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。     

高光谱遥感数据植被信息提取方法

利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1 m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。     

基于高分辨率遥感影像的青海湖沙柳河流域土地覆盖监督分类方法对比

[目的]研究高寒河源区土地覆盖的精准分类方法,为地物分类提供参考,分类结果可为青海湖流域土地资源与生态环境监管提供数据支撑。[方法]运用高分辨率遥感影像,通过6种监督分类器(平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机)对青海湖沙柳河流域的土地覆盖进行分类,最后通过最佳提取方法统计得出青海湖沙柳河流域土地覆被概况。[结果]支持向量机、神经网络和最大似然的分类精度较高,其总体分类精度均大于96%,Kappa系数均大于0.95,平行六面体的分类精度最低,误差较大。综合各种分类精度及分类图像局部细节,支持向量机分类效果最佳。通过解译可知沙柳河流域土地覆被以草地为主,占流域总面积的71.09%,裸地和湿地分别占流域总面积的16.26%和10.24%,水体、农田和建筑用地面积较小,共占流域总面积的2.41%。[结论]运用高分辨率遥感影像,通过支持向量机分类器可实现对青海湖沙柳河流域土地覆被的良好分类。整个流域植被覆盖度高,生态环境良好。     

基于无人机遥感影像的南方红壤区林下水土流失区提取方法研究

我国南方红壤区林下水土流失现象严重,林下水土流失区的识别对治理水土流失具有重要意义.本研究选取长汀县濯田镇某一区域作为研究区,基于超高分辨率无人机遥感影像数据,利用面向对象的支持向量机法对影像数据进行分类,采用深度卷积网络方法精细提取出裸地,再结合植被覆盖度和植被离散度提取出林下水土流失区.该方法充分挖掘超高分辨率无人...     

基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取

用遥感数据快速准确地提取植被信息对生态环境监测和发展气候模型具有基础性和关键性的意义。由于中国黄河三角洲地区植被类型插花分布,传统遥感提取方法精度较低。该文选取近代黄河三角洲典型生态脆弱区为研究区,基于MODIS和LANDSAT8数据,通过提取研究区的物候参数和不同分辨率遥感影像的融合处理,根据植被类型斑块大小确定分割尺度,根据典型植被类型的物候特征、光谱和空间等特征值构建分类规则,利用分区策略自上而下进行面向对象分类。结果表明,该方法总体精度为80.75%,Kappa系数0.79,高于传统物候和面向对象分类方法。广生态幅的棉田与其他植被的光谱混淆是传统面向对象分类方法植被分类精度低的主要原因,利用物候参数进行植被分区能规避棉田和自然植被的光谱混淆,有利于对植被类型的区分。分类结果与当地植被分布情况相符,可以用于研究区植被类型的精细提取。     

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HJ卫星数据与面向对象分类的土地利用/覆盖信息提取

土地利用/覆盖信息是区域气候与环境研究的基础,是土地资源规划与管理、合理开发与保护的信息保障。为此,该文选取长株潭城市群核心区为试验区,以时间序列HJ卫星影像为数据源,首先构建了时间序列归一化植被指数(normalized difference vegetation index,NDVI)、时间序列光谱第一主成分(first principal component,PC1)数据集,通过J-M(Jeffries-Matusita)距离变量可分离性分析结合地表覆盖的物候特征,确定最佳时序HJ组合数据;其次,采用面向对象的随机森林算法对研究区土地利用/覆盖信息进行分类,并对分类结果进行精度评价与比较分析。研究结果表明:采用时间序列HJ组合数据与面向对象的分类方法,提取城市土地利用/覆盖信息的总体精度和Kappa系数分别达到91.55%和0.90,其中水田、水浇地、旱地、林地、建设用地的生产者精度均达到90%及以上;相对于时间序列基于像元分类、单时相面向对象的分类方法,该文提出的土地利用/覆盖信息提取方法的总体分类精度和Kappa系数分别提高了2.26%、0.02和6.82%、0.08,有效提高了区域土地利用/覆盖信息提取的精度,为大范围土地利用/覆盖精细化分类提供了有效的途径。     

基于Relief F和PSO混合特征选择的面向对象土地利用分类

针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。     

利用ASTER遥感资料提取南京城郊土地利用信息的研究

土地资源是社会经济发展最基本的物质基础，利用遥感技术可对土地资源进行分类调查。在对地观测方面，高光谱遥感与一般遥感影像相比,能提供更高质量的信息源。先进的空间热辐射反射计(ASTER)覆盖可见光、近红外、短波红外和热红外的14个波段，分辨率从15 m到90 m，对长江流域环境监测、地表覆盖变化、短期气候预测、自然灾害监测等，对于了解该区资源、生态与环境具有重要的意义。该文利用2001年ASTER数据对南京城郊地区进行了土地利用分类，首先采用多元统计方法提取分类特征波段。然后以非监督分类获得初始训练样本，对训练区进行多次像元提纯后，运用监督分类方法对南京城郊土地利用信息进行分类。研究表明，多种分类方法相结合可从ASTER影像更好地提取土地利用信息，达到较好得分类精度。     

基于特征优选随机森林算法的农耕区土地利用分类

为了提高农耕区土地利用分类精度,该文采用较高空间分辨率和丰富光谱信息的Sentinel-2数据生成光谱特征、无红边波段的植被指数、红边指数和纹理特征4种基本特征变量,并对以上特征变量优选后进行特征重要性排序,进而构建7种特征组合方案,基于随机森林算法和支持向量机对农耕区土地利用信息进行提取并对比验证分类精度。研究结果表明:通过特征优选的随机森林算法进行土地利用信息提取效果最佳,总体精度达到88.24%,Kappa系数为0.84,精度优于相同特征变量下的支持向量机分类方法。该方法能够有效提高农耕区土地利用分类精度,可为土地资源监测、管理提供技术支持和理论参考。     

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。     

融合面向对象与缨帽变换的湿地覆被类别遥感提取方法

为了有效提取湿地覆被类别遥感信息,该文基于国产环境星影像(HJ-CCD)和Landsat7遥感影像(ETM)提出了一种融合面向对象技术和缨帽变换的提取湿地覆被信息的方法,并对东洞庭湖区的湿地进行提取。遥感提取结果的总体精度90.02%,Kappa系数0.88,高于传统的分类方法分类的量化结果;获得的结果没有"椒盐现象"且比较紧致。试验结果表明融合面向对象和缨帽变换的方法能够有效的提取湿地覆被类别,精度高,效果好。研究结果为有效地利用遥感手段提取湿地覆被信息提供参考。     

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     

面向GF-1数据不同融合方法对扰动地块的提取

以GF-1影像为数据源,采用HPF变换(High-Pass fusion,高通滤波变换)、Ehlers变换(空间滤波变换)、Brovey变换(彩色标准变换)、GS变换(Gram-Schmidt,正交化变换)、PC变换(Principle Components,主成分变换)等5种常用融合算法,根据视觉分析和数理统计分析对融合后的影像进行质量评价,并通过面向对象分类方法对扰动图斑信息进行提取,研究适用于生产建设项目集中区扰动地表信息提取的融合算法。结果表明:基于PC和GS算法的融合结果影像视觉效果好,细节清晰,色调自然,纹理增强明显,较好的融合了多光谱影像的光谱信息和全色影像的空间信息。通过定量分析可知,PC变换最大程度地保持原多光谱影像的光谱特性,GS融合算法在增益效果上具有优势,融合影像信息量最大,纹理最为细致。总体而言,PC变换和GS变换影像融合算法在生产建设项目扰动图斑信息提取上具有很大的优势,在煤炭覆盖区提取正确率均为100%,在裸露地表和在建建筑用地混合区大于80%,较原始多光谱影像分类精度提高了约10%。该研究为推进国产高分遥感数据在生产建设项目水土保持监管中的高效应用奠定数据基础,对提升生产建设项目水土保持监管效率和信息化水平具有非常重要的意义。     

DEM支持的黄土丘陵沟壑区地被遥感分类方法

DEM支持的黄土丘陵沟壑区地被遥感分类方法的提出,目的是解决由于受到复杂地形影响,遥感影像地被分类精度低且不具有地形特征的问题。在分类预处理过程中利用基于PCA的方法复原阴影区域的信息,可以减少大量阴影造成的影响。分类时对分布在不同地形区域的相同地被选取不同的样本,利用Bayes分类进行土地覆盖分类。根据正负地形特征和剖面曲率将DEM划分为梁峁地、沟坡地、沟底地。分类后使用最小面积原则的滤波方法对土地覆盖分类图与土地类型分类图进行处理,并以土地类型边界为标准进行图斑的叠加重组。该方法将光谱特征与空间地形信息相结合,得到的分类结果精度有所提高且带有地形信息,充分体现了黄土丘陵沟壑区地被分布的实际情况,增强了分类结果的实用价值。     

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。