县市级土地遥感监测中信息知识库的应用

应用遥感（RS）技术实现土地监测,投资少、时间短、效率高,为此南安市成立了国土资源信息监测研究室。本文着重讨论了应用遥感影像进行南安市土地利用分类的信息提取方法,结合GPS和人工调查建立遥感信息识别知识库,提高土地利用遥感分类的精度。还讨论了土地利用遥感监测在生产实际中的应用。     

基于面向对象的SPOT卫星影像梯田信息提取研究

梯田信息准确和快速提取是区域水土保持动态监测和评价的核心技术之一,运用遥感技术进行地物信息提取是一种有效手段。该研究以燕沟流域为研究区,采用高分辨率的SPOT5遥感影像数据,基于面向对象分类技术,通过影像分割构建影像对象,在分析影像对象的光谱特征、纹理特征和空间特征的基础上,建立了梯田信息的遥感提取规则,实现了梯田的自动提取。最后用手工勾绘结果对梯田的遥感提取结果进行精度评价,从田块边界的吻合度评价位置精度,并通过比较该结果与人工目视解译结果进行面积精度评价。结果表明,基于面向对象分类的遥感方法可以较好地从原始影像中提取复杂地貌区梯田的位置信息,面积提取正确率达到78.38%,该方法可为黄土高原地区梯田信息遥感提取提供借鉴。     

基于QuickBird影像的退耕地林分类型识别方法研究

[目的]减少遥感数据的噪声影响,提高光谱信息的传统林分类识别方法的提取精度。[方法]在MNF变换融合处理的基础上,采用一种基于光谱和空间信息相结合的分类方法,融入空间信息对研究区不同林分遥感信息进行提取。[结果]该方法可以有效地抑制分类结果的"麻点"现象,对各类型林分信息的平均提取精度达83.6%,高于传统最大似然法11.6%。[结论]融入空间信息的林分信息提取方法可以有效地改善分类效果,能够提高分类精度,在退耕地林分信息提取和变化监测等方面具有一定的实际意义。     

基于ETM+数据的干旱区盐渍化土壤信息提取研究

准确而自动地提取盐渍化土壤信息对于土壤盐渍化监测和土壤盐渍化动态变化研究具有重要意义。选择新疆渭干河—库车河三角洲绿洲特有的干旱地区为研究区,在对研究区土壤特征实地调查和典型土壤遥感信息分析基础上,利用含有7个多光谱波段的2001年8月1日增强-加型专题绘图仪(ETM+)遥感图像提取了归一化植被指数(NDVI)、第三主成分(PC3),分别作为非盐渍化土壤和盐渍化土壤信息提取的主要特征变量,改进归一化差异水体指数(MNDWI)、TM1、TM7作为辅助特征变量。利用决策树分类方法建立信息提取模型,对研究区遥感图像进行了分类。研究结果证明,基于研究区遥感信息特征基础上的盐渍化土壤信息自动提取是可行并能达到较高信息识别精度的。     

基于多源遥感的土地利用动态监测图像分类方法研究——以陕北黄土丘陵沟壑区为例

在陕北黄土丘陵沟壑区的土地利用动态监测中,采用一种遥感影像和单纯的监督分类方法,难以获得高精度的土地利用数据。为解决此问题,以陕北无定河流域为研究区,以主成分变换的方法对多源遥感影像(TM多光谱数据和SPOT全色波段数据)进行融合处理;同时在分类中采用监督分类与非监督分类相结合的混合分类法,改进训练样本选取方法。先以非监督分类获得初始训练样本,在对样本进行删除、增补、合并等调整的基础上,再进行监督分类,这2种方法的结合使用,使土地利用信息自动提取的精度明显提高。与仅以TM影像为信息源,采用单纯监督分类法的分类结果对比可知,土地利用各类别的提取精度都有不同程度的提高,分类总精度从82.0%提高到89.2%;水体、水田和城镇用地等面积较小类别的精度提高了10%以上;坡耕地与林草地的混分现象明显减少,精度均提高了5%以上,取得了良好的分类效果。研究结果为陕北黄土丘陵沟壑区土地利用变化的动态监测,提供了重要的技术支持和借鉴。     

河套灌区沈乌灌域GF-1/WFV遥感耕地提取

为提高基于遥感影像的灌区耕地自动快速提取,该文针对河套灌区沈乌灌域种植结构特点,利用实地调查结果、Google earth和GF1-WFV遥感影像构建了研究区主要作物及土地利用类型的NDVI时间序列,并利用HANTS滤波法对NDVI时间序列进行了平滑处理。分别采用基于遥感与Google earth的目视解译、监督分类(支持向量机)、基于NDVI时间序列的决策树分类与监督分类相结合的方法、基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法对灌区耕地进行提取。利用基于Google earth与目视解译的10 000个随机验证点以及正确率(用户精度)、完整率(生产者精度)和整体精度(提取耕地面积与实际面积的比值)3个指标对提取结果进行了评价。验证结果表明:监督分类(支持向量机)提取结果的正确率、完整率和总体精度仅为84.82%、64.4%和75.68%;基于NDVI时间序列的决策树分类与监督分类相结合的方法提取精度分别为94.28%、84.21%和89.1%;基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法提取精度进一步提高,3个指标分别达到94.47%、87.32%和92.24%。在作物种类繁多的大型灌区,时空分辨率优异的GF1-WFV数据在耕地面积提取上具有很强的实用性;结合作物生长规律与遥感信息的联合方法能够有效提高耕地面积的提取精度。     

基于TM影像的崇明东滩湿地植被分类研究

湿地植被遥感分类对于湿地生态环境的保护与管理具有重要意义,遥感湿地植被分类的难点是湿地环境复杂,植被光谱相似.以崇明东滩湿地为研究对象,利用FieldSpec 3 Hi-Res光谱仪和Landsat 5卫星影像,分析了湿地植被实测和遥感影像反射光谱曲线.在分析的基础上,采用基于知识发现的信息提取方法对湿地植被进行分类.首先将潮滩植被从遥感影像中提取出来;然后计算NDVI、DVI等植被指数,并进行典型植被可区分性植被指数评价;最后将最优植被指数(KT1,TRVI和DVI)作为辅助信息,对潮滩植被进行神经网络监督分类.研究结果显示,该方法的分类总精度较高达86.5％,具有一定的适用性.研究结果可为实现自动、半自动化植被分类与识别提供理论依据和技术支持.     

基于面向对象分类的土地整理区农田灌排系统自动化识别

针对目前农田灌排系统识别研究中影像分辨率低、自动化程度不高的问题,该研究基于面向对象分类法,提出了一套从影像到农田灌排系统矢量输出的完整提取流程。研究利用KOMPSAT-2高分辨率遥感影像数据,以吉林省西部土地整理大安项目区作为试验区,使用自主研发的识别程序对土地整理区农田灌排系统进行了自动化识别提取,并与监督分类法、手动屏幕数字化作了对比分析。结果显示,基于面向对象分类的自动化提取方法在精度上与手动屏幕数字化相近,总体精度达到了89.64%,远高于监督分类法的识别精度;而且该方法所耗费的时间最少,操作过程不需人工干预,识别结果的稳定性也高于另外两种方法。研究表明,基于面向对象分类的自动化提取方法,是一种较理想的土地整理区农田灌排系统遥感监测手段,同时也为其他地物监测提供了一种有效的途径。     

高分辨率遥感卫星影像在土地利用分类及其变化监测的应用研究

研究了IKNOS米级高分辨率遥感影像在大比例尺土地利用图件更新中的应用技术,提出采用基于知识的土地利用覆盖分类以及变化监测系统方法,首先利用NDVI植被指数和半方差纹理特征的知识进行影像大类区域分割;其次结合光谱知识对各影像区域进行详细分类,同时利用区域生长技术与地类空间知识进行区域分类;第三步是分类后处理与变化信息提取,利用基础图件提供的知识与各区域分类进行比较以发现变化的区域。北京房山良乡试验区的试验表明,Kappa系数为0.912,总精度为0.938;变化信息错误率为13.69%,基于知识的分类与变化信息自动提取可以为在GIS/RS环境下的目视数字化提供目标,加速土地利用基础图件的更新作业过程     

模糊逻辑在土地利用遥感分类中的应用

由于影像信息提取过程蕴涵的诸多不确定性以及土地类别描述语境信息的含糊性影响,遥感数据的常规土地利用分类面临诸多困难与挑战。而模糊分类系统作为一种最为强大的软分类器,能处理、分析和表征遥感信息中传感器测量数据的不精确性、土地类别描述中的含糊性以及模型模拟中的不严密性,从而输出更能表达人类知识缺陷、更符合真实世界客观事实的分类结果,因此被认为是一种较好的土地利用遥感分类手段。本文以南京城市边缘带一样区为例,在采用地物导向分割技术对遥感影像分割的基础上,充分利用影像地物自身的光谱组合特征值以及其他空间形状、拓扑特征以及语境关系信息,按照模糊监督分类的过程来对研究区土地利用信息进行提取。研究结果表明基于遥感数据源的土地利用模糊分类系统可以获得比常规硬分类手段更为合理、信息含量更为丰富的输出结果。     

基于组合核非线性退化模型的遥感图像复合分类

遥感数据的多空间分辨率复合分析是遥感处理技术的重要发展方向。为了解决低分辨率图像混合像元分类精度低、高分辨率数据分类处理时间长以及大区域高分辨率数据获取困难等实际应用问题,该文改进了传统基于线性退化函数模型的复合分类模型,提出了基于组合核函数的非线性退化模型复合分类算法,分析了纹理信息对于提高复合分类精度的作用,并通过实际遥感数据试验分析比较了两种模型的分类精度。试验结果表明新方法可较大程度地提高总体分类精度,在分类过程中引入纹理信息有助于进一步改善分类精度。     

基于非线性降维时序遥感影像的作物分类

当前基于时序遥感数据的作物分类方法大都需要较多专家知识及人工干预,难以自动化,也难以移植到其他地区。将光谱降维技术用于时序遥感影像分析可以很好地解决这一问题。其中,非线性降维方法已经成功应用于高光谱数据,并且获得了比线性降维方法更好的结果。但是,直接将非线性降维方法用于时序遥感影像无法充分利用其时相维度的信息。该文改进了一种非线性降维算法——Laplacian Eigenmaps(LE)用于时序遥感影像的作物分类,该方法更加关注相同时相下不同作物生长季的物候特征差异,而不再仅依赖于整个生长季的物候曲线轮廓。改进的LE算法被应用于美国伊利诺伊州覆盖作物全生长季的Landsat 8时间序列影像。降维后保留的波段结合随机森林分类器基于美国农业部Cropland Data Layer(CDL)提供的训练数据完成了一系列的分类试验,并与传统插值未降维的方法进行对比。试验结果表明,改进的LE降维方法完成了更高的整体及各个类别的分类精度,其中整体分类精度达到85.37%,该方法作为一种自动化的方法,不需要人工干预,可直接移植到其他研究区,并且只需要较少的训练样本就可以完成一个较高的分类精度,为日后不同尺度的作物识别和提取研究提供了有效的方法。     

基于卷积神经网络的花生籽粒完整性识别算法及应用

针对现有色选设备在花生颗粒筛选过程中处理速度慢、准确率低的缺点,提出基于卷积神经网络的花生籽粒完整性识别算法。以完好花生、表皮破损花生和果仁破损花生的分类为例,构建花生图像库;搭造卷积神经网络,提取花生图像特征;为提高分类准确率和实时性,从训练集构成、减小过拟合、加快训练收敛速度、简化网络结构等几方面对卷积神经网络进行优化;最终利用含2个卷积层、2个池化层、2个全连接层的3层神经网络实现了上述3类花生的分类。试验结果表明：该方法对花生分类的准确率达到98.18%,平均检测一幅单粒花生图像的时间为18 ms,与现有色选设备相比有效提高了色选设备筛选的准确率和实时性。     

基于支持向量机分类的遥感土壤盐渍化信息监测

遥感技术在大尺度土壤盐渍化检测方面有着宏观性、实时性、动态性等优势和广阔的应用前景,但是传统的遥感图像分类方法精度不高、分类效率较低和不确定性.提出了基于支持向量机(SupportVectorMachine,SVM)的分类方法,介绍了SVM算法的基本原理,通过支持向量机分类法与传统分类方法(最大似然法和最小距离法)在盐渍化信息提取结果上进行对比,表明基于SVM的遥感图像分类方法能够较好的检测土壤的盐渍化信息,分类总精度达到95.66%,比最大似然法和最小距离法分类精度(分别为91.54%和85.42%)更高,因此更适合于遥感图像分类和盐渍化信息检测.     

高分遥感在黄河流域水土流失动态监测中的应用

[目的]总结和分析黄河流域水土流失动态监测项目所采用的遥感监测技术,为流域水土流失动态监测探索和推广一种崭新、高效的方法。[方法]基于资源3号高分辨率卫星影像,采用面向对象的影像分类方法对准格尔旗2014年的土地利用信息进行半自动分类,并构建植被覆盖度回归模型,对项目区植被覆盖度进行反演研究。[结果]面向对象的土地利用半自动分类结果和植被覆盖度回归模型反演结果,其野外验证精度达到90%以上,满足水土流失动态监测高解析度和高精确度基础数据获取的需求。[结论]面向对象的土地利用分类方法和植被覆盖度回归模型计算,能够有效避免传统人工目视解译导致的成果误差,节约人力成本和时间成本,提高数据获取的精度和效率。     

基于网格搜索随机森林算法的工矿复垦区土地利用分类

为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。     

δ13C法研究砂姜黑土添加秸秆后团聚体有机碳变化规律

为研究水稻秸秆添加对砂姜黑土水稳性团聚体分布及稳定性的影响,探索水稻秸秆腐解过程中外源新碳及原有机碳在不同粒级团聚体中的分配规律,该文通过室内模拟试验,运用δ~(13)C示踪方法,将稳定同位素碳(δ~(13)C)标记的水稻秸秆添加入砂姜黑土,利用湿筛法得到不同培养时期不同粒级的土壤水稳性团聚体,测定不同时期各粒级土壤外源新碳及原有机碳含量。结果表明:未添加水稻秸秆的砂姜黑土(对照组),水稳性微团聚体(250μm)占主体,团聚体有机碳含量低。与对照相比,添加水稻秸秆(试验组)显著促进了2000、2000~250μm粒级水稳性大团聚体的团聚(P0.05);培养到120 d时,2000、2000~250μm水稳性团聚体比对照组分别增加了265.5%、16.0%,促使水稳性大团聚体(250μm)占主体,显著提高了砂姜黑土水稳性团聚体的平均重量直径(mean weight diameter,MWD)、几何平均直径(geometric mean diameter,GMD)、水稳性大团聚体含量(R0.25),降低了分形维数(D)值(P0.05),土壤结构稳定性明显得到改善。试验组各粒级团聚体有机碳含量显著增加,培养到15 d时,2000、2000~250、250~53、53μm粒级团聚体有机碳分别比对照组增加了21.4%、25.4%、34.7%、50.0%,其中微团聚体有机碳增加幅度大于大团聚体的增加幅度。MWD、GMD、R0.25与2000~250、250~53μm粒级团聚体有机碳呈极显著正相关关系(P0.01),与2000μm粒级团聚体有机碳呈显著正相关关系(P0.05)、与53μm粒级团聚体有机碳关系不显著。不同粒级团聚体的δ~(13)C值明显增加,动态变化较大,表明外源新碳周转速率较快。外源新碳主要分配在250~53、53μm粒级微团聚体中,分配比例分别为38%、28%,外源新碳的分解速率明显快于原有机碳。研究得出添加水稻秸秆有利于增加砂姜黑土的团聚体稳定性,提高土壤及不同粒级团聚体的有机碳含量,提升土壤碳水平,改善了土壤结构,这为淮北地区土壤质量提升及有机碳循环提供了理论依据。     

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。     

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。     

基于Sentinel-2影像的西南山区不同生长期水稻识别

山区水稻种植呈现破碎分散的特点,中低分辨率的遥感影像分类效果不甚理想,需要寻找适用于山区水稻提取的遥感数据源和监测方法;水稻在不同生长阶段有不同的形态特征,适用的分类特征与得出的分类结果显然不同。该研究以Sentinel-2影像为数据源,对不同生长阶段的水稻进行提取。选取波段特征、植被指数、红边指数、水体指数、地形特征、纹理特征等58个分类特征,运用SEaTH算法进行筛选后,采用随机森林分类法进行分类,并构建误差矩阵比较分类结果。结果表明,分类特征经过筛选后,数量分别为发育期16个、生长期13个、成熟期12个;分类结果进行精度验证后,用户精度分别为发育期0.93、生长期0.88、成熟期0.85,水稻发育期为提取水稻的最佳时期。Sentinel-2影像和随机森林方法可作为理想的数据源和监测方法用于山区水稻时空信息的提取。