為研究中高分辨率遙感影像大范圍精確提取礦區(qū)土地利用信息的技術(shù)方法,選取山東省兗州市興隆莊煤礦作為研究區(qū),針對遙感影像的光譜特征,采用監(jiān)督分類和歸一化指數(shù)計算相結(jié)合的方式進行礦區(qū)土地利用信息提取試驗。結(jié)果表明,選擇融合后Sentinel-2A衛(wèi)星影像的四個高分辨率波段可應(yīng)用于土地利用的精確識別;根據(jù)地物光譜特征,最大似然監(jiān)督分類法提取建設(shè)用地、裸地效果較好,可作為精確提取兩種地類的方法;結(jié)合歸一化植被指數(shù)運算和歸一化水體指數(shù)運算提取植被、水體信息可明顯提高總體分類精度,提取精度可達93.54%,進而可利用該分類結(jié)果精確高效地識別和測算礦區(qū)土地利用類型及其分布特征,為礦區(qū)土地整治、村莊搬遷等提供依據(jù)。 

【文章頁數(shù)】：6 頁

【部分圖文】：

興隆莊煤礦

最小距離是通過訓練樣本數(shù)據(jù)去計算每種類別的均值向量和標準差向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸入圖像中每個像元到各類中心的距離，將像元歸入到距離中心最小的類別中[16]；馬氏距離法是通過計算輸入像元到各訓練樣本的馬氏距離(計算2個未知樣本集的相似度的方法)，統(tǒng)計馬氏距離最小的即為此類別[15]，此方法既考慮離散度，也考慮到各軸間總體分布的相關(guān)(協(xié)方差)，能夠考慮到分類類別的內(nèi)在變化[16,17]；最大似然法是計算像元屬于某一訓練樣本的似然度，然后將像元歸為似然度最大的一類中[16]；支持向量機是一種基于統(tǒng)計學習理論的機器學習方法，可自動尋找對分類有較大區(qū)分功能的支持向量并構(gòu)造分類器，最大化類別之間的間隔[11]。本研究分別對四種監(jiān)督分類方法進行分類比較，選擇最佳分類方法，如表1所示，經(jīng)驗證最大似然方法整體分類效果較好。2.4 土地利用信息間接提取

通過目視解譯和混淆矩陣兩種方法對分類結(jié)果進行精度驗證，發(fā)現(xiàn)建設(shè)用地中的道路容易被誤分成植被，且建設(shè)用地內(nèi)部植被信息在分類過程中并未區(qū)分出來。為了分析建設(shè)用地與其背景地物在光譜特征上的差別，分別對興隆莊礦區(qū)內(nèi)地物按植被、水體、建設(shè)用地、裸地4種地類在圖像上進行采樣統(tǒng)計，并做出各類地物的光譜曲線圖，如圖3所示。從以上分析可知：建設(shè)用地與裸地的灰度值從band2到band3有重合，但從band3到band8波段灰度值差異明顯且變化趨勢一致，兩者在近紅外波段灰度值較高，說明其在近紅外波段反射率較好；植被灰度值總體低于其他地類，且灰度值在band2到band4波段與水體產(chǎn)生重合，可能與礦區(qū)耕地塌陷并產(chǎn)生地面積水有關(guān)；水體的灰度值從band2到band8逐漸下降，表明水體在各波段反射率較低，說明該區(qū)域水體懸浮物濃度較高，可能與區(qū)域氣候降水有關(guān)或者受部分浮游植物的干擾。


本文編號：3650559