基于高分辨率遙感影像的不同地貌區(qū)田塊邊界提取方法研究.pdf

1、農(nóng)田信息作為實現(xiàn)“精準農(nóng)業(yè)”的重要基礎(chǔ)數(shù)據(jù)，其重要的位置信息來源于田塊邊界。田塊邊界的準確提取對實現(xiàn)區(qū)域“精準農(nóng)業(yè)”具有十分重要的作用，也能提高耕地面積測算的準確性。四川省地貌類型復(fù)雜，不同地貌區(qū)田塊（地塊）分布狀況差異大，特別是田坎系數(shù)大，其中田坎（地?。┑膶挾仍?.3-0.8m之間，對耕地田塊（地塊）邊界提取和耕地面積測算的影響較大。因此，本文選擇四川成都平原區(qū)的都江堰市天馬鎮(zhèn)金陵村、盆地丘陵區(qū)的富順縣騎龍鎮(zhèn)龍須村、盆周山區(qū)的古藺縣

2、古藺鎮(zhèn)廣惠村為研究區(qū)域，在ENVI4.8軟件平臺上，分別采用面向?qū)ο蠹夹g(shù)、全色HP（高通濾波器）檢測、全色Sobel檢測和全色Roberts檢測4種方法探討不同地貌區(qū)田塊邊界信息的提取，并根據(jù)分類精度和Kappa系數(shù)確定適合于各研究區(qū)的最優(yōu)提取方法，從而為類似區(qū)域的田塊邊界信息提取提供技術(shù)支撐。全文主要研究結(jié)果如下:
　　(1)通過對Pleiades-1遙感影像進行波段組合表明3個研究區(qū)的最佳組合波段為431組合，其中成都平原區(qū)、

3、盆地丘陵區(qū)和盆周山區(qū)的最佳波段指數(shù)分別為646.8、179.93和100.14，該組合波段能最大程度地保留各研究區(qū)遙感影像的光譜信息且降低了各波段間的相互干擾。分別利用HSV變換、Brovey變換、Gram-Schmidt(GS)變換、主成分(PCA)變換、Color normalized(CN)變換和PAN Sharpening變換6種融合方法對各研究區(qū)的多光譜影像和全色影像進行圖像融合，以圖像灰度值的均值、標準差、熵值、平均梯度、相

4、關(guān)系數(shù)5個指標對融合后影像進行客觀評價，結(jié)果表明各研究區(qū)的最佳融合方法均為Gram-Schmidt(GS)變換，該融合方法能最優(yōu)地保留各研究區(qū)遙感影像的光譜信息，同時又增強了各影像的空間信息。
　　(2)4種田塊邊界提取方法在成都平原區(qū)都江堰天馬鎮(zhèn)金陵村的分類精度較傳統(tǒng)SVM分類方法高出1.72％-2.79％，Kappa系數(shù)高出0.034-0.052，且表現(xiàn)出提取的邊界吻合度高、連續(xù)性好等優(yōu)點。其中全色Sobel檢測與面向?qū)ο蠼M合

5、方法分類精度(95.12％)和Kappa系數(shù)(0.938)最高，其次是面向?qū)ο蠓诸惣夹g(shù)，而Roberts檢測與面向?qū)ο蠼M合方法存在較多的“錯分”和“漏分”現(xiàn)象，HP檢測與面向?qū)ο蠼M合方法的“錯分”和“漏分”現(xiàn)象則更為嚴重。因而，全色Sobel檢測與面向?qū)ο蠼M合方法是該研究區(qū)田塊邊界提取的最優(yōu)方法。
　　(3)4種田塊邊界提取方法在盆地丘陵區(qū)富順縣騎龍鎮(zhèn)龍須村的分類精度和Kappa系數(shù)較傳統(tǒng)SVM分類方法分別高出2.67％-5.53

6、％和0.03-0.065，同樣表現(xiàn)出提取的邊界吻合度較高、連續(xù)性較好等特點。其中也是全色Sobel檢測與面向?qū)ο蠼M合方法的分類精度(94.65％)和Kappa系數(shù)(0.923)最高，其次是面向?qū)ο蠓诸惣夹g(shù)，而Roberts檢測與面向?qū)ο蠼M合方法田塊內(nèi)部空洞較多，造成邊界較為嚴重的斷裂現(xiàn)象，HP檢測與面向?qū)ο蠼M合方法的“錯分”和“漏分”現(xiàn)象則更為嚴重。因而，全色Sobel檢測與面向?qū)ο蠼M合方法也是盆地丘陵區(qū)田塊邊界提取的最優(yōu)方法。

7、　　(4)4種提取方法在盆周山區(qū)古藺縣古藺鎮(zhèn)廣惠村的提取效果均較差，表現(xiàn)出提取的田塊邊界吻合度低、連續(xù)性差等特點，其原因主要是影像時相、區(qū)域內(nèi)地物和環(huán)境的影響。與傳統(tǒng)的SVM方法相比，只有面向?qū)ο蠓诸惣夹g(shù)的分類精度和Kappa系數(shù)分別高出5.04％和0.051，其余三種組合方法均較低。雖然面向?qū)ο蠹夹g(shù)的分類精度(80.19％)和Kappa系數(shù)(0.703)最高，但也存在一定的“錯分”和“漏分”現(xiàn)象，提取的邊界與實際邊界相似度較低;而其余