导　　师： 夏丽华

学科专业： L0405

授予学位： 硕士

作　　者： ;

机构地区： 广州大学

摘　　要： 我国水产养殖业发展迅速,尤其是在沿海地区,当前对于水产养殖的产量评估、环境影响、合理规划等已经成为海洋生态学和环境科学研究的热点问题之一。遥感技术因其各方面的优势已成为养殖水面调查和监测的一种重要手段,但是传统基于像元的图像处理技术容易产生噪声现象。面向对象的分类方法综合考虑了地物的形状、纹理、结构等空间信息,能更好的解决特定地物的提取。广东省海岸带绵长,养殖水面分布广泛,本文在珠江口附近选取试验区,分别采用SPOT-5和TM两种数据源,基于面向对象方法对养殖水面的识别与提取进行了研究。通过多尺度分割方法获取试验区的地物对象,针对不同地物的光谱、纹理、形状等信息,反复实验设置提取流程和规则,从而实现养殖水面的提取。在多尺度分割的尺度选择方面,本文通过多次实验,对比分类精度的方式确定了目标地物的最优分割尺度。通过与传统分类方法的对比,面向对象的分类方法在养殖水面的分类精度方面有了明显的提高,噪声也得到了明显的控制。而从不同数据源的养殖水面提取结果来看,本实验中高分辨率的SPOT-5并未表现出相对于TM影像明显的优势,反而从生产者精度来看,TM影像略高于SPOT-5影像,本文认为是SPOT-5的光谱分辨率偏低导致了一定的误分。因此在实际应用中,应根据不同的研究范围选取影像,在分类精度的提高方面,可尝试多源数据的结合。在实验了养殖水面的提取方法后,为了进一步区分不同的水产养殖类型,实现养殖水面的细分,本文选取有代表性的研究区域,尝试对不同的养殖密度进行模式识别,利用多源数据,将提取出的养殖水面分割为不同尺度的同质多边形进行尺度融合,丰富对象的属性特征,根据遥感和地学知识结合实际经验选取属性特征构建矩阵,通过BP神经网络进行权重的计算,实现养殖模式的识别。试验结果表明该方法具有可行性,并能达到一定的精度和准确度。

关 键 词： 面向对象遥感分类 模式识别 神经网络 养殖类型 海岸带

分 类 号： [S968.421;F326.4]

领　　域： [农业科学] [农业科学]