基于无人机遥感影像的大型食草动物信息自动提取方法研究——以青海省玛多县为例
文献类型：学位论文
| 作者 | 罗巍 |
| 答辩日期 | 2017-06 |
| 文献子类 | 博士后出站报告 |
| 授予单位 | 中国科学院地理科学与资源研究所 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 邵全琴 |
| 关键词 | 知识发现 空间分类 空间聚类 机器学习 模糊空间关联规则 |
| 学位名称 | 博士后 |
| 英文摘要 | 随着近年来青海省玛多县生态环境的日益改善，大型食草动物种群数量逐渐增加，造成当地草畜平衡矛盾日益突出。解决这一矛盾的前提是摸清大型食草动物的“家底”，从而为科学合理地保护提供依据。然而，由于海拔高、气候恶劣，传统的基于地面观测的动物调查方法难以长期开展，卫星遥感监测手段又不易分辨动物个体。本人的研究依托在玛多县获取的大量无人机航拍数据，借助面向对象的影像分析手段，开展了针对大型食草动物的识别统计方法研究。首先，使用模板匹配的方法检测出疑似目标动物对象；然后，深入挖掘影像中动物对象的特征，通过构建特征知识库筛选检测结果；最后，依据人工目视解译结果以及地面同步调查的结果对自动解译结果进行验证并给出了误差分析。该研究不仅有望显著减少甚至取代部分针对海量影像的人工解译工作，提高识别大型食草动物的效率，还将为玛多县大型食草动物的管理和保护提供数据支撑，具有良好的方法意义和应用前景。 本文的主要结论是： 1. 相比国外类似研究平均检出率约为 50%，本研究所采用的基于无人机遥感影像的面向对象分类自动解译算法获取的大型食草动物的种群数量总体精度可以达到74%以上，KAPPA 系数约70%，在解译精度方面具有显著的优越性。2.多尺度分割的尺度参数与影像分辨率密切相关，一般来说分辨率越高分割尺度越大，反之亦然。能够将大多数目标动物的轮廓从背景中分割出来即是好的分割。如果规则集中使用了负模板，为了保证检测模板的匹配精度，最好使用自上向下的棋盘分割。 3. 构建匹配模板进行样本选择时，要尽可能将目标动物的典型个体囊括在内，诸如成年的和未成年的动物个体等等。其次，适当地给样本分组至关重要，分得太多或太少均不利于模板构建。以本人的经验，大多数情况下选择第一波段分五组较为适合。针对目标地物周围有较多干扰地物，如果需要解译的影像数量很少，可以通过掩膜干扰区的方式解决；否则，应通过构建负模板的方式去除干扰，以提高解译精度。 4. 随着影像分辨率的提高，动物的各种姿态得以清楚地呈现，从而使得提取工作变得更加容易。然而，这也造成了模板匹配时检测模板不能很好地对准动物本体，给最终动物数量的统计结果造成误差。为了解决这类问题，应对检测模板使用缓冲区分析，从而提高匹配精度。 5. 构建特征知识库分类事实上是对模板匹配分类结果的完善，像元灰度值和对象面积是解译动物最为常用的两个特征。在对目标对象波段进行选择时，通常选择与背景区隔较大的波段。如果目标对象普遍存在阴影，且相较于目标本体阴影与背景反差更大，则选择阴影最为分类对象。 6.在对分类对象阈值进行设定时，首先应尽可能多地考察样本，其次应选择所有样本的特征值上限作为分类阈值。 7. 目标动物周边的类似地物以及动物之间相似的体貌特征，是对自动识别动物结果产生干扰的关键因素。为了去除干扰，提高解译精度，除了借助负模板之外，还应当进一步丰富特征知识库，发掘诸如长宽比、最大光谱差异、对象间距、上下文等多维度识别特征，作为区分不同种类动物的规则。 8.本研究的研究区仅限于玛多县，如果研究区的范围进一步扩大，则需要对提取规则进行一定修改。修改的重点应集中于解译特征的重新选择及分类阈值的重新设定方面。 |
| 语种 | 中文 |
| 页码 | 90 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/193727]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 罗巍. 基于无人机遥感影像的大型食草动物信息自动提取方法研究——以青海省玛多县为例[D]. 中国科学院地理科学与资源研究所. 中国科学院地理科学与资源研究所. 2017. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。