基于无人机遥感的灌区土地利用与覆被分类方法

为研究无人机可见光遥感技术在灌区土地利用和覆被分类中的有效性,以河套灌区五原县塔尔湖镇为试验区域,用TEZ固定翼无人机搭载索尼A5100型相机进行航拍试验。应用Agisoft Photo Scan软件对无人机遥感系统获取的可见光高分辨率原始单张影像数据进行拼接处理。除目视提取的特殊用地与水域及水利设施用地外,通过试误法确定分割尺度300、形状权重0.4、紧致度权重0.5为无人机遥感影像数据的最佳分割参数。通过对剩余各地物在光谱、形状、纹理特征参量中表现的特异性,分别建立决策树、支持向量机、K-最近邻分类规则集提取土地利用类型试验。结果表明,支持向量机能较准确地提取各地物的特征,总体精度为82.20%,Kappa系数为0.765 9;决策树分类方法的总体精度为74.00%,Kappa系数为0.667 5;K-最近邻分类方法的总体精度为71.40%,Kappa系数为0.610 7。采用支持向量机结合决策树分类法创建的决策树模型,可以将总体精度提高到84.20%,Kappa系数达到0.790 0。因此无人机可见光遥感技术可以用于提取灌区土地利用类型,但存在农、毛渠错分为交通运输用地的情况,渠系的提取还需进一步研究。     

提高土地利用——土地覆盖遥感分类精度方法研究综述

本文总结了国内外提高土地利用-土地覆盖遥感分类精度的若干方法：可提高精度的大气校正方法、多源信息融合方法、人工智能分类方法等。并对其中部分方法进行了优缺点评价。     

提高土地利用——土地覆盖遥感分类精度方法研究综述

本文总结了国内外提高土地利用-土地覆盖遥感分类精度的若干方法:可提高精度的大气校正方法、多源信息融合方法、人工智能分类方法等.并对其中部分方法进行了优缺点评价.     

土地利用/覆被变化的研究

土地利用／覆被变化（LUCC,landuse-cover change）研究是一个不断发展的过程,清楚、透彻地认识LUCC研究的现状及其存在的问题,利于有针对性地开展研究。近年来,我国学者在LUCC研究方面做了大量工作,取得了丰硕的成果。就LUCC研究的目标、内容及其在信息的提取、驱动力和驱动机制的探讨、生态环境效应、模型的建立等方面所取得的进展进行了综述,以便总体把握LUCC的研究状况。     

基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类.首先基于多时相Sentinel-1雷达和Sentinel-2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间.然后构建多核学习模型,实现多源、多时相特征的自适应融合.最后构建基于池的主动学习策...     

MODIS土地利用/覆被多时相多光谱决策树分类

利用MODIS多时相与多光谱结合,尝试探讨低成本、高精度的北京土地利用/覆被实时获取方法。首先根据归一化植被指数（NDVI）的均值、标准差建立了研究区各地类的典型NDVI时间序列曲线,进而提取了6个可以反映区域物候模式、植被生长速率等信息的分类参数;然后对反映地表土壤信息较多的3月份多光谱影像进行主成分变换,选取第一主成分（PC1）作为辅助分类参数;最后基于分类回归树（CART）算法进行监督决策树分类。经SPOT-5影像验证,分类总体精度达到83%,Kappa系数为0.769,PC1辅助分类后总体精度提高     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于DeepLab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法.通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播.基于2018-2019年连续2年内蒙古自治区河...     

基于Landsat遥感影像的土地利用变化研究初探

基于Landsat遥感图像,利用ERDAS软件进行数据处理,分别对不同时段中土地利用和土地覆盖情况变化进行统计分析.结合遥感影像解译成果和统计分析对土地利用及其覆盖的研究,为科学管理和合理利用土地资源提供了理论依托.近年来,人们的生活方式发生了比较大的改变,而耕地和林地的退化反映了传统农耕的逐步衰退,建设用地正逐步取代...     

基于改进稳定映射法的土地利用/覆被变化轨迹分析

以丹江流域(河南段) 2002—2017年16个时相的Landsat TM/OLI和HJ-1A CCD影像为数据源,提取土地利用变化图谱,提出基于改进稳定映射法的土地利用/覆被变化(Land use/cover change,LUCC)轨迹分析方法,推导出稳定映射的相似性、变化次数、多样性(Similarity/Turnover/Diversity,STD)指标与时相数的关系式;将变化轨迹划分为稳定型、渐变型、非连续渐变型、循环型和波动型5个一级类轨迹,并进一步细分为二级和三级轨迹类型。在此基础上,结合土地利用动态度等定量模型和景观指数对研究区变化轨迹进行总体特征和时空变化分析。结果表明,在2002—2017年间,研究区耕地显著减少,建设用地和水域持续增加,林地、草地受"退耕还林还草"政策影响变化较为复杂,裸地相对稳定;研究区土地利用变化主要由耕地向建设用地和水域转化;由于丹江口库区建设和南水北调中线工程的实施,其水域面积由218.60 km~2增长到400.31 km~2;受自然地形影响,研究区北部山区和丘陵地带的林地保护较好,而丘陵与平原过渡地带占研究区总面积5.85%的林地、耕地和草地出现了显著的相互转化。本研究可为研究区土地资源的可持续利用、生态环境保护及水源地保护提供数据支撑和决策依据。     

基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于高分辨率遥感影像分类的城镇土地利用规划监测

城镇土地利用规划是城镇化健康有序推进的基础,规划实施监测是其实施的保障。遥感和GIS相结合的方法可快速监测城镇土地利用规划实施情况,保障土地利用规划实施的动态管理。利用0.5 m分辨率的World View-2卫星遥感影像,采用面向对象的影像分析方法,针对基于知识规则分类特征选取及阈值确定难点,将CART决策树与面向对象分类方法结合,实现参与分类最优对象特征的选择以及特征阈值的自动确定。在分类基础上,对每个规划图斑计算地类规划实施完成率,实现对土地利用规划实施过程进行监测评价。最后,以北京市房山区某区域为研究区,进行了试验验证。结果表明:最终分类总体精度达0.89,Kappa系数为0.87,表明构建的分类算法基本能满足城镇土地利用规划监测的需求。研究区东北部土地利用规划实施情况比西部好,公共绿地、水域等地类需重点调查监测,同时二类居住用地的建筑密度偏高,绿化率偏低。     

基于深度学习的寒旱区遥感影像河流提取

寒旱区河流提取对该地区生态环境监测、农业规划、灾害预警等具有重要意义。根据寒旱区特点制作了面向寒旱区遥感影像河流识别的专业数据集;为了提高网络的识别准确率,融合迁移学习与深度学习,将Res Net50网络迁移到Linknet网络,得到R-Linknet网络;为了提取到更多的细节信息和增加提取河流的连贯性,将密集空间金字塔池化与R-Linknet网络相结合,扩大网络的感受野;训练时,将Dice系数损失函数与二分类交叉熵函数相结合,作为新的损失函数。数据集验证结果表明,本文提出的方法与多种语义分割网络相比,像素准确率较FCN_8s、Res Net50、Deeplab V3、Unet和原始Linknet网络分别提高0.216、0.099、0.031、0.056和0.023,交并比分别提高0.19、0.142、0.056、0.105和0.028;加入Dense ASPP之后,像素准确率提高0.023,交并比提高0.050,采用新的损失函数进行训练后,像素准确率和交并比又分别提高0.019和0.022。该方法提取到的河流更加清晰、连贯,能够满足后续的研究需求。     

基于无人机高光谱的荒漠草原地物精简学习分类模型

荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机（Unmanned aerial vehicle,UAV）遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络（Three-dimensional convolutional network,3D-CNN）方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度（Overall accuracy,OA）可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。     

高光谱遥感图像DE-self-training半监督分类算法

提出了一种高光谱遥感图像半监督分类算法DE-self-training。利用少量标记样本作为初始训练集,基于改进的Self-training算法构建初始分类器,对未标记样本进行预测;然后从分类结果中按一定比例随机选取部分样本,连同其类别标记一起加入训练集中,再用扩大的训练集重新训练分类器,并对剩余的未标记样本进行预测。如此迭代地进行训练-预测-挑选样本扩大训练集过程。同时,在迭代训练过程中,运用基于最近邻域规则的数据剪辑策略对扩大训练集时产生的误标记样本进行过滤,以保证训练集的质量,不断迭代地训练出更精确的分类器,最终使所有未标记样本都获得类别标记。以AVIRIS Indian Pines和Hyperion EO-1 Botswana作为实验数据对DE-self-training算法进行测试,并与基于支持向量机的分类结果作比对。实验表明,DE-self-training算法可以在标记样本数量有限条件下,充分挖掘未标记样本的有用信息,使总体分类精度和Kappa系数都有不同程度的提高。     

基于深度学习的无人机遥感小麦倒伏面积提取方法

为及时准确地提取小麦倒伏面积,提出一种融合多尺度特征的倒伏面积分割模型Attention_U2-Net。该模型以U2-Net为架构,利用非局部注意力（Non-local attention）机制替换步长较大的空洞卷积,扩大高层网络感受野,提高不同尺寸地物识别准确率;使用通道注意力机制改进级联方式提升模型精度;构建多层级联合加权损失函数,用于解决均衡难易度和正负样本不均衡问题。Attention_U2-Net在自建数据集上采用裁剪方式提取小麦倒伏面积,查准率为86.53%,召回率为89.42%,F1值为87.95%。与FastFCN、U-Net、U2-Net、FCN、SegNet、DeepLabv3等模型相比,Attention_U2-Net具有最高的F1值。通过与标注面积对比,Attention_U2-Net使用裁剪方式提取面积与标注面积最为接近,倒伏面积准确率可达97.25%,且误检面积最小。实验结果表明,Attention_U2-Net对小麦倒伏面积提取具有较强的鲁棒性和准确率,可为无人机遥感小麦受灾面积及评估损失提供参考。