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。     

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。     

基于遥感信息融合的阜新煤矿排土场地物提取与分类

结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。     

内蒙古灌丛化草原分布特征的遥感辨识

灌丛化草原在中国内蒙古干旱、半干旱草原区广为分布。为了探究灌丛化草原的分布状况,该文利用高空间分辨率(5.8 m)卫星资源三号遥感影像,结合地面调查,研究了内蒙古镶黄旗境内灌丛化草原的分布特征。以归一化植被指数(normalized differential vegetation index,NDVI)阈值法提取植被覆盖区域后,分别采用基于像元的监督分类方法(支持向量机、最大似然和马氏距离)和面向对象方法进行灌草镶嵌斑块和草地斑块的辨识,并对分类结果进行对比分析。结果表明:在3种基于像元光谱信息的监督分类算法中,支持向量机算法对灌丛化草地的识别精度相对较高,表现在这一类型的生产者精度和用户精度均大于另外2种算法,并且,该算法的总体分类精度也最高(81.15%),明显优于最大似然(73.33%)和马氏距离(61.77%)。然而,融入了空间信息进行分类的面向对象方法(合并尺度97)的总体识别精度高达89.24%,并且随着对象合并尺度的增大,灌丛化草地的错分和漏分比例明显降低。这一结果表明利用草本与灌丛像元的空间纹理属性差异,能够有效削弱噪声,提高识别精度。     

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。     

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。     

CBERS-02B星HR高分辨率遥感数据融合研究分析

在阐述遥感影像融合原理的基础上,以贵州省贵阳市部分区域为研究区,应用PCA,Brovey,SVR,IHS共4种融合方法对CBERS-02B星HR数据与CCD数据进行融合实验。从光谱信息和空间信息两个方面对融合效果进行分析,对比4种融合方法对CBERS-02B星影像数据的适用程度,同时与SPOT-5融合数据进行对比分析。研究表明:(1)4种融合方法中,SVR变换法最适合CBERS-02B星遥感数据的融合,融合数据的各评价指标均高于其他融合方法,空间信息丰富,图像细节效果良好;(2)CBERS-02B星同源遥感数据融合影像的质量低于SPOT-5影像融合数据;(3)CBERS-02B星CCD数据的质量低是导致融合影像质量不高的主要原因,所以在CBERS-02B星HR数据的使用过程中应尽量寻求其他来源的多光谱数据进行融合。     

滨海光谱混淆区面向对象的土地利用遥感分类

滨海光谱混淆区土地利用/覆盖信息获取是遥感信息提取的难点之一,该研究选择黄河三角洲垦利县为研究区,采用2007年3月11日陆地卫星TM遥感影像数据,利用面向对象的土地利用遥感分类技术,通过影像分割和采用支持向量机分类方法对研究区土地利用/覆盖信息进行提取,并将分类结果与传统的基于像元的分类方法进行对比分析。结果表明:面向对象支持向量机的分类精度达到84.83%,比基于像元的最大似然法和波谱角法分别提高了5.94%和19.53%,且有效避免了椒盐现象。说明面向对象的图像分类方法明显提高了遥感影像的分类精度和分类效率,为滨海光谱混淆区土地利用信息的快速、准确提取提供了有效技术手段。     

深度学习自编码结合混合蛙跳算法提取农田高光谱影像端元

针对农田高光谱遥感影像端元提取和混合像元分解精度不高的问题,该文提出了利用深度学习自编码结合混合蛙跳算法的农田高光谱影像端元提取方法。首先,利用深度学习的栈式自编码模型对高光谱影像进行光谱特征提取,优选出备选端元集合;然后将影像端元提取问题转化为组合优化问题,设计了待优化的目标函数,通过混合蛙跳算法对目标函数进行优化从而实现对最佳端元组合的搜索;最后利用人工合成的不同信噪比农田高光谱数据和真实的农田高光谱影像,将该算法与3种现有的主要端元提取方法进行对比。试验结果表明,本文提出的端元提取算法对20、30和40 dB信噪比影像提取结果的平均光谱角分别达到0.106 88、0.030 32、0.009 94。对20、30和40 dB信噪比影像和真实影像提取结果的均方根误差分别达到0.050 8、0.015 9、0.005 1、0.006 7。与现有的主要端元提取方法相比,该方法具有端元提取精度高、对不同等级噪声鲁棒性好等优势,在农田高光谱遥感监测中具有广阔的应用前景。     

基于HJ-1A/1B CCD数据的雹灾监测与评价

由于雹灾的突发性、灾后影响的显著空间异质性,雹灾监测与灾后评价的研究相对较少。以黑龙江甘南县典型雹灾为研究对象,利用HJ-1A/1B CCD等遥感影像与地面实测高光谱数据,进行雹灾遥感监测与评价研究。基于实测光谱数据分析了不同灾害程度农作物的反射光谱特征及植被指数变化;利用2个时相的遥感影像数据,结合地面调查,通过对植被指数分级进行雹灾监测与评价,并结合另一个时相的数据做了验证。结果表明：不同灾害程度作物的反射光谱特征差异显著;运用植被指数分级进行雹灾监测是可行的,基于归一化差分植被指数差值图分级得到的不同雹灾程度范围与实际情况相符,而基于比值植被指数差值图的分级结果则与实际结果差距较大;根据雹灾遥感分级结果分析了雹灾空间分布特征。研究结果可对雹灾监测与评价提供理论与技术支持。     

基于多时相遥感数据的吉林西部土地覆被分类提取

为深化计算机自动提取土地覆被类型在遥感分类研究中的应用,以吉林西部的镇赉县为试验区,利用Landsat8多时相遥感数据的季节变化信息、地表植被、水体与土壤等特征参量,构建多维分类特征数据集对试验区进行土地覆被分类研究,提取了11种地表覆被类型。结果表明:1)多维变量组合方案的总体分类精度为95.50%,Kappa系数为0.9504。该方案自动提取地类达到了一个比较理想的分类结果,方案有效可行;2)方案中,3个主要特征分类变量的引入能很好改善易混淆地类的可分性,尤其,地表植被季节变化信息和土地信息的引入能明显提高土地覆被的分类精度;3)实际情况表明,引入的分类特征量不是越多越好,只有将多种分类特征有效结合才能够提高土地覆被分类精度。该文为农牧交错带上的土地覆被遥感监测提供了一个可行的方案,该方案有效可行。     

基于低空可见光谱的植被覆盖率计算

[目的]将低空遥感技术应用到水土保持设施验收中,从可见光谱遥感影像提取区域植被信息,提出可准确、客观计算水土保持设施验收指标中植被覆盖率的方法,以减少工作人员的业外工作量,提高测算效率。[方法]将仅含有可见波谱信息的低空遥感图像作为研究对象,在利用植被指数红绿比指数(RGRI),过绿指数(EXG),可见光波段差异植被指数(VDVI),归一化绿蓝差异指数(NGBDI)和归一化绿红差异指数(NRGRDI)分析图像波谱特性的基础上,采用双峰直方图法和最大熵值法确定各植被指数的阈值,再使用ENVI软件提取图像的植被信息,并计算植被覆盖率,与参照结果进行比对。[结果]利用可见光谱差异指数(VDVI)提取的植被信息精度高达95.32%。由此计算得到的植被覆盖率为54.43%,与实际情况最为接近。[结论]基于可见光谱遥感影像计算植被覆盖率的方法具有可行性,该方法人工干预少,结果准确度高,可为水土保持设施验收提供实时的数据支撑。     

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。     

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 Earth Engine,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 m与加入植被红边波段的20 m空间分辨率遥感数据,探究不同特征组合对改善大蒜识别精度的性能。试验结果表明：应用10 m空间分辨率的Sentinel主被动遥感数据,在简单非迭代聚类（Simple Non-iterative Clustering,SNIC）分割尺度为5,灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.54%、0.93,大蒜的制图精度和用户精度为97.83%、96.38%。应用加入植被红边波段的20m空间分辨率Sentinel主被动遥感数据,在SNIC分割尺度为3,GLCM邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.14%、0.92,大蒜的制图精度和用户精度为95.72%、98.81%。单独使用Sentinel-2光学数据,加入植被红边波段的20m分辨率数据相对10 m分辨率数据,大蒜制图精度和用户精度分别提高0.49%和4.38%。单独使用时序Sentinel-1 SAR数据,10 m空间分辨率数据的大蒜制图精度和用户精度优于20 m分辨率数据0.66%和2.07%。本研究为遥感数据识别生长周期相同或重叠的大宗、小宗经济作物提供技术参考。     

结合ZY-1 02D光谱与纹理特征的干旱区植被类型遥感分类

高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法（Generalized Normal Distribution Optimization,GNDO）的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-1 02D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元（30、50、100、150、200）基础上,分别利用遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）、灰狼优化算法（Grey Wolf Optimization,GWO）以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林（Random Forest,RF）方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示：蓝波段（400～450 nm）、红边波段（700～750 nm）和红波段（600～650 nm）对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集（GNDO200）获得了最高的总体分类精度（80.44%）;随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集（GWO200+TEX）获得了最高的总体分类精度（82.86%）。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。