论文部分内容阅读
随着遥感技术的快速发展,遥感探测频谱范围不断拓宽、分辨率不断提高,可利用的数据源也不断增多。由于不同岩性单元在不同类型的数据源上具有不同的显示特征,如何综合多源遥感数据各自的优势,结合人工智能领域算法和模型,将其应用于遥感岩性制图是一项重大的课题,至今仍然存在较多方面值得探索和研究。结合遥感和GIS技术,选取3种各具优势的多源遥感数据—GF-1卫星数据、Landsat-8 OLI卫星数据和Sentinel-1A雷达数据,在完成影像预处理、干扰信息弱化、多源数据协同的基础上,构建局部Lanczos双对角化极限学习机模型和支持向量机模型分别对贵州德江地区进行岩性分类研究。本次研究对其它多源遥感数据协同处理提供一定的技术参考,也为其它人工智能算法引入遥感图像分类领域具有一定借鉴作用。取得的主要研究成果如下:(1)采用“抑制-掩膜-强迫不变-直方图均衡化”植被信息抑制方法,对贵州德江地区Landsat-8 OLI数据处理试验得出该方法能显著抑制原始影像中的植被信息。证明该方法是一种不需要先验知识和野外实地光谱数据,适用于地形复杂、阴影较多、植被覆盖中等地区的通用光学遥感图像植被信息抑制方法。(2)将高分辨率数据的纹理信息、中分辨率数据的波谱信息以及雷达数据的立体结构信息依次完成像素协同和特征协同处理。结果表明:纹理主成分变换融合方法在消除冗余数据、浓缩方差信息的同时,完整保留各地物的图像空间结构信息;而Gram-Schmidt变换融合法具有较强的综合表现能力,使得融合后的影像光谱保真度很好,各类地物边界更为明显,区分度更大。(3)利用多源协同数据,再辅以有用特征信息—光谱和地形数据,构建LBD-ELM模型和SVM模型对研究区进行岩性分类。研究结果得出:LBD-ELM模型总体分类精度为88.12%,Kappa系数为0.8534;而被广泛使用的SVM模型的总体分类精度为86.58%,Kappa系数为0.8268;LBD-ELM模型分类结果得到的图斑完整性更好,地物错分漏分现象更少。因此,整体而言LBD-ELM模型能够更大程度地满足遥感岩性制图需求。