湿地遥感变化信息检测并识别一直是遥感动态监测的一个技术难点。以东洞庭湖为研究区，2期GF-1遥感影像为研究对象，在数据预处理的基础上，将研究区分为芦苇、苔草、辣蓼与泥蒿、水体、泥滩地等6种类型。研究引进了NDVI植被指数波段与...湿地遥感变化信息检测并识别一直是遥感动态监测的一个技术难点。以东洞庭湖为研究区，2期GF-1遥感影像为研究对象，在数据预处理的基础上，将研究区分为芦苇、苔草、辣蓼与泥蒿、水体、泥滩地等6种类型。研究引进了NDVI植被指数波段与第一主分量波段（PC1）对传统的图像差值算法进行改进，提取出两期影像的变化信息，并与支持向量机的多时相影像分类后检测算法相比较。结果表明：（1）研究区遥感影像经过大气校正和图像配准等预处理之后，GF-1遥感影像变化检测的最佳波段组合为RGB=432；（2）利用支持向量机分类器对两期遥感影像进行分类时，样本选择的可分离度均在1.9～2.0之间，分类结果的总体精度为85.34%，Kappa系数为0.8，满足分类后比较算法提取变化信息的要求；（3）引进NDVI与第一主分量区分变化信息，并采用直方图积累区间确定变化阈值，信息增加的变化阈值设置为0.3，信息减少的变化阈值设置为0.2，Smooth Kernel Size设置为3，Aggregation Min Size设置为30，优化结果最佳。利用2期GF-1遥感影像提取湿地变化信息，分类后比较算法与改进后图像差值算法，图像差值法快速、直接提取变化信息，检测精度为89.6%，Kappa系数为0.9，且不受分类精度与分类样本一致性的限制，明显优于传统分类比较算法，是一种高效可行的方法。展开更多
文摘湿地遥感变化信息检测并识别一直是遥感动态监测的一个技术难点。以东洞庭湖为研究区，2期GF-1遥感影像为研究对象，在数据预处理的基础上，将研究区分为芦苇、苔草、辣蓼与泥蒿、水体、泥滩地等6种类型。研究引进了NDVI植被指数波段与第一主分量波段（PC1）对传统的图像差值算法进行改进，提取出两期影像的变化信息，并与支持向量机的多时相影像分类后检测算法相比较。结果表明：（1）研究区遥感影像经过大气校正和图像配准等预处理之后，GF-1遥感影像变化检测的最佳波段组合为RGB=432；（2）利用支持向量机分类器对两期遥感影像进行分类时，样本选择的可分离度均在1.9～2.0之间，分类结果的总体精度为85.34%，Kappa系数为0.8，满足分类后比较算法提取变化信息的要求；（3）引进NDVI与第一主分量区分变化信息，并采用直方图积累区间确定变化阈值，信息增加的变化阈值设置为0.3，信息减少的变化阈值设置为0.2，Smooth Kernel Size设置为3，Aggregation Min Size设置为30，优化结果最佳。利用2期GF-1遥感影像提取湿地变化信息，分类后比较算法与改进后图像差值算法，图像差值法快速、直接提取变化信息，检测精度为89.6%，Kappa系数为0.9，且不受分类精度与分类样本一致性的限制，明显优于传统分类比较算法，是一种高效可行的方法。
