论文部分内容阅读
矿产资源是我国社会经济发展的重要物质基础,利用遥感技术对露天开采区进行信息提取和监测已成为矿山自然环境问题的重要手段,本文以安徽省铜陵市为研究区域,采用高分辨率遥感影像为实验数据,利用改进带密集连接块(DenseBlock)的全卷积神经网络,加强对不同类型遥感影像露天开采区的特征抽取,通过构建露天开采区样本库,训练了针对多源遥感影像数据的露天开采区提取模型,实现了对研究区内露天开采区的全自动提取,并采用对比实验进行了验证。本文研究工作如下:(1)采集研究区内的国产高分一号、高分二号和GoogleEarth遥感影像,并对影像进行预处理,通过辐射定标、大气校正、正射校正、图像融合等方法来提高影像的质量和判读性;(2)设计了露天开采区遥感影像深度学习样本库自动化批量制作流程,并构建一套包含国产高分一号、高分二号和GoogleEarth影像的多源、多尺度遥感露天开采区训练样本库;(3)利用改进的带密集连接块的全卷积神经网络,构建和训练了适应多源遥感影像的露天开采区智能提取模型,实现对露天开采区的全自动提取,加强了对不同数据源露天开采区特征的抽取;(4)为了验证本文模型对露天开采区边界提取的优势,与传统分类方法(最大似然法、决策树分类、支持向量机)和其他深度学习方法(Deeplab、U-Net、Segnet)对比,本文方法在基于像元和基于对象的评价方面均具有一定提升,其中像元精度PA:0.9767,交并比IoU:0.7207,综合评价指标F1:0.8377,Kappa系数:0.8251,召回率:0.9130,漏警率:0.0870,虚警率:0.5333;(5)为了验证本文模型的对于其他数据源数据的适用性,分别对安徽省铜陵地区和江西省九江市瑞昌县武山区的GoogleEarth影像进行露天开采区提取,其中召回率为100%,证明了本文模型对于不同区域的GoogleEarth影像都具有适用性,增强了模型的实用性;(6)利用深度学习多源遥感影像露天开采区全自动提取模型,结合其他影像处理技术,研究了一套露天开采区边界全自动提取一体化流程,并通过Python语言,设计和开发了一套露天开采区边界全自动提取工具;(7)以安徽省铜陵市辖区内露天开采区为例,对2013年至2017年间5景铜陵市辖区的国产高分一号遥感影像,利用传统空间分析中的叠加分析研究露天开采区时空变化特征,实现了对露天开采区的时空变化监测。