论文部分内容阅读
精准农业是我国现代农业生产的主要发展方向。快速、准确地从高空间分辨率遥感影像中获取果园和设施农业用地空间分布信息,对于实现果园和设施农业精准管理、促进产业布局优化以及可持续发展具有重要意义。针对目前遥感影像农业生产用地信息提取研究中果园和设施农业用地提取研究偏少、高空间分辨率遥感影像面临的光谱混淆以及现有方法提取精度不高等亟待解决的问题,本文以提高小尺度区域果园和设施农业用地提取精度为主要目标,采用QuickBird、SPOT-7和GeoEye-1卫星影像数据,对高空间分辨率遥感影像的光谱特征可区分性、纹理特征提取、分类特征选取、遥感分类和信息提取模型构建和影像预处理等关键技术及原理进行研究。论文取得的主要结果如下:(1)为明确不同遥感系统高分辨率影像的光谱特性以及研究区不同地物的可区分性,开展基于光谱特征和SVM算法的高空间分辨率遥感影像分类研究。针对不同地物的光谱特征统计结果表明,研究区植被类别之间、非植被类别之间存在一定程度的光谱混淆。不同光谱波段的统计结果表明,近红外波段的均值和标准差最大,与其他3个光谱波段的相关性最小,这表明近红外波段的亮度最大且变化明显,所含信息量最为丰富且与其他波段之间的信息重叠少,有利于增加不同地物之间的光谱可区分性。常规光谱分类结果表明,基于光谱特征的高空间分辨率遥感影像分类精度普遍较低,近红外波段在光谱分类中的贡献高于其他3个波段。其中苹果园研究区的OA(总体分类精度)和F_a(苹果园提取精度)最高分别为86.62%和85.05%、猕猴桃园研究区的OA和F_k(猕猴桃园提取精度)最高分别为83.37%和79.90%,设施农业研究区的OA和F_g(温室大棚提取精度)最高分别为85.91%和82.32%(SPOT-7影像)、92.22%和91.27%(GeoEye-1影像)。(2)果园在高空间分辨率遥感影像中呈现显著的纹理特性。针对苹果园、猕猴桃园与研究区其他植被类别之间的光谱混淆问题,分别开展基于GLCM、小波变换、分形模型和空间自相关分析的纹理特征提取方法研究。结合苹果园的种植特点及其影像特征,设计基于GLCM的苹果园纹理特征提取方法。结果表明GLCM纹理能够显著提升研究区的OA和F_a,SF+GLCM TF特征的F_a和OA最高,比光谱特征(SF)分类大幅提升14.17%和12.39%,比SF+fractal TF特征分类分别提高0.63%和1.56%,比SF+correlation TF特征分类显著提高11.92%和9.20%;SF+GLCM TF和SF+fractal TF分类的F_a和OA均高于94%,表明这2种纹理特征均能较好的识别苹果园。结合猕猴桃园种植特点及其影像特征,提出基于小波变换的猕猴桃园纹理提取方法。采用coif5小波函数对QuickBird全色影像进行2级小波分解,并统计小波系数的能量特征作为纹理特征。结果显示仅采用小波纹理(wavelet TF)分类时F_k即达到87.61%且明显高于光谱和其他纹理分类结果;SF+wavelet TF特征分类的OA和F_k最高且均超过94%,与SF分类相比F_k和OA大幅提升15.03%和8.94%,与SF+GLCM TF特征分类相比F_k和OA分别提高6.70%和2.88%,与SF+fractal TF特征相比F_k和OA显著提高13.43%和6.98%,表明小波纹理能有效增加不同地物之间的区分能力,SF+wavelet TF特征识别猕猴桃园的效果最好。(3)为提升QuickBird高空间分辨率遥感影像中苹果园的提取精度,提出综合光谱特征、GLCM纹理特征和SVM分类的苹果园自动提取方法(SF+GLCM TF_SVM)。该方法首先提取QuickBird全色影像的GLCM纹理特征,然后综合利用GLCM纹理特征和光谱特征构建分类特征,最后通过SVM分类实现苹果园分类识别。试验结果表明,采用4种分类特征(SF、SF+GLCM TF、SF+fractal TF、SF+correlation TF)时,SVM分类的总体分类精度和苹果园提取精度均高于相同分类特征下的MLC分类和ANN分类。SF+GLCM TF_SVM分类模型的分类精度最高,F_a和OA分别达到96.99%和96.16%。与SF+GLCM TF_MLC分类相比F_a和OA分别提高0.93%和2.57%,与SF+GLCM TF_ANN分类相比F_a和OA大幅提高14.67%和8.78%,这表明利用SVM算法构建的苹果园提取模型优于MLC和ANN。利用该方法估算的苹果园面积与目视解译结果的一致性超过98%。(4)针对复杂种植环境下猕猴桃园的有效识别问题,提出结合小波变换纹理分析和RF分类的QuickBird影像猕猴桃园提取方法(SF+wavelet TF_RF)。该方法首先提取QuickBird全色影像的小波纹理特征,然后将小波纹理与光谱特征组合构建分类特征,最后利用RF分类实现土地利用分类和猕猴桃园空间分布提取。试验结果表明,采用4种分类特征(SF、SF+GLCM TF、SF+fractal TF、SF+wavelet TF)时,RF分类结果均优于相同分类特征下的SVM分类和MLC分类。SF+wavelet TF_RF分类模型的F_k和OA分别达到95.30%和94.46%,与SF+wavelet TF_SVM分类相比F_k和OA分别提升1.65%和3.38%,与SF+wavelet TF_MLC分类相比F_k和OA分别提升6.07%和4.13%。该方法对苹果园提取也有较好的适用性,利用此方法针对苹果园提取的试验结果F_a和OA分别达到97.77%和96.43%。(5)构建了融合高空间分辨率遥感影像光谱信息、小波纹理信息和RF分类的温室大棚遥感提取模型,利用该模型实现GeoEye-1和SPOT-7影像中温室大棚的有效提取。不同影像结果表明,单一光谱分类时,2种影像RF分类的F_g和OA均在85%以上;光谱与纹理特征组合分类时,GeoEye-1、SPOT-7影像的F_g和OA最高分别达到94.29%和94.58%、92.67%和92.52%,说明2种影像均可用于温室大棚的有效识别,且GeoEye-1影像提取精度高于SPOT-7影像。在分类特征方面,光谱与小波纹理组合能够有效提升温室大棚识别精度。对于SPOT-7影像,SF+wavelet TF分类较SF分类、SF+GLCM TF分类的F_g和OA分别对应提升8.21%和5.47%、2.11%和1.82%;对于GeoEye-1影像,SF+wavelet TF分类较SF分类、SF+GLCM TF分类的F_g和OA分别对应提升2.01%和1.97%、1.16%和1.06%。在分类方法选取方面,RF分类在2种影像的3种不同分类特征中较SVM分类的F_g提升幅度为1.01%~4.74%,表明RF具有更好的分类精度和稳定性。