土地利用/土地覆盖遥感分类研究综述

遥感技术已成为获取土地利用／土地覆盖数据的重要手段，本文在综合分析研究当前主要的遥感图像分类方法基础上，将遥感图像分类方法归纳为：常规的统计分类方法、神经网络分类方法、基于GIS的分类方法、基于专家知识和地学知识的分类方法及针对实际情况的分类方法，本文对各种方法的应用情况进行了综述。     

利用核密度估计改进遥感图像贝叶斯分类法

把非参数核密度估计方法引入到遥感图像贝叶斯(Bayes)分类问题中,对各类的分布密度函数进行非参数核密度估计,从而改进了Bayes分类方法.通过对遥感图像实例分类,与传统Bayes分类方法和其它统计分类方法比较,分类精度得到了提高.该方法解决了其他分类方法单中心的局限,既保留了核密度估计法理论上的优点和平滑性,又适合云南由于地形和光照影响而产生的同一地类在相空间中是多中心的特点,具有一定的应用推广价值.     

基于模糊C均值聚类的林地遥感图像分类研究

在以往国内外相关研究的基础上,以我国东北长白山系典型林区为试验区,以2007年7月Landat5卫星TM多光谱图像为遥感数据,运用模糊C均值聚类方法对遥感图像进行分类试验．分类结果显示：模糊C均值分类方法在总分类精度和Kappa系数上都占有一定的优势,比传统分类方法有着更好的分类效果．模糊C均值方法在林地植被的遥感分类中具有较好的应用前景．     

土地利用/覆盖遥感分类研究综述

遥感技术已成为土地利用/覆盖信息来源的重要手段,分类方法在其研究中占有重要的地位,方法的优劣直接关系着分类的精度。本文阐述了不同类型遥感资料的性质及应用范围,并在综合分析研究当前主要的遥感图像分类方法基础上,对常规的统计分类方法、人工智能分类方法、针对实际情况的分类方法及其它较新的分类方法进行了综述。     

非监督数字化分类与GIS在土地沙漠化动态监测中的应用

介绍了地理信息系统(GIS)在沙漠化动态监测中的应用和遥感图像计算机监督数字化自动分类的理论和方法,对遥感图像计算机非监督自动分类的精度做了检验.对调查区土地沙漠化动态进行了分析.结果表明,从1991年到1997年间该区土地沙漠化趋势有所减弱,综合治理取得了一定效益.     

遥感影像分类方法研究动态

遥感影像分类是遥感信息提取的关键技术,一直是遥感领域的研究热点。在介绍遥感图像分类过程和分类体系的基础上,综合了最近国内外遥感分类的方法技术,重点阐述了遥感影像分类在神经网络、SVM、主动学习、多分类集成等方面较新的研究动态,为遥感图像分类向自动化和智能化发展的进一步研究提供参考。     

遥感图像监督数字化分类与GIS在土地沙漠化动态监测中的应用研究

准确把握土地沙漠化动态对沙漠化治理具有重大现实意义。本文介绍了地理信息系统（GIS）在沙漠化化动态监测中的应用和遥感图像计算机监督数字化分类的理论和方法,对遥感图像计算机监督分类的精度做了检验。对调查区土地沙漠化动态进行了分析。结果表示,从1991年到1997年间该区土地沙漠化趋势有所减弱,综合治理取得了一定效益。     

基于SVM的多光谱影像与SAR图像融合地物分类研究

多光谱遥感图像反映了不同地物的光谱信息,而SAR图像则反映了地表不同地物的后向散射强度信息。通过二者结合,可以实现优势信息互补,提高遥感影像分类的精度。多光谱影像与单波段单极化SAR图像融合分类有2种策略：一种是将SAR图像作为一个波段加入多光谱影像中进行分类;另一种先把多光谱影像与SAR图像融合,然后对融合后的图像进行分类。以成都市使用支持向量机分类方法对2种分类策略下的分类精度进行验证。结果表明,后者分类精度要高于前者,同时2种分类方法的分类精度都明显高于单独使用多光谱影像的分类精度。     

基于概率神经网络的遥感图像分类MATLAB实现

在遥感图像分类研究方面人工神经网络是一种有效途径,与传统的分类方法相比概率神经网络具有许多优良的性能,因此利用神经网络工具箱构建了概率神经网络,经对比分类精度选取最优SPREAD=0.009,并对一幅TM假彩色遥感图像通过训练后,仿真输出能真实地反映原始图像的特征,其分类总精度为82.62%,Kap-pa系数为0.7821,结果表明:分类精度能够满足遥感图像分类的需要。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

森林类型遥感分类研究进展

从光学遥感和微波遥感2方面分析森林类型遥感分类的理论基础,总结国际和国内关于森林类型识别及提取技术,以及森林物理参数估测等方面的相关研究和探讨,归纳目前常用的森林类型遥感分类方法,并介绍其相关研究成果,还从3方面阐述森林类型遥感分类技术的发展趋势。     

面向对象的遥感湿地植被分类与信息提取——以微山湖为例

在对面向对象遥感分类方法的基本原理与基本算法阐述的基础上,以山东省微山湖湿地植被分类为实验区数据,进行湿地植被分类训练和精度评定。结果表明,实验区居民区、水域、陆生植被、水生植被的面向对象的分类精度分别为:92.81%、93.78%、96.29%、95.38%,明显高于监督分类的分类精度92.13%、88.36%、89.24%、86.55%,充分展示出在湿地植被分类中面向对象遥感分类的优势。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

基于支持向量机遥感图像融合分类方法研究进展

总结了近年来国际上图像融合以及支持向量机的应用的研究进展,分析了支持向量机用于遥感图像融合分类的趋势、优势以及目前存在的问题,指出了该研究领域的研究方向。     

模糊分类在土地利用/覆盖变更调查中的应用

模糊分类是近年来在遥感影像分类中引入的一种新的研究方法,是一种针对不确定性事物的分析方法。它以模糊集合论作为基础,运用数学模型计算它对于所有集合的隶属度,然后根据隶属度的大小,确定归属。笔者把“模糊分类”方法运用于吉林省白山市八道江区土地利用/覆盖变更调查中,从试验结果发现“模糊分类”在复杂地块影像分类中较传统的贝叶斯分类有更好的分类结果。     

TM影像在长春市土地利用分类研究中的应用

利用Landsat TM遥感影像,在Erdas Imagine 9.2软件的支持下,分析了吉林省长春市Landsat-7影像的光谱特征值以及NDVI、NDBI和NDWI的特征值。参照高程及坡度数据,确定了各类地物的综合阈值。用监督分类和专家分类技术对Landsat TM分类,评价了专家分类方法在大尺度遥感数据分类中的作用。     

面向对象的土地利用遥感分类方法研究

以重庆市忠县为研究区,以LANDSAT-5 TM影像为数据源,利用TM及其衍生指数、DEM及其衍生数据,借助ENVI4.8、ArcGIS10.0以及eCognition软件,进行土地利用遥感信息提取方法研究,通过综合利用基于知识的决策树分类和基于样本的最近邻分类,对研究区进行土地利用遥感信息提取,并与监督分类和非监督分类方法相比进行精度评价。研究结果表明,与传统分类方法相比较,面向对象分类方法精度更高。     

基于边界域修正粗糙熵模型的遥感影像分类不确定性评价

【目的】遥感影像分类是获取地表覆盖信息的有效技术手段,客观合理地评价遥感影像分类的不确定性对农业资源调查、作物估产等方面的遥感应用具有重要的意义。论文针对修正粗糙熵模型在评价遥感影像分类不确定性时存在的问题,构建基于边界域修正粗糙熵模型的遥感影像分类不确定性评价指标,以期更好地度量地物类别尺度上的遥感影像分类的不确定性。【方法】考虑边界域对遥感影像分类结果不确定性的影响,对修正粗糙熵模型进行改进,以类别的边界域被分类知识划分的结果取代所有像元被分类知识划分的结果作为衡量分类知识不确定性的依据,建立基于边界域的修正粗糙熵模型。首先依据粗集理论对所建模型的合理性进行数学推导,然后以北京市的Landsat TM影像和新疆石河子地区的IKONOS影像为例,分别应用修正粗糙熵模型和基于边界域的修正粗糙熵模型对分类结果在地物类别尺度上的不确定性进行评价,用不同空间分辨率和不同研究区域的试验数据的不确定性评价结果印证理论推导结论。【结果】与修正粗糙熵模型相比,基于边界域的修正粗糙熵模型在评价遥感影像分类的不确定性时能够更好地刻画分类知识所引起的不确定性,使遥感影像分类结果的评价更加客观和合理。通过对两种模型下试验数据的分析表明,当所研究的地表覆盖类型在研究区域内的分布比较零碎,成片区域不多,类别与类别之间的边界部分所占比重较大,混合像元现象比较严重的时候,采用修正粗糙熵模型计算遥感影像分类结果的不合理性还不是非常明显,还能够比较客观地反映遥感影像分类的不确定性问题。但是如果评价分布比较集中,面积比较大的地物类型的分类精度时,修正粗糙熵模型则难以客观地反映遥感影像分类的不确定性问题,其评价结果的不合理性也更为明显。【结论】采用修正粗糙熵模型进行遥感影像分类的不确定性评价时,放大了由于边界域存在所产生的不确定性,而基于边界域的修正粗糙熵模型则可以较好地避免这一情况的发生,更合理地度量地物类别尺度上的遥感影像分类的不确定性。     

基于Google Earth的ETM~+遥感图像自动分类方法

为了快速准确识别地物、设计野外路线并减少踏勘后对前期解译工作的修改,本文参考Google Earth软件提供的高分辨率遥感图像,利用ETM+解译生成训练样本,然后采用最大似然监督分类算法进行ETM+图像分类。结果表明:与非监督分类和非监督-监督混合分类方法相比,基于Google Earth高分辨率遥感图像的ETM最大似然监督分类方法效果好、精度高,是一种经济、高效的技术手段,可用于初步识别地物分布情况、设计野外路线和勘查点等工作,对野外工作具有一定的指导意义;不同融合方式、不同波段组合的图像分类结果明显不同,该区域ETM+图像R(5)G(4)B(3)波段组合、PCA融合图像的分类总精度最好。