基于三分量分解优化模型的农用地SAR影像提取方法

针对中国北方部分农区夏秋两季易受长时间云、雨、雾影响导致区域农用地信息难以实时准确获取的现状,在Freeman极化分解模型基础上,该文提出了一种三分量极化分解优化模型农用地合成孔径雷达(SAR)影像自动提取方法,并开展不同作物覆盖条件下农用地信息提取试验研究。该文首先通过引入体散射分量参数,二次散射分量参数和布拉格散射分量参数,对现有Freeman极化分解模型进行优化,使分解结果更符合农业区域不同地物散射特征;然后,在利用优化三分量极化分解方法提取极化分量基础上,结合模糊C均值聚类,实现农用地信息高精度自动提取。最后,该研究以中国重要黄淮海农业区河北衡水枣强县为试验区,以Radarsat-2影像为试验数据源,在作物全覆盖和作物部分覆盖2种条件下,通过将优化三分量-FCM分类和常用雷达分类方法 H-Alpha-Lambda分类的农用地提取结果与地面验证样方进行对比,完成该研究所提出SAR影像农用地提取方法的精度验证和评价。结果表明,在作物全覆盖条件下,利用优化三分量-FCM分类提取农用地信息的总体精度和Kappa系数分别为96.12%和0.857,较H-Alpha-Lambda分类方法分别提高了8.69个百分点和0.337;在作物部分覆盖条件下,利用优化三分量-FCM分类提取农用地信息的总体精度和Kappa系数分别为97.53%和0.902,较H-Alpha-Lambda分类分别提高了17.37个百分点和0.595。可见,无论在作物全覆盖还是部分覆盖条件下,优化三分量-FCM分类方法提取的农用地精度均优于H-Alpha-Lambda分类方法,证明了该算法提取农用地信息具有一定可行性和适用性,为SAR影像在农业遥感应用中的农用地信息提取提供了新的思路。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

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%。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

基于微波遥感极化目标分解的土地覆盖/土地利用分类

为有效利用微波遥感影像进行土地覆盖/土地利用分类,该研究以内蒙古河套灌区解放闸灌域为研究区域,采用春耕后试验区Radarsat-2全极化数据,利用极化目标分解方法提取得到了散射熵、平均散射角、反熵、平均特征值、单次反射特征值相对差异度、二次反射特征值相对差异度。结合实地数据,分析了各参数对于耕地、裸地、含植被水体、建筑等类别的可分离性。根据分析结果选取平均散射角、平均特征值、单次反射特征值相对差异度为分类特征变量,通过最小距离法计算了决策边界,最后结合树分类器对试验区影像进行了分类。整体分类精度93.89%,分类Kappa系数为0.914。结果表明,利用平均散射角可有效区分表面散射与二次散射及体散射;平均特征值可有效区分含植被水体与建筑物;单次反射特征值相对差异度参数可有效区分耕地与裸地。利用极化目标分解方法结合决策树分类器可精确地进行土地覆盖/土地利用分类。     

基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取

为解决岭南地区作物制图中光学影像时空覆盖缺失以及作物种植结构复杂导致不确定性高等问题,以满足对高精度作物制图日益迫切的应用需求。该研究提出了一种基于Sentinel-1的双极化时间序列和作物物候信息建立时空维度典型物候特征的作物分类方法,选择广州市南沙区为试验区,通过XGBoost机器学习算法,实现了田块尺度下的不同作物类型的准确识别及种植面积的精细提取。结果表明：1）相比像素时序特征分类结果,经过雷达时空滤波后的田块时序特征分类方法不仅能有效抑制合成孔径雷达（Synthetic Aperture Radar,SAR）影像斑点噪声产生,而且总体分类精度和Kappa系数分别提高了12.5个百分点、0.19;2）与仅基于Sentinel-1(VV+VH)时空滤波后的全年时序特征分类方法相比,在分类过程中添加物候特征变量的方法表现出更高的精度,Kappa系数可达0.91,甘蔗和香蕉播种面积提取精度分别达到82.04%和71.01%。研究结果表明中高分辨率SAR影像（10 m×10 m）时间序列结合XGBoost算法和雷达数据时空滤波策略可实现区域作物准确识别及种植面积提取,同时,可从数据源与分类方法上为岭南地区农业遥感应用提供思路,对该地区农业灾害管理和灾后救助具有重要参考价值。     

SPOT5在小流域水土保持生态建设遥感监测中的应用

在伊洛河赵沟小流域应用SPOT5卫星影像开展水土保持生态建设遥感监测,以制作流域"4D"产品为基础,基于虚拟地理信息系统构建赵沟小流域虚拟现实环境进行定义分类模板技术研究,整体分类模板定义精度可达95.48%;进而对SPOT5卫星影像实施水土保持措施遥感监测分类处理,运用ERDAS IMAG INE精度评价统计功能对虚拟现实环境参照下的水土保持措施分类结果进行评价,总体分类精度达到80.49%;对各地物类型和总体Kappa系数进行分析,总体Kappa系数达到0.769 4。研究表明,SPOT5在大规模水土保持生态建设遥感监测中具有很好的应用前景。     

基于无人机遥感影像的覆膜农田面积及分布提取方法

针对基于无人机遥感的覆膜农田识别研究甚少的现状,该文以云南省昭通市鲁甸县为研究区,获取了研究区中地表类型复杂程度不同的2幅航空影像(复杂区影像和简单区影像)作为试验数据,利用灰度共生矩阵对原始航片影像进行纹理特征提取并选择纹理特征最佳提取参数;然后基于随机森林算法进行纹理特征重要性评价,优选纹理特征,结合原始数据进行最大似然初步分类;运用众数分析进行分类后处理;最后结合图像形态学算法与面积阈值分割法提取出了最终的覆膜农田面积及分布。通过试验结果发现,依据该文提出的方法,复杂区和简单区覆膜农田识别的总体精度、Kappa系数、产品精度、用户精度和面积误差分别达到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。该文提出的融合监督分类和图像形态学算法的覆膜农田提取方法可以简单、快速的将地膜连成块,形成覆膜农田对象,进而通过面积阈值分割法获取高精度的覆膜农田分布信息。该方法可以为精准覆膜农田识别算法的发展提供参考。     

基于多源数据和Stacking-SHAP方法的山地丘陵区土地覆被分类

山地丘陵区地形复杂,地表辐射信号畸变严重,地物识别困难。为准确提取山区地物信息,结合多源异构数据,Stacking 集成学习和Shapley Addictive Explanation（SHAP）方法展开土地覆被分类研究。从Sentinel-1/2影像、气候数据、土壤数据和数字高程图中提取遥感、气候、土壤和地形四类特征变量,设计多种变量组合方案,结合Stacking算法,探讨不同类型变量在山区地物识别中的效用,并对比Stacking最佳方案与支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和极端梯度回归（eXtreme Gradient Boosting,XGBoost）算法的分类精度,评价Stacking方法在山区地物信息提取中的性能。同时,引入SHAP方法,量化Stacking模型中各特征变量的重要性。结果表明：在仅以遥感变量为基础方案时,山区土地覆被分类精度最低;在分别加入气候、土壤和地形变量后,总体精度、Kappa系数和F1分数均有所提高,其中旱地、水田和园地分类精度的提升幅度较大。基于Stacking算法结合所有类型特征变量的方案达到了最佳的分类精度,其总体精度、 Kappa系数和F1分数分别为96.61%、0.96和94.81%,分类精度优于相同特征下的SVM、 RF和XGBoost。SHAP方法可量化Stacking模型中特征变量的全局以及局部重要性,明确各变量对不同地物类型识别的相对贡献,为山区土地覆被分类的变量选择及优化提供有价值的信息。该研究为机器学习协助复杂景观地区土地覆被制图研究提供了技术支持和理论参考。     

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。     

Historical aspects of soil classification in Japan

Historical perspective of soil classification in Japan from Max Fesca's soil classification in 1882 to the “Unified Soil Classification System of Japan (2002)” was outlined, aiming at reviewing the progress in soil classification. The evolution can be divided into the following five aspects: 1) Max Fesca's soil texture survey and soil classification from the agro-geological point of view under the influence of the German school; 2) Introduction of the concept of pedology into the classification under the influence of the Russian school led by Dokchaev; 3) Brief history of the classification of Andosols which has exerted a considerable influence on soil classification worldwide; 4) Soil classifications developed through the implementation of national soil survey projects to independently evaluate land suitability for the cultivation of paddy rice, upland crops, and for forest establishment; 5) Attempts to develop a comprehensive soil classification system in order to unify soil classification systems for the above-mentioned land uses from 1963 to the present.     

土地生态分类系统研究

我国土地分类系统中存在的共同缺陷是对土地生态特性考虑不够,因此,很有必 要建立起土地生态分类系统.土地生态分类系统的原则应遵循:以可持续发展理论为指导、 科学性与实用性相结合以及其它方面的要求等原则,其依据主要有:考虑到土地的生态属性 及其演变特征、人类对土地生态系统的入侵程度和利用保护手段等.在此基础上我们尝试性地提出了土地生态分类系统.     

基于规则引擎的土壤类型自动检索的研究

定量化的土壤系统分类体系的建立推动了土壤类型自动检索的研究。但以往研究并未关注土壤系统分类体系仍需不断修订的现状,所开发系统的推理代码与知识规则通常互相绑定,当知识规则改变时,推理代码需要重新开发,导致已有的系统被弃用,这阻碍了土壤类型自动检索系统的推广和应用。针对上述问题,以《中国土壤系统分类检索》(第三版)为基础,建立了基于RuleML语言的、可随时修改和扩展的规则库。然后利用规则引擎工具NxBRE,使土壤类型的检索规则与推理过程相分离,知识规则的改变不需要重新编写推理过程代码,并最终实现了土壤类型的自动检索。     

土种与土系参比的初步探讨——以海南岛土壤为例

为取得我国土种与土系研究成果的信息交流与知识共享,本文简述了土种与土系的概念及其区别、土种与土系的参比原则和依据,以海南岛土壤为例进行了参比。     

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。     

自动土壤图基于知识的分类

A machine-learning approach was developed for automated building of knowledge bases for soil resources mapping by using a classification tree to generate knowledge from training data. With this method, building a knowledge base for automated soil mapping was easier than using the conventional knowledge acquisition approach. The knowledge base built by classification tree was used by the knowledge classifier to perform the soil type classification of Longyou County, Zhejiang Province, China using Landsat TM bi-temporal images and GIS data. To evaluate the performance of the resultant knowledge bases, the classification results were compared to existing soil map based on a field survey. The accuracy assessment mad maalysis of the resultant soil maps suggested that the knowledge bases built by the machine-learning method was of good quality for mapping distribution model of soll classes over the study area.     

中文图书分类探析与见解

图书分类是图书馆组织藏书和揭示藏书的一种手段,其准确性和科学性至关重要,分类的正确与否直接影响到文献利用率。以实例的形式对其加以分析,探讨了图书分类工作,提高分类质量,确保图书的有效利用。     

模糊物元模型在土壤侵蚀等级划分中的应用

土壤侵蚀等级的确定是水土保持工作中的重要问题.参照土壤侵蚀强度分级拟定标准进行等级划分时,由于其标准是界限明显的量化标准,指标的选择,权重及侵蚀程度、范围等都具有模糊性.在物元分析方法中引入模糊数学中的隶属度概念,建立模糊物元模型来确定土壤侵蚀强度等级更具合理性.通过实例分析,并与模糊综合评判方法和实际调查结果进行对比,表明此模型是合理、可行的.     

中国污染场地国家分类体系框架构建

污染场地是社会工业化的产物,已逐渐成为一个世界性的环境问题,对人体健康和环境安全带来了严重的威胁。污染场地问题的解决依靠科学的管理,实现国家层面污染场地管理的关键环节在于有效的分类管理,污染场地分类管理的核心是国家分类体系。通过该分类体系可以实现国家层面污染场地的分级分类管理,从而将有限资源用于最需治理的污染场地。该文在选取污染特性、污染迁移途径和污染受体3类场地评价因子的基础上,通过层次分析法对评价因子进行解构和有序重组,并赋予其具有风险意义的数值,从而构建污染场地国家分类体系框架。该分类体系框架根据场地评价因子汇总分值的范围将污染场地分为5类。研究结果为国家层面的污染场地优先治理和分类管理提供技术支撑和依据,从而有助于促进中国污染场地管理向制度化和规范化方向发展。     

基于数据挖掘分类法的农用地分等

应用决策树模型、BP神经网络和Logistic回归模型等分类法,对龙川县农用地分等进行了实证研究,并对各方法的分等结果有效性进行了评价,同时利用混淆矩阵探讨了样本数量对3种模型分类精度的影响。结果表明,样本数量对模型影响有差异,其中对BP神经网络和决策树模型影响较大,在较多训练样本时,模型的精度较高。在较多样本支持下,BP神经网络精度最高,但训练模型的时间较长,可解释性差;决策树模型既具有较高的精度又具有良好的可解释性;Logistic回归模型表现较差。决策树模型最适合龙川县农用地分等工作。研究结果表明,数据挖掘分类法是有效而准确的土地评价方法,有助于提高土地评价的精度和准确性,对农用地分等方法的优化具有一定的借鉴意义。