1.一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,包括如下步骤:S1、获取目标区域的高空间分辨率影像数据和DEM数据,并对所述高空间分辨率影像数据和DEM数据进行预处理;
S2、基于预处理后的高空间分辨率影像数据,提取对水体和植被的敏感特征;基于预处理后的DEM数据,提取湿地水文特征和湿地生态规则;
S3、将所述敏感特征和湿地水文特征进行融合,获得融合特征影像;
S4、基于最优分割尺寸,对所述融合特征影像进行多尺度分割,获得多个分割对象,并获取每个所述分割对象的面积、形状、长度和尺度规则;
S5、基于所述敏感特征和湿地水文特征,通过最邻近分类法将所述多个分割对象划分为水体图像数据和非水体图像数据;
S6、确定随机森林最优参数和随机森林最优特征,并基于所述随机森林最优参数和随机森林最优特征,对所述非水体图像数据进行分类,获得非水体分类图像数据;
S7、基于所述湿地生态规则、面积、形状、长度和尺度规则,对所述水体图像数据和所述非水体分类图像数据进行再分类,获得多种类型的湿地图像数据。
2.根据权利要求1所述的一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,还包括:S8、获取每个所述分割对象到不同水体之间的距离规则,并根据所述距离规则和所述湿地生态规则,从所述多种类型的湿地图像数据中提取出各类沼泽图像数据。
3.根据权利要求1所述的一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,在所述步骤S1中,所述高空间分辨率影像数据的预处理包括:对所述高空间分辨率影像数据进行辐射定标、大气校正、正射校正、波段融合、多幅影像镶嵌和裁剪处理。
4.根据权利要求1所述的一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,所述敏感特征包括归一化植被指数特征、比值植被指数特征、归一化差值植被指数特征、增强型植被指数特征和归一化水体指数特征;所述湿地水文特征包括坡度特征、地形起伏度特征、坡向特征和地形湿度指数特征。
5.根据权利要求4所述的一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,所述基于预处理后的高空间分辨率影像数据,提取水体和植被的敏感特征,具体包括:基于预处理后的高空间分辨率影像数据,获取多光谱波段中的近红外波段反射率、红光波段反射率、绿光波段反射率和蓝光波段反射率;
根据所述近红外波段反射率和红光波段反射率,提取所述归一化植被指数特征和比值植被指数特征;
基于所述近红外波段反射率和绿光波段反射率,提取所述归一化差值植被指数特征和归一化水体指数特征;
基于所述近红外波段反射率、红光波段反射率和蓝光波段反射率,提取所述增强型植被指数特征。
6.根据权利要求4所述的一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,所述基于预处理后的DEM数据,提取湿地水文特征和湿地生态规则,具体包括:通过ArGIS中的空间分析工具对预处理后的DEM数据进行分析,获取所述坡度特征和坡向特征;
提取预处理后DEM数据中的最大值和最小值,并基于所述最大值和最小值,获得所述地形起伏度特征;
获取所述目标区域内网格单元排水的局部上坡集水区面积、每个网格单元的向外坡度最陡值和坡度角度,基于此获取所述地形湿度指数特征。
7.根据权利要求1所述的一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,所述步骤S4具体包括:利用eCognitionDeveloper中的ESP2插件确定最优分割尺寸;
基于所述最优分割尺寸,采用eCognition9.3平台对所述融合特征影像进行多尺度分割,获得多个分割对象。
8.根据权利要求1所述的一种基于高分辨率遥感影像高原湿地智能精细提取方法,其特征在于,在所述S6中,通过交叉验证法确定随机森林最优参数;通过递归特征消除法确定随机森林最优特征。