农田遥感识别方法与应用研究
文献类型：学位论文
| 作者 | 丁方宇 |
| 答辩日期 | 2017-05 |
| 文献子类 | 专业学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 江东 |
| 关键词 | 农田识别 面向对象分类 高分一号 多尺度分割 机器学习 |
| 学位名称 | 硕士 |
| 学位专业 | 农业信息化 |
| 英文摘要 | 农田遥感识别是进行作物的长势监测、产量预报和时空特性研究的基础，能够为国家农业政策的制定提供数据支撑。农田遥感识别的关键内容是影像分类。以往的影像分类方法主要是基于像元的光谱信息，易产生“椒盐效应”，造成农田识别精度不高。随着影像分辨率不断提高，遥感数据的光谱、形状和纹理信息更加丰富，为农田遥感识别提供了新的思路—面向对象分类。该方法能够充分利用影像的光谱、形状和纹理特征，提高地表覆盖物的识别精度。论文总结了农田遥感识别的技术方法，研发、解决了面向对象分类过程中的关键问题，并选择多个试验区进行了方法校验和应用，主要研究内容和成果如下： 梳理了国内外农田遥感识别方法的研究进展和遥感影像数据的发展历程，对以往的农田识别方法进行了分类和评价。 针对多尺度分割算法的最优尺度选择问题，在前人的一些研究基础上，创新性地把分割对象亮度均值的标准差（Standard Deviation of Brightness Means，SDOM）与向后传播神经网络（Backward Propagation Neural Network, BPNN）进行有效结合，构建了一套自动化计算最优分割尺度参数的方案。 本论文以2014—2015年的高分一号（Gaofen-1, GF-1）卫星影像数据为基础，以廊坊市安次区、邢台市柏乡县和桂林市叠彩区为研究区，采用基于多尺度分割和三种监督型机器学习算法的面向对象分类方法对地表覆盖物进行了分类，并结合验证数据对识别的农田、林地、居民地、水体、裸地和道路的精度进行了分析和校验。此外，以决策树法、神经网络法和支持向量机为基础，全面评价了训练样本比例对面向对象分类精度的影响。最后，结果表明面向对象分类方法在训练样本比例较小情况下可以取得较高的分类精度，总体精度均高于95.00%，卡帕（Kappa）系数均高于0.94，且支持向量机明显比神经网络和决策树分类的效果更好。总之，面向对象分类在三个研究区对农田的识别均取得令人满意的结果，用户精度均高于92.50%，生产者精度均超过93.70%，可以满足农田识别的业务应用需求。 |
| 语种 | 中文 |
| 页码 | 67 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/41213]  |
| 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 | 丁方宇. 农田遥感识别方法与应用研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 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。