摘要
近年来，随着遥感技术不断地发展，越来越多高时间分辨率，高空间分辨率卫星相继出现，为我们的生产生活提供了很大的便利，而如何利用好这些数据庞大，信息丰富的遥感影像一直以来都是国内外研究的热点问题。其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础。早期的遥感影像分辨率较低，地物信息不丰富，地物间的关系不明显，多数研究使用基于像元的方法，只利用影像的光谱信息对其进行分析，容易出现错分漏分的现象。后来出现了针对于分辨率较高，地物细节丰富，相互之间关系明确的影像的面向对象的分析方法，同时考虑对象的光谱，拓扑，空间结构等信息，为利用遥感影像分类提供了良好的理论基础。同时传统的分类模型在实际应用中已难以满足要求，深度学习的快速发展，让解决海量影像分类的问题不再难以实现。 本研究以浙江省杭州市西湖区为研究对象，以GF-1遥感数据为研究信息源，对数据进行了常规的预处理操作，利用最佳指数法确定最佳波段组合。然后构建moran''sⅠ指数与地理探测器q统计量的二维空间确定最佳分割尺度，利用最大面积法确定形状因子和紧致度的权重。利用分割后的对象的光谱特征、几何特征、纹理特征等作为分类模型的输入因子。构建基于像元的支持向量机分类模型，面向对象的支持向量机，最邻近法和BP神经网络分类模型。最后基于TensorFlow学习框架，建立一维卷积神经网络(1D-CNN)的深度学习分类模型，利用混淆矩阵法对所有模型进行精度分析，主要结论如下: (1)利用最佳指数法确定本研究使用的GF-1影像的最佳波段指数为4、2、1。对选用的国产GF-1遥感影像数据，进行了辐射定标，大气校正，正射校正，镶嵌裁剪等预处理，利用最佳指数法确定其最佳波段组合为4、2、1，为GF-1卫星影像的研究提供参考。 (2)构建地理探测器q统计量与moran''sⅠ指数的二维空间，确定影像分割的最佳分割尺度为90，以最大面积法确定影像分割的形状因子权重为0.7，紧致度权重为0.3。构建的二维空间以归一化地理探测器q统计量为横坐标，归一化moran''sⅠ指数为纵坐标，计算每个分割尺度的分割参数优选函数值(SOF)与其分割质量最优点(1，0)的欧氏距离，以确定影像分割的最佳分割尺度为90;利用最大面积法，即计算不同参数下的分割对象最大面积，当其恒定时，各参数为最佳，确定影像分割的形状因子权重为0.7，紧致度权重为0.3。以此参数对影像进行分割，对分割完的影像进行包括光谱特征，几何特征，纹理特征等62维特征进行提取，作为分类模型的输入因子。 (3)传统模型中BP神经网络的精度最高，其总体精度为89.52％，Kappa系数为0.8737。采用基于像元的支持向量机分类模型，面向对象的支持向量机分类模型，面向对象的最邻近法分类模型，面向对象的BP神经网络分类模型，对研究区进行分类，其模型的总体精度分别为68.75％，86.90％，84.86％，89.52％，Kappa系数分别为0.6244，0.8421，0.8110，0.8737。由此可见面向对象的分类模型分类效果要好于基于像元的分类模型，同时对各模型的用户精度和生产者精度进行分析可以得到，在建筑用地和交通用地的提取方面，对于各模型来说均有难度。 (4)基于TensorFlow学习框架构建了面向对象的基于1D-CNN的深度学习分类模型，其分类总体精度为93.10％，Kappa系数为0.9167，为所有模型中效果最好的。构建的1D-CNN模型一共包括两层卷积，两层池化，三层全连接，并且在前两个全连接层出使用Dropout以防止过拟合，得到其分类总体精度为93.10％，Kappa系数为0.9167，除了较难区分的交通用地，其他类别的用户精度和生产者精度均高于85％，分类效果较理想，与传统的模型相比也具有较大的优势。
NETL