黄土高原切沟关键参数提取方法探讨

基于黄土高原切沟形态特征、切沟影响因子分析，在归纳、总结、梳理切沟相关研究成果基础上，初步探讨了黄土高原切沟关键参数提取方法，介绍了基于无人机摄影测量、QuickBird影像目视解译法、SFM摄影测量法、最优尺度分割和阈值统计优化、高分遥感立体影像的切沟关键参数提取方法，希望能为黄土高原水土流失综合防治提供可借鉴的方法和技术保障。     

基于面向对象技术的黄土丘陵沟壑区切沟遥感提取方法研究

基于高分辨率遥感影像,提出了结合高分辨率影像的光谱、地形、几何形态和GLCM纹理信息等特征的切沟半自动面向对象提取方法,建立了一组沿径流方向计算纹理特征空间对比度和相关性的公式。以黄土丘陵沟壑第三副区甘肃天水桥子沟小流域World View-2影像数据为例,分别建立了耕地（山坡地、梯田）、果园、林地、农路、切沟的分类规则和算法,以影像的目视解译结果结合实地调查进行精度评价,分类结果显示,总体分类精度为75.17%,总Kappa系数为0.64,切沟的生产者精度为80%,用户精度为70.59%,取得了令人满意的结果。     

基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类

针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计算方法;最后进行基于纹理特征的面向对象分类识别与精度评价,并与基于原始数据的面向对象分类结果进行对比。研究表明:Gist纹理特征使分类精度有了一定的提高,基于纹理数据的面向对象支持向量机(support vector machine,SVM)分类及面向对象K邻近法(K-nearest neighbor,KNN)分类的总体分类精度(overall accuracy,OA)分别比基于原始数据的2种方法分类精度提高3.67和3.33个百分点,基于纹理的面向对象SVM方法具有最高的精度,OA达到85.67%。不管是基于原始数据还是纹理数据,面向对象分类精度远高于最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MDC)和SVM分类精度,且面向对象分类方法对纹理数据更为敏感。该文提出的基于纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。     

特征优化结合随机森林算法的干旱区植被高光谱遥感分类方法

针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）等传统特征优化算法和广义正态分布优化算法（generalized normal distribution optimization,GNDO）、原子搜索算法（atom search algorithm,ASO）、海洋捕食者算法（marine predators algorithm,MPA）等特征优化算法与随机森林（random forest,RF）图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D（ZY1-02D）高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度（overall accuracy,OA）提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类 OA提升了1.32～2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和 Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。     

融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。     

基于面向对象和无人机影像的黄土高原丘陵区小流域梯田提取研究

精确提取梯田对于水土保持动态监测和评价非常必要,建立黄土高原小流域梯田提取技术流程可为水土流失防治提供技术支持。以甘肃省天水市水土保持科学试验站坚家山小流域为研究区域,采用无人机影像数据,基于尺度参数评估工具以影像的纹理特征为输入层,确定最优分割尺度参数;选用光谱特征和可见光植被指数为分类特征,使用面向对象分类方法对梯田进行提取。结果表明：(1)以局部方差变化率101作为多尺度分割的尺度参数时,梯田边界明显,光谱、纹理和形状特征对于描绘梯田边界具有巨大的潜力;(2)采用可见光植被指数植被颜色指数(CIVE)、超绿指数(EXG)、超绿超红差分指数(EXGR)、绿蓝比值指数(GBRI)、绿红比值指数(GRRI)、归一化蓝绿差异指数(NGBDI)、可见光波段差异植被指数(VDVI)、Woebbecke指数(WI)分别作为梯田提取的分类特征,其中,EXG植被指数精度最高,梯田提取精度为72.60%,并提出一种基于最邻近分类器以综合指数(CIVE、WI、EXG、EXGR)为分类特征,建立分类阈值的梯田提取方法,梯田提取精度为91.20%,相较于以单植被指数的分类方法精度提高18.60%。研究基于...     

GEE平台下利用物候特征进行面向对象的水稻种植分布提取

为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎（Google Earth Engine,GEE）平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）算法来分割影像,灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）来计算纹理特征,结合支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）算法构建6种不同的模型进行水稻种植分布提取,并基于目视解译及实地调查数据,对比6种模型提取水稻的验证精度和实测精度,确定最优模型。结果表明：在水稻种植分布提取中,面向对象方法有助于提高水稻种植分布提取精度,且RF算法优于SVM算法。其中SNIC图像分割结合RF模型具有最高提取精度,总体精度和Kappa系数分别为96.83%、0.934,经实测数据验证,水稻实测精度为95.43%,可满足区域水稻种植分布和面积监测需求。     

全极化SAR图像的煤矿区土地覆盖信息分层提取方法研究

为弥补光学遥感在煤矿区资源与生态环境监测中应用的不足, 研究应用全极化SAR图像有效提取煤矿区土地覆盖信息的方法具有重要意义。针对全极化SAR图像极化信息丰富、斑点噪声多、局部异质性大等特点, 提出采用面向对象的影像分类方法对其进行分层土地覆盖信息提取。以徐州市西南部的煤矿区为研究区, 选取Radarsat-2的全极化SAR图像, 分析了研究区内全极化SAR图像中典型地物的灰度特征, 提出面向对象分类方法所涉及的最优分割尺度选择法, 给出全极化SAR图像分割对象后向散射特征的计算方法。对研究区的SAR图像进行试验, 首先对SAR图像进行多尺度分割, 选择各土地覆盖类型的最优分割尺度, 然后在该尺度下计算出土地覆盖类型的后向散射特征指数, 最后采用模糊逻辑分类法分层提取出研究区内的土地覆盖信息。结果表明: 在适于各土地覆盖类型提取的最优分割尺度下, 充分利用分割对象的灰度、形状、纹理以及类间相关特征, 并综合应用隶属函数法和最邻近分类法, 能有效地提取煤矿区的农田、道路、塌陷地、建筑物、山林这5类土地覆盖信息。与最大似然分类法相比, 该方法能够较好地消除"椒盐现象", 各种土地覆盖类型的提取精度都有所提高, 其总体分类精度可提高38.3%。     

地块尺度下基于多源卫星遥感数据的粮食作物识别

开展粮食作物监测对于国家粮食安全具有重要意义。在传统像元尺度下,利用单一遥感数据进行粮食作物监测,识别精度往往较低,提取的作物地块破碎,难以满足应用需求。为此,该研究以山东省青岛市黄岛区为研究区,提出了一套地块尺度下综合多源卫星遥感数据（包括高分辨率数据、多时相数据、高光谱数据）与土地利用调查矢量数据的粮食作物信息识别方法。首先,对高分辨率数据进行分割获取耕地地块矢量数据;其次,基于多源卫星遥感数据提取地块级时空谱特征;再次,利用样本数据计算特征类间可分性,并进行特征优选;最后,构建基于二次多项式支持向量机的主要粮食作物（春玉米）识别方法。结果表明：1）该研究所提的方法可以有效进行粮食作物信息识别,基于地块数统计的识别精度为89.7%;2）利用光谱特征、植被指数、纹理特征组合得到的识别结果精度最优,基于像元数统计的精度为97.1%,与传统方法相比提高了24.2个百分点,且提取的地块信息更完整。该研究成果可支持粮食作物种植用地的调查与监测,也可为耕地非粮化时空演变与分析提供新的思路。     

太湖流域果树提取的光谱和纹理特征选择研究

准确获取果树的空间种植分布信息,对于开展果树长势监测、产量估算等具有重要意义。为提取太湖流域金庭镇果树的空间分布,本研究以冬夏时期的两景高分二号（GF-2）遥感影像为数据源,利用归一化植被指数（NDVI）和归一化水体指数（NDWI）结合纹理特征构建了基于光谱指数和纹理特征的决策树模型,提取了金庭镇2017年果树的空间分布信息。通过分析研究区各地类的光谱曲线发现,植被与非植被区分明显,但果树与茶树的光谱存在混淆。GF-2影像包含丰富的纹理信息,果树与茶树在GF-2影像上纹理特征明显,易于区分。纹理可作为果树提取的重要特征。为了确定最佳纹理窗口的大小,研究中提出了累计差（Δf）的方法。通过比较每一个纹理变量在15种不同尺度窗口（3×3,5×5,7×7,9×9,11×11,13×13,15×15,17×17,19×19,21×21,23×23,25×25,27×27,29×29,31×31）下的Δf,确定了最佳纹理窗口为15×15。在最佳纹理窗口下根据累计差选取了5大纹理组合：均值（mean）、方差（variance）、对比度（contrast）、信息熵（entropy）和相关性（correlation）。研究结果表明基于光谱指数NDVI和NDWI结合纹理特征构建的决策树模型可有效区分果树与茶树。累计差的方法能够快速确定最佳纹理窗口和纹理组合。提取结果说明果树分布于金庭镇的各个位置,主要分布在平原区,种植比较整齐,南部种植面积多于北部。本研究果树的提取精度为95.23%,模型总体分类精度为89.57%,Kappa系数为89.00%,果树的生产精度为90.00%,用户精度为87.30%。与单一光谱、纹理模型相比,本文模型总体分类精度更高,精度分别提升了10.65%和12.04%。该方法能够适用于大区域果树的遥感提取,可为亚米级遥感影像研究果树的纹理特征提供重要参考和借鉴价值。此外,文中提出的累计差可为选取最佳纹理窗口提供一种新的思路。     

基于机器学习的沟谷地貌识别模型对比——以黄土高原典型流域为例

探索沟谷地貌空间分布与环境控制特征之间的联系并构建沟谷地貌准确提取模型,对大尺度范围沟谷提取具有重要意义。基于人工提取黄土高原典型流域沟谷地貌样本,结合不同时期的Landsat8 OLI影像数据和DEM数据,建立随机森林模型确定黄土高原沟谷地貌提取最佳影像时期和最佳组合特征,基于最优模型参数,对比其与支持向量机和人工神经网络沟谷提取模型效果,验证模型泛化能力。结果表明:(1)黄土高原沟谷提取的最佳影像时期为12月,最佳组合特征集为Red、Blue、H、SWIR1、PNT、Coastal、GLCM4和NIR;(2)3种方法提取测试区域的沟谷空间分布一致,从定性和定量角度进行比较,随机森林模型提取效果最好,验证样区平均总体精度为80.48％,相较于支持向量机模型和人工神经网络模型分别提高4.00和8.63个百分比;(3)测试区域中,沟谷地貌面积约占总面积的56.91％,且呈现西北至东南方向逐渐集中的特点。研究表明随机森林模型在黄土高原地区高精度沟谷地貌识别研究中综合表现最佳,可大范围推广。     

基于双向地形阴影法的黄土侵蚀沟自动提取技术

沟蚀严重危害着土地资源和生态环境,研究高分辨率数字高程模型（Digital Elevation Model,DEM）的侵蚀沟自动提取技术进行侵蚀沟动态监测,以期望能替代目视解译提取。双向地形阴影法是一种兼顾提取精度和效率的侵蚀沟提取方法,但仅针对黄土台/塬地貌,在其他地貌下其提取结果会产生较多误提区和漏提区。为使其适应不同地貌,该研究以陕西吴堡县3.2 m DEM为试验数据,综合沟谷线缓冲区填充法、膨胀腐蚀法以及面积阈值法消除误提区和漏提区,并通过模块化编程及数据分块计算,实现侵蚀沟自动提取,最后在全县范围内均匀选取10个小流域为样本,使用0.65 m影像目视解译的结果进行精度验证。结果表明：1）实现了误提区和漏提区的自动消除,得到了吴堡县侵蚀沟分布图;2）在10个验证小流域中,该研究方法提取侵蚀沟的精度为81.1%～86.3%,平均精度为83.8%。该研究综合应用沟谷线缓冲区填充法、膨胀腐蚀法和面积阈值法消除误提区和漏提区,使该方法能适应非黄土台/塬地貌,并在此基础上研发了能实现大区域侵蚀沟提取的算法及软件。     

沟蚀发生的地貌临界理论计算中数据获取方法及应用

沟蚀发生是一种地貌临界现象,与沟头处局地坡度及上方汇水面积有关,而沟蚀发生地貌临界理论能够预测沟头可能发生的位置。该文从沟蚀发生地貌临界理论起源、数据获取方式、参数计算方法、影响因素及应用等方面综合评述了该理论的发展及近年来国内外的有关研究。数据获取方式主要包括野外实测、高清遥感影像及地形图测量。参数计算方法包括目视(下限值)法、正交回归(95%置信区间下限)、正交回归(下限值)及分位数回归等。相对剪切力指数值反映区域主要的沟蚀发生机制,临界常数值反映当前特定外界环境下的沟蚀发生临界条件。将相对剪切力指数固定后,临界常数的时间序列变化能够表征外界环境改变对沟蚀发生的影响。人类活动改变了沟头上方汇流环境,进而影响临界条件。沟蚀发生地貌临界理论可获取沟道侵蚀风险较大的区域,为沟道侵蚀防治措施布设提供参考。结合高分辨率地形图,增加表征人类活动影响汇流过程的参数能够丰富沟蚀发生地貌临界理论。该理论与已有沟道侵蚀发展模型结合,可将沟头发生位置和沟道发展过程统一,促进沟道侵蚀全过程的模拟。     

复杂背景下甜瓜果实分割算法

为解决复杂背景下甜瓜果实与背景图像分割的问题,该文提出了一种融合颜色特征和纹理特征的图像分割算法。首先,把采集到的甜瓜果实图像从RGB色彩空间分别转换到CIELAB和HSV色彩空间,应用a*b*分量建立角度模型,根据甜瓜果实的颜色特点选取阈值并对图像作二值化处理;为降低光照分布不均匀对图像分割的影响,采用HSV空间的HS颜色分量对果实图像进行阈值分割。在以上2种色彩空间分割的基础上,融合角度模型分割和HS阈值分割的结果,得到基于颜色特征的分割结果。然后,再按照图像的纹理特征对图像进行分割处理,融合按照颜色特征和纹理特征的分割结果。最后,为解决分割结果中的分割误差和边缘毛刺问题,以颜色特征分割的果实区域为限定条件,对按照融合特征分割的果实区域进行约束性区域生长,得到最终的图像分割结果。为了对该文提出算法的分割效果进行检验,采用超绿阈值分割算法和归一化差异指数算法(NDI)对试验图像进行分割,3种算法的平均检出率分别为83.24%、43.12%、99.09%。对比3种分割算法的检出率和误检率,可以看出,该文提出的算法试验结果明显优于超绿阈值分割算法和归一化差异指数(NDI)分割算法。     

基于主被动遥感数据和面向对象的大蒜识别

针对开封市大蒜种植破碎化程度高,光学数据难以高精度、快速提取问题.该研究基于谷歌地球引擎(Google EarthEngine,GEE)云平台、随机森林算法(Random Forest,RF)和面向对象方法,选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征,分别应用10...     

黄土高原丘陵沟壑区小流域浅沟和切沟侵蚀区的界定

验证了国外发生浅沟侵蚀和切沟侵蚀判定式在黄土丘陵区的适用性。通过GPS实测数据并结合GIS空间分析与统计回归方法,建立了适用于黄土高原丘陵区的发生浅沟侵蚀和切沟侵蚀判定式。研究结果表明,在黄土高原丘陵沟壑区,随着坡度的增大,发生浅沟侵蚀和切沟侵蚀的临界值a增大,高强度降雨致使判定式中汇水面积（A）的指数b值减小,从而降低了汇水面积的影响作用。在假定其它因素相同时,浅沟形成只需较小的汇水面积,而切沟形成则需要相对较大的汇水面积;当单位汇水面积相同时,发生切沟侵蚀比浅沟侵蚀需要更大的坡度。利用国外研究结果预测提取的浅沟侵蚀和切沟侵蚀发生区,明显夸大了研究区的沟蚀发生区;而用作者所建立的判定式提取的浅沟和切沟侵蚀分布区与野外实际相当吻合。即浅沟侵蚀主要发生在15°～35°的沟间地上,其分布面积占整个沟间地面积的60％,切沟侵蚀主要发生在大于35°的沟坡地上,其分布面积占整个沟坡面积的93％。     

使用高分遥感立体影像提取黄土丘陵区切沟参数的精度分析

为了研究高分立体像对测量黄土丘陵区切沟参数的适用性,选取陕北黄土区合沟小流域,以三维激光扫描全站仪获取的数据为参照值,分析使用GeoEye-1高分遥感立体像对测量切沟参数的精度,得到如下研究结果.1)刃沟面积、周长、沟长和沟宽等线状和面状参数平均测量误差分别为3.58 m2,0.55 m,0.13m和-0.10 m,其中面积、周长和沟长的百分误差主要集中在5％以内,沟宽百分误差主要分布在10％以内.2)切沟三维参数沟底宽、最大沟深、平均沟深的平均测量误差分别为-0.67、0.14和-0.46 m.截面积和体积的平均误差分别为-6.30 m2和-54.01 m3.最大沟深的百分误差主要集中在30％以内,沟底宽、平均沟深、截面积和体积的百分误差则主要分布在50％以内;相较于三维激光扫描的切沟,立体像对提取的切沟沟底形态误差较大,主要是沟底宽和平均沟深偏小.3)切沟规模越大,切沟体积、截面积和沟底宽的测量值偏小的幅度越大.但是,切沟体积测量误差与切沟体积之间可以建立较好的线性回归模型,在缺少其他测量手段时,可以使用该模型对测量误差进行校正.总体上看,高分立体遥感为切沟线状和面状参数测量以及切沟体积测量提供了新的方法,为黄土丘陵区沟蚀监测提供了便捷、且相对可靠的数据源.     

Assessment of gully erosion susceptibility using different DEM-derived topographic factors in the black soil region of Northeast China

As a primary sediment source, gully erosion leads to severe land degradation and poses a threat to food and ecological security. Therefore, identification of susceptible areas is critical to the prevention and control of gully erosion. This study aimed to identify areas prone to gully erosion using four machine learning methods with derived topographic attributes. Eight topographic attributes (elevation, slope aspect, slope degree, catchment area, plan curvature, profile curvature, stream power index, and topographic wetness index) were derived as feature variables controlling gully occurrence from digital elevation models with four different pixel sizes (5.0 m, 12.5 m, 20.0 m, and 30.0 m). A gully inventory map of a small agricultural catchment in Heilongjiang, China, was prepared through a combination of field surveys and satellite imagery. Each topographic attribute dataset was randomly divided into two portions of 70% and 30% for calibrating and validating four machine learning methods, namely random forest (RF), support vector machines (SVM), artificial neural network (ANN), and generalized linear models (GLM). Accuracy (ACC), area under the receiver operating characteristic curve (AUC), root mean square error (RMSE), and mean absolute error (MAE) were calculated to assess the performance of the four machine learning methods in predicting spatial distribution of gully erosion susceptibility (GES). The results suggested that the selected topographic attributes were capable of predicting GES in the study catchment area. A pixel size of 20.0 m was optimal for all four machine learning methods. The RF method described the spatial relationship between the feature variables and gully occurrence with the greatest accuracy, as it returned the highest values of ACC (0.917) and AUC (0.905) at a 20.0 m resolution. The RF was also the least sensitive to resolutions, followed by SVM (ACC = 0.781–0.891, AUC = 0.724–0.861) and ANN (ACC = 0.744–0.808, AUC = 0.649–0.847). GLM performed poorly in this study (ACC = 0.693–0.757, AUC = 0.608–0.703). Based on the spatial distribution of GES determined using the optimal method (RF + pixel size of 20.0 m), 16% of the study area has very high level susceptibility classes, whereas areas with high, moderate, and low levels of susceptibility make up approximately 24%, 30%, and 31% of the study area, respectively. Our results demonstrate that GES assessment with machine learning methods can successfully identify areas prone to gully erosion, providing reference information for future soil conservation plans and land management. In addition, pixel size (resolution) is the key consideration when preparing suitable datasets of feature variables for GES assessment.