遥感影像对象级土地覆盖变化检测方法研究.docx

遥感影像对象级土地覆盖变化检测方法研究
标题:遥感影像对象级土地覆盖变化检测方法研究
摘要:
随着遥感技术的迅猛发展，利用遥感影像数据进行土地覆盖变化的监测和分析成为一种重要的手段。本论文旨在研究遥感影像对象级土地覆盖变化检测方法，借助遥感图像分割和分类技术，以及监督学习和未监督学习的方法，从而实现高精度的土地覆盖变化检测。
引言:
土地覆盖变化是人类与自然环境相互作用的结果，在环境保护、城市规划和资源管理等领域具有重要意义。传统的土地覆盖变化检测主要基于人工解译，耗时耗力且往往难以达到准确性要求。而遥感影像提供了快速获取大范围土地覆盖信息的手段，因此成为土地覆盖变化监测的重要数据源。然而，遥感影像中地物的复杂性和多样性使得土地覆盖变化检测成为一个具有挑战性的问题。因此，利用对象级遥感影像分析技术进行土地覆盖变化检测具有重要的研究意义和应用价值。
方法:
1.遥感影像预处理:包括辐射校正、大气校正和几何校正等处理步骤，以提高遥感数据的质量和精度。
2.遥感影像分割:基于像素的图像分割方法无法处理空间上相邻像素值相似但属于不同地物类型的情况。因此，对象级遥感影像分割方法被广泛应用于土地覆盖变化检测。例如，基于区域生长、基于边缘检测和基于聚类的方法可以将遥感影像分割为一系列不同的地物对象。
3.特征提取:针对每个地物对象，需要提取一组适当的特征，以用于后续的土地覆盖分类。常用的特征包括光谱特征、纹理特征和形状特征等。
4.土地覆盖分类:基于遥感影像获取的特征，可以使用监督学习或未监督学习的方法进行土地覆盖分类。监督学习方法包括支持向量机、随机森林和深度学习等，而未监督学习方法则可采用聚类和像素关系图等。
5.土地覆盖变化检测:利用两个不同时间点的遥感影像进行地物对象的匹配，通过比较其分类结果，可以检测和分析土地覆盖的变化情况。
结论:
本论文研究了遥感影像对象级土地覆盖变化检测的方法。通过遥感影像分割和分类技术，以及监督学习和未监督学习的方法，可以实现高精度的土地覆盖变化检测。然而，目前仍存在一些挑战，如遥感影像中的噪声、边界模糊和类别不平衡等问题。因此，未来的研究可以进一步改进土地覆盖分类算法，并结合其他辅助数据来提高土地覆盖变化的检测精度。
参考文献:
[1]M.Gong,C.Schmidt,H.Xu,etal.Object-basedurbanlandcoverchangedetectionusingoptimalfeatureextractionanddecisionfusionofmulti-sensorsatelliteimagery.InternationalJournalofAppliedEarthObservationandGeoinformation,2014,33:120-129.
[2]Y.Liu,H.Yu,Z.Shi,etal.Object-basedchangedetectionforhigh-resolutionremotesensingimagesusingasupervisedlearningapproach.IEEETransactionsonGeoscienceandRemoteSensing,2014,52(7):3974-3989.
[3]X.Zheng,J.Poerbandono,J.Wang.Achangedetectionmethodforobject-basedclassificationofremotelysensedimages.JointUrbanRemoteSensingEvent,2017:1-4.
[4]J.Jiang,Q.Zhang,J.Yao.Object-basedland-coverchangedetectionbyfusingremotesensingdata.IEEETransactionsonGeoscienceandRemoteSensing,2017,55(2):727-738.