基于决策树的龙口市土地利用/覆盖分类研究

LUCC是全球变化研究的重要内容,土地利用/覆盖信息的获取是其前提和基础。决策树分类法是每次利用一定的规则,对遥感影像进行逐级细化的分类模型,具有直观、高效等特点。在综合分析每一种土地利用/覆盖类型各种特征的基础上,探讨了将不同土地利用/覆盖类型的光谱特征、空间特征、波段比值特征等信息融入决策树分类模型,对龙口市土地利用/覆盖信息进行自动分类的方法,取得了较高的分类精度。     

基于决策树的龙口市土地利用/覆盖分类研究

LUCC是全球变化研究的重要内容,土地利用/覆盖信息的获取是其前提和基础。决策树分类法是每次利用一定的规则,对遥感影像进行逐级细化的分类模型,具有直观、高效等特点。在综合分析每一种土地利用/覆盖类型各种特征的基础上,探讨将不同土地利用/覆盖类型的光谱特征、空间特征、波段比值特征等信息融入决策树分类模型,对龙口市土地利用/覆盖信息进行自动分类的方法,取得了较高的分类精度。     

面向对象的土地利用/覆盖遥感分类方法与流程应用

为了进一步提高干旱/半干旱地区土地利用/覆盖分类精度,该文以新疆石河子垦区为研究区,利用NDVI时间序列分析的方法确定了土地利用/覆盖遥感分类最佳时相组合;采用最佳指数因子OIF对参与图像分割的谱段进行选择;选择不同分割参数建立4级分割层次,构建了不同尺度的分类对象;针对其不同特点,分别选择基于知识的模糊分类和基于样本的监督分类方法;建立了面向对象的土地利用/覆盖遥感分类流程。采用地面实测数据对分类效果进行评估,与基于像元的分类方法相比,该文方法能够获取更高的分类精度,可为同类的研究与应用提供借鉴。     

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。     

基于多季相光谱混合分解和决策树的干旱区土地利用分类

该文利用2015年Landsat 8多季相数据,以民勤县为例探讨了干旱区土地覆被/利用分类方法。首先进行了研究区多季相遥感数据的主成分变换,确定了Landsat OLI光谱空间的内在维数。其次通过对各季相主成分空间的分析,确定了光谱混合分解的端元类型及各自的代表性季相。获取端元光谱之后,采用全约束线性光谱混合模型分解各个季相的遥感影像,估计各端元组分占像元的面积百分比（端元丰度值）。最后利用端元丰度值的多季相估计结果,依据先验知识和训练样本建立决策树分类规则进行土地覆被/利用分类。分类方法的总体精度达到90.94%,Kappa系数为0.90。研究表明：将物理意义明确的端元丰度值作为分类变量,能够快速、有效地获取分类规则,生成树的结构简单、合理、清晰,对训练数据的依赖性较低,因此具有应用于整个旱地系统土地覆被/利用分类的潜力。     

基于极化分解和集成学习的PolSAR影像分类

为实现PolSAR数据极化信息的充分利用,以进一步改善分类效果,该研究提出了一种基于极化分解和集成学习的PolSAR影像分类方法。该方法首先利用多种极化分解方法从PolSAR影像中提取极化参数;将提取的极化参数组合成一幅多通道影像;然后对多通道影像进行分割和特征提取,分别提取出各目标极化分解方法所对应的特征;并进行特征选择和分类,得到各目标极化分解方法的分类结果;最后利用集成学习技术对各分类结果进行集成。该研究以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地覆被分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了92.49%和0.90。此外,该研究还将提出方法与其他基于多种极化分解的分类方法进行比较,对比方法的总体精度和Kappa系数分别为90.74%和0.88,比提出方法分别低1.75%和0.02,对比结果进一步证明了提出方法的优越性。     

基于遥感图象的土地利用分类方法研究

随着遥感技术和各种地学分析模型的发展和深入,利用遥感技术实现城市用地的快速分类将具有重要的实践意义。从遥感图像的应用出发,深入研究了基于遥感影像下的城镇用地的分类方法,并对提出的分类方法进行了若干讨论。     

台儿庄区25年土地利用/覆盖变化研究

研究土地利用/覆盖变化的规律和机制对认识人类活动在全球变化中的作用机制具有重要意义。利用1979年的MSS影像和2004年的TM影像资料,运用目视解译方法,获取土地利用信息,使用GIS软件的空间叠加分析功能,获取土地利用/覆盖变化数据。分析表明:在1979-2004年25 a间台儿庄区的土地利用/覆盖状况发生了显著变化,主要表现在农田、林地转变为居民地及其他用地,交通运输用地的增加;并且农田、林地用地的减少是区域内变化速度最显著的土地利用类型;土地利用的集约化程度一直在不断提高。加强耕地保护力度,合理控制建设用地规模,科学开展城市用地规划是确保今后台儿庄区土地可持续利用的合理途径。     

基于混沌免疫算法和遥感影像的土地利用分类

为提高利用遥感影像进行土地利用分类的精度，采用了基于混沌免疫算法(Chaos Immune Algorithm)的多光谱遥感影像分类方法。首先应用混沌免疫算法对样本进行自学习得到全局最优的聚类中心，然后通过得到的聚类中心对整幅影像进行分类。该方法利用混沌变量的遍历性，进行粗粒搜索，优化免疫算法的初始抗体群；通过克隆选择算子、变异算子、抗体的循环补充操作，避免陷入局部最优解，得到全局最优的聚类中心。在对淮南矿区采用TM影像进行的土地利用分类中，试验结果表明该方法分类总精度为89.9％，Kappa系数为0.8     

基于遥感的沿海土地利用变化及地表温度响应

该文基于两期时相接近的高分辨率遥感影像数据,利用遥感分类和定量反演技术,提取两期土地利用/土地覆盖（LUCC）信息和对应的地表温度信息,结合山东省莱州湾沿岸近20 a来海水入侵研究成果,分析LUCC对地表温度影响的空间格局和变化规律。经研究发现：在海水入侵影响下,研究区域土地覆盖以旱地、盐碱地、建设用地和盐田为主,未利用土地覆盖类型（盐碱地、滩涂）占很高的比例,随着距海的远近,土地利用程度变化显著。在沿海经济发展和LUCC影响下,整个研究区域水面覆盖和植被覆盖面积增加,使研究区域的地表温度降低：研究区域1987年平均地表温度为30.8℃,2000年平均地表温度为29.2℃;2000年相对1987年,研究区域的地表温度降低了1.62℃。海水入侵显著地影响了土地覆盖空间格局和变化,土地覆盖的显著变化进而明显地影响了沿海区域地表温度的空间分布和变化,沿海区域的地表温度变化与地表覆盖变化密切相关。该研究可为沿海湿地生态环境保护和滩涂开发提供科学参考。     

基于词对主题模型的中分辨率遥感影像土地利用分类

利用遥感影像数据进行土地利用/覆被分类是多学科共同关注的热点问题,但传统自动分类方法仍然难以满足应用需求,以隐狄利克雷分配模型(latent dirichlet allocation,LDA)为代表的概率主题模型能够建立底层特征和高层语义之间的桥梁,近年来也被引入了遥感影像分析领域,但多集中于针对高空间分辨遥感影像的分析。该文分析了一般概率主题模型在遥感影像空间分辨率降低后面临的问题,在此基础上借鉴词对主题模型(biterm topic model,BTM)对单词稀疏文档的推理能力,将其引入中空间分辨率遥感影像的分类中,并提出使用空间相邻的视觉单词对作为模型的观测数据。试验结果表明,BTM模型的分类性能优于LDA模型,并且使用空间相邻视觉单词对可以比标准BTM模型使用更少的观测数据,取得更高的分类精度。     

一种新的辨别土地利用/覆被的遥感图像融合方法

In China, accelerating industrialization and urbanization following high-speed economic development and population increases have greatly impacted land use/cover changes, making it imperative to obtain accurate and up to date information on changes so as to evaluate their environmental effects. The major purpose of this study was to develop a new method to fuse lower spatial resolution multispectral satellite images with higher spatial resolution panchromatic ones to assist in land use/cover mapping. An algorithm of a new fusion method known as edge enhancement intensity modulation (EEIM) was proposed to merge two optical image data sets of different spectral ranges. The results showed that the EEIM image was quite similar in color to lower resolution multispectral images, and the fused product was better able to preserve spectral information. Thus, compared to conventional approaches, the spectral distortion of the fused images was markedly reduced. Therefore, the EEIM fusion method could be utilized to fuse remote sensing data from the same or different sensors, including TM images and SPOT5 panchromatic images, providing high quality land use/cover images.     

基于遥感的矿业用地演变规律分析

矿业集聚区内的矿业用地分布直接关系到区域土地利用安全格局。该文以武安市为例,以1996年、2006年TM图为数据源,采用遥感资料自动识别软件（ENVI）和人工目视解译相结合的方法,利用ARC/INFO软件提取土地利用类型动态变化矩阵反映土地利用面积变化,表明区域内变化率最大的用地类型是工矿用地;通过景观分析软件FRAGSTATS3.3获取土地利用景观指数,表明工矿景观要素在区域中所起的作用在增加,各类用地分布的复杂程度提高,总体景观格局离散程度与变化幅度有限,矿业用地与矿产资源分布的总体集聚性非常强。     

基于遥感影像的县域土地功能分类及功能转换分析

城市化、工业化引起的土地利用/覆被变化改变了土地功能。为探索区域土地功能的演变规律,该文以河北省黄骅市为研究区,首先对土地功能进行分类,并应用GIS和RS数据,分析2008—2014年土地功能的空间分布特点及变化规律,采用生产能力核算模型和净初级第一生产力计算模型分别计算了生物性生产功能及生态环境功能值,从而揭示土地功能用地面积及功能值的演变过程。结果表明,参照建立的土地功能分类方法,研究区可以分为6大功能类及21个功能亚类。2008—2014年土地功能特别是生产和承载功能变化较剧烈;生物性生产功能与土地质量等别关系很大,而生态环境功能与土地利用方式密切相关;2008—2014年生物性生产功能值增长1%,而生态环境功能值则减少了1.1%,生物性生产功能的提升保障了粮食安全,但生态环境功能的降低则要求严格保护生态用地。该研究结果可以为土地功能评价、生态红线划定及土地利用规划等工作提供科学依据。     

基于空间LDA模型的高分辨率遥感影像地物覆盖分类

高空间分辨率遥感影像可以更为精确地分析地物覆盖类型,但空间分辨率的提高也对现有分类方法带来了新的挑战,隐狄利克雷分配(latent dirichlet allocation,LDA)模型能够建立遥感影像底层特征和高层语义之间的联系,但是当前LDA模型在遥感影像分析领域的应用以场景分类和图像检索为主,已有的一些关于土地覆盖分类研究缺少对高分辨率遥感数据的空间关系进行挖掘。该文在标准LDA模型的基础上,利用词包模型构建方法生成的影像文档和单词对象来展开试验,利用多尺度分割挖掘影像中对象的空间关系,设计"主题流行度"和"主题内容"2种形式的影像文档区域属性,以协变量的形式作为LDA模型的先验知识,提出一种空间LDA模型(Space-LDA)。利用无锡宜兴市Quick Bird影像验证该模型在高分辨率遥感影像分类中的有效性,结果表明空间LDA模型分类结果不仅明显优于标准LDA,而且对区域尺度的变化具有一定的鲁棒性,空间区域信息同时从主题流行度和主题内容2个层面提供了推理信息,使模型具有更灵活的结构。