分层分类与监督分类相结合的遥感分类法研究

遥感分类技术是获取土地利用/覆盖数据的主要方法.分层分类思想强调将分类过程逐级进行,每层选用不同的分类标准和方法;监督分类是基于传统统计分析的分类法,具有算法成熟,简便易行的特点.将2种方法相结合,建立起一个复合分类模型,并在SPOT影像上进行试验.试验证明:该方法能有效地提高分类精度,比单一使用监督分类法得到的结果精度提高了8.41%.     

基于ERDAS的土地利用类型信息检索方法探讨——以张掖市山丹县为例

用ERDAS IMAGINE遥感图像处理软件对遥感影像运用监督分类方法进行土地利用类型信息提取,在此基础上对利用遥感影像分析土地利用信息的方法进行探讨。结果显示:使用TM影像进行监督分类得到的土地利用类型数据相对精度均超过了90%,能较真实的反映当地土地类型的基本特征,使用遥感检索山丹县土地利用类型信息的方法是可行的。     

三江源自然保护区土地利用遥感分类方法研究

以三江源区域索加曲麻河自然保护区为例,基于TM影像进行数据变换和波段运算后获取的特征指数,采用决策树方法,探讨了高寒区域土地利用遥感分类方法。然后通过与传统的最大似然法监督分类所得到的结果进行对比,结果表明:利用基于指数的决策树分类方法对高寒区域土地利用/土地覆盖类型进行遥感分类,较传统的最大似然法监督分类总体精度提高15.48%,总体kappa系数提高0.174 1;滩地、沼泽、高覆盖度草地、低覆盖度草地、裸岩石砾地等地类的用户精度提高较大,分别提高28.13%,25.00%,17.86%,17.86%和12.50%。低、中、高3种覆盖度草地,裸岩石砾地的生产者精度也有较大幅度的提升。表明基于指数的决策树分类方法是高寒区域土地利用遥感分类的一种有效手段。     

基于多元遥感影像的森林资源管理方法

指出了森林资源管理过程中受到遥感影像获取方法的影响,造成森林资源管理总体分类精度较低的情况。为此,提出了基于多元遥感影像的森林资源管理方法设计:以多元遥感影像为基础,获取森林资源的相关数据信息;针对预处理后的遥感影像进行滤波处理和影像分割,利用分层提取方法提取出遥感影像中不同森林资源的特征信息;通过管理规则集的制定实现森林资源管理。为验证文中所提方法的使用效果,选取两种传统管理方法进行了对比实验,结果表明:文中设计的管理方法在森林资源的分类方面,平均精度相较两种传统方法分别提升了5.72%、7.93%。     

一种遥感混合分类算法及其在森林分类中的应用

基于监督分类和非监督分类方法相结合的混合分类方法在森林非森林的识别方面有很好的识别效果，探讨了一种遥感混合分类算法(Iterative Guided Spectral Class Rejection)。首先对IGSCR的算法理论进行了阐述，然后利用IGSCR分类算法对同一地区多时相遥感影像进行复合的影像进行森林分类实验。通过与最大似然法的对比实验表明，IGSCR分类方法将非监督分类方法所具有的自动对具有相同光谱特征类别进行集群的能力，辅助于训练样本的获取，可以有效降低因人工判断类别光谱纯度不准确而引起的类别样本光谱混杂问题，因此能在一定程度上提高分类精度，改善分类效果。     

基于ENVI的土地利用类型变化分析——以莱芜市为例

选用2009年与2016年2期卫星遥感影像数据,利用ENVI进行监督分类,提取不同时期土地利用数据,获取莱芜市2期土地利用类型的动态变化数据。通过ENVI分析莱芜市土地利用现状及趋势,并对土地利用变化的驱动力进行研究。     

利用迁移学习进行长时序遥感影像分类的影响因素和策略

长时间序列遥感影像分类是研究区域自然资源和土地利用时空变迁的重要基础.传统的区域长时序遥感影像分类,需要逐景影像选取样本进行分类,存在样本复用性低、人工工作繁复等问题;而迁移学习作为一种将已有知识应用到不同任务中的机器学习方法,可以实现遥感影像特征信息的重复利用.但长时序遥感影像由于时间跨度和物候等差异,地物光谱存在不...     

Landsat8时间序列影像支持下的农田防护林提取方法研究

【目的】农田防护林空间分布是三北防护林生态工程监测的重要内容之一。传统的人工调查方式获取农田防护林费时耗力,效率较低,遥感技术可以弥补传统人工调查的不足。现有农田防护林空间分布研究中,基于单期高分辨率遥感影像可以较好提取植被信息,但是不能很好的解决影像中一些地类存在的同谱异物和同物异谱现象。利用中等分辨率遥感影像进行农田防护林信息提取也仅限于利用光谱信息、形状指数等进行决策树分类,且精度受限。鉴于此,依托中低分辨率遥感影像的农田防护林提取方法有待研究。【方法】选择甘肃省张掖市甘州区为研究区,选取2017年4个季度9期Landsat8 OLI时间序列数据为农田防护林信息提取的数据源,在进行辐射定标和大气校正的基础上,基于分层分类的思想,融入植被物候特征、水体和植被指数,利用时间序列遥感影像以及多特征分类指标,逐步提取并掩膜研究区内其他地物,最终实现农田防护林的提取。利用野外样点调查结果和甘州区土地利用数据库对信息提取结果进行精度评价。【结果】该方法分类总体精度为85.93%,kappa系数为0.79,其中野外调查记录的33个农田防护林样点中29个被正确提取,精度达到87.8%。【结论】时间序列遥感数据能有效提取植被的物候参数。基于多时序、多特征分层分类方法能有效提取农田防护林的空间分布信息,降低了同谱异物和同物异谱现象对农田防护林信息提取的干扰。说明利用时间序列遥感影像结合多种特征分类指标的分层分类方法开展甘州区的农田防护林提取是可行的。     

面向对象的GEO遥感影像分类与信息提取

对GEO卫星遥感数据的特性进行了评价,并在envi zoom软件中采用边缘分割算法进行影像分割,获取影像对象,综合运用对象的光谱、空间特征和纹理特征,提取了张家界森林公园研究区域内土地覆盖与土地利用信息,对基于像素的最大似然法与这种基于对象的分类方法进行了对比分析,结果表明:基于对象分类方法,能很好地利用高分辨率卫星图...     

基于监督分类的土地利用遥感影像提取方法研究——以武汉市为例

随着卫星遥感技术的成熟,遥感影像的应用越来越多,监督分类解释土地利用信息使用广泛。以湖北武汉市2006年的UTM投影影像图为基础数据,根据国家中科院土地利用分类标准,利用ERDAS9.2、Arc GIS等相关软件与技术,采用监督分类的方法,对有关土地分类信息进行了提取并展示后续成果图,结果表明该方法精度能满足实际工作需要。     

遥感影像分类研究

指出了随着遥感技术的发展，遥感影像技术分类成为获取信息的来源。介绍了遥感影像的分类原理方法，利用Envi遥感数据处理软件，基于T M遥感影对土地覆盖进行了监督分类与制图。     

基于ALOS数据的遥感植被分类研究

以广西平南县的植被覆盖为研究对象,以ALOS为遥感数据源,并对其进行了数据处理,运用信息量、相关系数及OIF方法,分析数据的波段特征;采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,并将其与传统的监督分类方法进行了比较。结果表明:基于光谱特征的植被遥感信息提取方法分类总体精度显著提高,Kappa系数达到0.877;采用Landsat—5 TM遥感影像对该方法进行推广,分类总体精度为86.09%,Kappa系数为0.83。结果表明该分类方法能有效地对植被进行分类与识别,并对不同数据源的植被分类有一定的普适性,为实现植被的自动化提取提供了理论依据和方法。     

基于FDCT与ELM的遥感影像湿地类型分类——以黄家湖国家湿地公园为例

以黄家湖国家湿地公园为例,利用高分辨率遥感影像数据,研究提出了一种基于FDCT与ELM的湿地类型分类方法。该方法利用湿地遥感影像的光谱特征、纹理特征、空间特征作为ELM的输入数据,将遥感影像进行FDCT变换分解,获得影像的高频曲波变换系数和低频曲波变换系数,选取高频部分曲波变换系数组合作为地物的纹理特征;采用连续可微的Sigmod函数作为学习函数。湿地类型识别实验结果表明,该方法能够快速实现湿地类型的自动分类,总体分类精度达到了86.7%,高于传统SVM方法 76.5%的分类精度,Kappa系数超过0.83,为湿地景观遥感动态监测奠定了较好的研究基础。     

基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。     

基于GF-2影像的面向对象植被信息提取研究

基于GF-2遥感影像,通过面向对象方法对长株潭城市群生态绿心区内具有代表性的区域进行植被信息提取,利用专业分割软件对遥感影像进行多尺度分割,采用ESP工具定量获取多尺度分割参数,最后通过隶属度函数对遥感影像分类进行植被信息提取,并进行精度评价。结果表明:采用面向对象的方法,从高空间分辨率遥感影像中挖掘出能提取植被的光谱、纹理、形状等特征,能实现植被信息的快速提取,提取总体精度达85.33%。     

基于多角度高光谱CHRIS影像的隆宝滩湿地遥感分类方法研究

采用青海省隆宝滩地区的多角度高光谱CHRIS遥感数据,通过研究+36°、0°和-36°三个角度影像的组合变换,提出影像变换+不同角度波段组合的方法,用以获取地物的分类信息。该方法首先对0°影像进行穗帽变换,选择其湿度图像,再与+36°和-36°影像的第4波段(0.461 μm)进行RGB组合,生成新的彩色合成影像,然后再进行支持向量机(SVM)的监督分类。结果显示,利用该方法对隆宝滩湿地分类的精度可达到90.02％;而利用传统的监督分类对0°影像直接进行分类,其精度为75.46%。由此可见,利用不同角度信息进行波段组合的方法,大大提高了高光谱影像进行湿地信息提取的精度,为湿地信息提取提供了一个有效的方法。     

基于特征优选的面向对象毛竹林分布信息提取

【目的】提出一种基于Relief F特征优选的面向对象分类方法,为解决面向对象森林资源遥感分类提供参考。【方法】以SPOT5高分辨率遥感影像为数据源,以浙江省安吉县山川乡为研究区,通过影像分割,选取8个地物类别的370个对象样本,并设置SPOT5影像每个波段的8个灰度共生矩阵纹理、每个波段及NDVI的平均值和标准差等42个对象特征。利用Relief F算法对设置的42个对象特征进行优选,采用面向对象的最近邻方法提取研究区毛竹林分布信息。为了比较基于最优特征的面向对象的分类结果,另采用CART决策树方法在相同的分割参数和训练样本前提下,通过样本构建决策树分类规则,对研究区进行分类并提取竹林信息。【结果】1)通过Relief F特征优选方法对分类特征进行优选,大幅提高了毛竹林样本的分类精度,与特征优选前相比,毛竹林样本分类精度由68%提高到88%,优选的红波段均值、绿波段均值、红波段均质纹理、红波段熵纹理和NDVI植被指数均值5个特征能够精确地提取研究区毛竹林分布信息,其用户精度和生产者精度分别达到97%和95%;2)基于CART决策树面向对象的研究区毛竹林用户精度和生产者精度均低于基于最优特征的最近邻分类结果,主要原因是CART决策树中毛竹林、针叶林和阔叶林之间的误分相对较高。【结论】Relief F算法特征优选时注重特征的分类能力,筛选的特征参与面向对象分割提取的毛竹林分布信息高于同类研究,可为面向对象多尺度分割森林资源遥感分类时特征的选取提供一个更为科学合理的方法。     

基于支持向量机的生态公益林遥感分类研究

提出了基于支持向量机(Support Vector Machine,SVM)的遥感影像分类方法,结合空间特征等信息,对IKONOS高空间分辨率影像进行分类,实施对生态公益林的监测,并将此分类方法与传统分类方法进行比较分析。研究结果表明,基于SVM的遥感分类方法能够有效解决分类效果破碎、精度不高等问题,而且在学习速度、自适应能力、可表达性等方面具有优势。     

基于决策树的高寒湿地类型遥感分类方法研究

以索加-曲麻河区域为例,探讨了三江源区域高寒湿地遥感分类方法。利用TM 影像数据和DEM及缨帽变换后的亮度、绿度、湿度,以及归一化水体指数(NDWI)等复合识别指标,构建决策树模型,对研究区不同地类进行区分。然后通过与传统的最大似然法监督分类所得到的结果进行对比,结果表明:利用基于指数的决策树分类方法对高寒湿地类型进行分类,较传统的最大似然法监督分类总体精度提高12.05%;总体kappa系数提高0.140 7; 对于河流、湖泊、沼泽、滩地等湿地类型,生产者精度和用户精度分别提高了6.06%, 6.25%; 0.12%, 3.13%; 6.99%, 25.00%;6.12%, 28.13%, 比监督分类均有明显的提高。证明基于指数的决策树分类方法是高寒区域湿地遥感分类的一种有效手段。     

基于纹理信息的Landsat-8影像植被分类初探

遥感图像植被分类一直为遥感领域的热点,对于中低分辨率的影像,传统的分类方法主要是利用影像的光谱信息,对于影像的空间信息利用较少,而事实证明遥感影像的空间信息也十分丰富。为了提高遥感影像的空间信息利用率,提取了最新的Landsat-8的空间纹理信息,结合空间纹理信息与光谱信息对遥感影像进行植被的分类。实验证明:辅以纹理的分类总体精度为84.68%和83.87%,光谱分类总体精度为82.26%,结合了空间纹理信息后的分类精度比传统的方法有明显的提高。