zhì)量好,為滑坡自動(dòng)識(shí)別提供了良好的數(shù)據(jù)源.首先對(duì)無人機(jī)影像獲取的地形圖進(jìn)行多尺度分割,基于傳統(tǒng)滑坡遙感影像圖的遙感特征與地形特征,擴(kuò)充無人機(jī)遙感影像分類因子項(xiàng),應(yīng)用SEaTH算法實(shí)現(xiàn)了滑坡有效分類因子的獲取,得到可用于判定滑坡類型的四個(gè)分類因子:地面粗糙度、地勢(shì)起伏度、坡度、高程.進(jìn)而基于有效分類因子,通過訓(xùn)練、構(gòu)建支持向量機(jī)模型,實(shí)現(xiàn)了受災(zāi)區(qū)域中滑坡范圍與非滑坡范圍的自動(dòng)化、高精度的分類識(shí)別.

【文章頁數(shù)】：4 頁

【部分圖文】：

圖1分割前后效果對(duì)比

無人機(jī)數(shù)據(jù)采集建模是基于WGS-84坐標(biāo)系,為實(shí)現(xiàn)絕對(duì)定位,需將其轉(zhuǎn)換至GS84-UTM-ZONE-47N坐標(biāo)系,保證導(dǎo)入的所有柵格圖像坐標(biāo)系相同,這樣方可保證所有的柵格圖形完全重合,才可進(jìn)行多尺度分割.在影像分析軟件eCognition中導(dǎo)入數(shù)字地形模型和柵格圖像,包括:地勢(shì)起....

圖2試驗(yàn)區(qū)與非試驗(yàn)區(qū)

基于分割后的影像,選擇空間分布均勻的典型樣本,輸出其待選特征值.首先以高程為分類指標(biāo),將分割結(jié)果細(xì)化為試驗(yàn)區(qū)和非實(shí)驗(yàn)區(qū),如圖2～3所示;進(jìn)而,在試驗(yàn)區(qū)采用SEaTH算法[19],最終劃分出滑坡區(qū).圖3典型樣本

圖3典型樣本

圖2試驗(yàn)區(qū)與非試驗(yàn)區(qū)試驗(yàn)區(qū)的61個(gè)布設(shè)樣本,經(jīng)過處理,可得滑坡樣本26個(gè).分別提取這些滑坡、非滑坡樣本的地形因子特征值和均值、遙感因子的特征值和均值,如表1所列.

圖4分類前

首先將遴選出的4個(gè)分類因子特征值分別賦值給滑坡與非滑坡的典型特征點(diǎn),利用支持向量機(jī)法[20]訓(xùn)練特征對(duì)象,得到最優(yōu)“超平面”.然后類比超平面與試驗(yàn)區(qū)(面)內(nèi)余下所有的對(duì)象,完成其分類計(jì)算.在本文中的支持向量機(jī)法線性核函數(shù)訓(xùn)練及應(yīng)用的分割尺寸為200,懲罰因子取35.分類結(jié)果如圖4....

本文編號(hào)：3954861