论文部分内容阅读
随着科技水平的不断提高,近几年商业遥感卫星得到快速地发展,高分辨率遥感影像处理技术取得显著的进步,如何利用遥感技术便捷获取遥感影像中空间特征信息,以及定量分析地表特征成为该领域主要研究热点之一。计算机科学和遥感信息技术的发展使得遥感影像地类信息提取方法多元化,遥感技术中不断引入机器学习等人工智能领域的方法,使得这一过程变得数据信息化和方法高效化。基于遥感技术的单幅遥感影像地类特征提取具有宏观、快速和高效等特征,但对于多幅遥感影像地类特征提取,一般重复单幅遥感影像处理方法,虽然保证了地类特征提取的精度,但这过程复杂而慢长,造成一些资源的占用与浪费。本文以植被为研究对象,针对实际生产中遥感影像数据处理过程出现的问题,如遥感影像数据超出计算机处理能力和多幅遥感影像地类提取速度较慢等,提出了一种基于面向对象MLP模型的遥感植被信息提取方法。通过使用“珠海一号”系列商业卫星中的OVS-1A星遥感影像数据,分析遥感影像空间特征,选择多组空间特征数据集与合理模型的优化及应用,分析得到同轨异景多幅遥感影像植被提取方法的合理性与可行性,为全国第三次土地调查中利用遥感技术地类提取提供有益参考。主要的研究内容和结论如下:(1)以空间分辨率1.98m遥感影像数据为主要数据源,通过遥感影像的空间位置得到二维分布散点图,和量化值10Bit的可见光波段信息得到三维散点图,分析得到适合模型建立前两组空间数据集Band123和BandAll,作为模型建立的基础数据。对比不同的空间特征组合,分别在原始可见光波段中加入均值、极值、最大化差异度、可见光波普差异植被指数,分析不同空间特征数据集对遥感影像植被信息提取的影响。在面向对象分类过程中,选择合适的分割参数与光谱分割优化后,出现的椒盐效应比只进行多尺度分割少,得到不同的分割方法在高分辨率遥感影像分隔效果不同。(2)通过观察分割分类后的空间对象特征数量、建模过程中参数的选择、两组空间特征集合及在建模过程中的关系,运用了准确率、损失函数值及错分与漏分像元量组成的误差矩阵得到的kappa系数,以建模方法、特征数据两类不同因素对模型结果精度的影响分别分析,表明该研究区域附近,多幅遥感影像植被信息提取方法为植被信息提取精度的主要决定因素,对于机器学习方法,特征数据的维度增加有利于提高模型预测精度,在不同空间数据集合中,加入了可见光波普差异植被指数等因素,也有利于模型预测植被信息的提高。(3)利用同轨异景多幅遥感影像数据为数据源,满足假设条件,同轨异景遥感影像数据的几何与辐射条件完全相同,在植被信息提取过程中利用多尺度和光谱分割方法对遥感影像数据处理,将处理结果作为训练空间特征样本,并利用利用反向传输训练的前馈多层感知器MLP模型,对遥感影像数据中研究区域植被特征进行提取,将此模型应用到另一幅同轨异景遥感影像,进行预测得到空间特征数据,最后与人工单幅遥感影像面向对象地类分类方法对比,分析结果中各项指标参数满足实际生产要求,达到本课题研究目的。