论文部分内容阅读
本文针对林地地类变化信息的检测和提取进行了研究和尝试:利用2012年ZY-1-02C和2014年Landsat 8 OLI两期影像数据,采用多种方法对龙泉市研究区林地地类变化信息进行了检测、提取以及精度验证。本次研究以2012年ZY-1-02C数据和2014年Landsat 8 OLI数据为数据源,结合利用ArcGIS 10.1、ENVI 5.1、ERDAS IMAGE 9.2、eCognition 8.7、Matlab2012b、EXCEL2007等软件,对两期影像进行了处理:首先对遥感数据进行预处理,包括几何校正、辐射校正、图像融合,并对不同融合方法的效果进行评价;对遥感影像分类方法进行了研究,对比了基于像元的5种分类方法和面向对象法的精度;然后用假彩色合成法、图像差值法、面向对象法对两期变化信息进行了检测和提取,并利用变化信息误差矩阵验证了变化信息的精度。本次研究结果表明:(1)HSV融合是最适合本研究区ZY-1-02C与Landsat 8 OLI影像的融合方法。本文分别对前后期影像进行了几何校正、大气校正以及影像融合处理。采用了Brovey变换、GS变换、HSV变换和主成分变换对两期影像分别进行了融合增强,并对融合结果的均值、标准差、信息熵、光谱相关系数与空间相关系数进行标准化处理,对融合结果进行定量的评价,得出HSV融合是最适合前后两期影像的融合方法。(2)面向对象法检测变化信息的效果优于基于像元的分类方法;基于像元的分类方法中,随机森林分类法的效果优于其他4种方法,支持向量机法次之。在基于像元的分类精度评价中:前期2012年ZY-1-02C影像分类结果中,随机森林分类法的精度为95.99%,最大似然法的精度为90.78%,平行管道法的精度为87.06%,马氏距离法的精度为75.52%,支持向量机法的精度为92.51%;后期2014年Landsat 8 OLI影像分类结果中,随机森林分类法的精度为93.84%,最大似然法的精度为87.35%,平行管道法的精度为82.81%,马氏距离法的精度为73.52%,支持向量机法的精度为92.13%。面向对象法分类结果中,前期2012年ZY-1-02C影像分类精度为98.55%,后期2014年Landsat 8 OLI影像分类精度为98.08%,精度均高于基于像元的5种分类方法,用该分类结果进行变化信息提取可以更精确地提取出变化信息。(3)用假彩色合成法、图像差值法、面向对象分类后比较法对两期变化信息进行了检测和提取,并用变化信息误差矩阵进行了精度评价。假彩色合成法的漏判率为78.32%,错判率为9.83%,整体精度为78.80%;图像差值法的漏判率为9.51%,错判率为51.23%,整体精度为72.50%,;面向对象分类后比较法的漏判率为16.35%,错判率为15.06%,整体精度为91.80%。(4)面向对象分类后比较法是本次研究中提取变化信息效果较好的方法。假彩色合成法提取结果中存在大量漏判现象,但是错判率较低;图像差值法提取结果中存在大量的错判现象,但是漏判率较低;面向对象分类后比较法提取结果整体精度较高,错判和漏判的情况较少,效果明显优于另外两种方法。(5)ZY-1-02C数据结合Landsat 8 OLI数据可以有效地提取森林资源地类变化信息,这说明了国产卫星数据可以联合国外卫星数据进行森林资源动态监测,拓宽了多源卫星数据应用的范围。