基于D-LinkNet和Deeplab网络模型的土地利用信息自动化提取研究

为探索利用深度学习网络模型快速、定性且定量地提取耕地、园地、林地、交通运输用地、建设用地以及水域等土地利用变化信息,实现对耕地“非粮化”和“非农化”的实时监测监管,从而为国家粮食安全问题提供科技支撑。本研究基于D-LinkNet和Deeplab网络模型分别对高分辨率遥感影像进行深度学习,通过相同对象拥有类似的形状和纹理等特征的原理,自动识别不同的学习对象,从而实现面向高分辨率遥感影像的土地利用信息自动分类。在此基础上,为校验2个模型的学习能力,以江苏省常州市金坛区为例,对比分析了D-LinkNet和Deeplab网络模型在土地利用信息分类上的能力。结果表明,Deeplab模型比D-LinkNet模型的分类结果整体性更强,分类准确率达88%。同时,Deeplab模型的边界信息损失相对较少,分类图斑的破碎程度相对更低,分类精度更高,更能满足土地利用信息自动提取的需求。

面向对象的特征自动选择的建筑物信息提取

针对建筑物信息提取存在低效率、高成本的问题,提出了一种利用分离阈值算法(seperability and thresholds,SEaTH)的高精度建筑物信息提取方法。采用高分二号遥感影像,通过半自动化信息提取构建分类规则的方法对天津市西青区的建筑物信息进行提取。通过运用SEaTH算法构建知识规则,选取训练样本并输出训练样本的特征值,将输出的特征值运用SEaTH算法进行自动确定阈值和特征优选,进而采用像素对象调整优化建筑物轮廓。将基于面向对象的最邻近分类法与该方法进行了精度评价对比。结果表明,该方法在提取建筑物信息时出现的错分漏分现象较少,且总体精度和Kappa精度都要高于基于面向对象的最邻近分类法,验证了其在提取建筑物信息方面的可行性。

基于IKONOS的人工林地识别研究

以五分地沟试验区为例,提出了一种基于IKONOS卫星遥感图像提取不同郁闭度人工林地的方法。利用Matlab软件图像处理工具箱,进行树木信息的提取,精度达90.7%,KHAT统计量为0.86。以树木分类结果为基础,依据郁闭度定义,通过滤波方法识别不同的林地类型。结果表明,综合运用遥感数字图像处理软件、GIS软件和Matlab,能够从高分辨率的遥感数据中自动且有效地识别人工杨树林、人工杨树疏林和散生树等植被类型,可靠性较高,且可以重复验证。