基于高分辨率遥感影像的青海湖沙柳河流域土地覆盖监督分类方法对比

[目的]研究高寒河源区土地覆盖的精准分类方法,为地物分类提供参考,分类结果可为青海湖流域土地资源与生态环境监管提供数据支撑。[方法]运用高分辨率遥感影像,通过6种监督分类器(平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机)对青海湖沙柳河流域的土地覆盖进行分类,最后通过最佳提取方法统计得出青海湖沙柳河流域土地覆被概况。[结果]支持向量机、神经网络和最大似然的分类精度较高,其总体分类精度均大于96%,Kappa系数均大于0.95,平行六面体的分类精度最低,误差较大。综合各种分类精度及分类图像局部细节,支持向量机分类效果最佳。通过解译可知沙柳河流域土地覆被以草地为主,占流域总面积的71.09%,裸地和湿地分别占流域总面积的16.26%和10.24%,水体、农田和建筑用地面积较小,共占流域总面积的2.41%。[结论]运用高分辨率遥感影像,通过支持向量机分类器可实现对青海湖沙柳河流域土地覆被的良好分类。整个流域植被覆盖度高,生态环境良好。     

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。     

基于支持向量机分类的遥感土壤盐渍化信息监测

遥感技术在大尺度土壤盐渍化检测方面有着宏观性、实时性、动态性等优势和广阔的应用前景,但是传统的遥感图像分类方法精度不高、分类效率较低和不确定性.提出了基于支持向量机(SupportVectorMachine,SVM)的分类方法,介绍了SVM算法的基本原理,通过支持向量机分类法与传统分类方法(最大似然法和最小距离法)在盐渍化信息提取结果上进行对比,表明基于SVM的遥感图像分类方法能够较好的检测土壤的盐渍化信息,分类总精度达到95.66%,比最大似然法和最小距离法分类精度(分别为91.54%和85.42%)更高,因此更适合于遥感图像分类和盐渍化信息检测.     

小叶锦鸡儿灌丛化对退化沙质草地土壤孔隙特征的影响

以内蒙古太卜寺旗地区退化沙质草地为研究对象,对该地区的小叶锦鸡儿灌丛化草地中的灌丛斑块和草地斑块分别取原状土柱各三个进行CT扫描,利用Fiji软件分析土壤孔隙结构特征的差异。研究结果表明,小叶锦鸡儿灌丛化对土壤的孔隙结构有较大影响,灌丛斑块土壤的总孔隙数、大孔隙数、总孔隙度、大孔隙度和孔隙等效直径均大于草地斑块土壤,灌丛斑块土壤的平均大孔隙度是草地斑块土壤的3倍。草地斑块土壤的大孔隙主要分布在0~50 mm土层深度,而灌丛斑块土壤的大孔隙在0~400 mm深度都有分布,这与土壤中灌丛的丰富根系分布有关。     

水稻种植面积遥感估算的不确定性研究

利用研究区地物类别亚米级GPS详查数据及TM影像光谱数据,模拟生成1m分辨率的遥感模拟影像。用3种非参数分类法(最临近法KNN、误差后向传播神经网络BPN,模糊自适应网络FUZZY ARTMAP)和一种参数分类法(最大似然法MLC)对研究区TM影像进行硬分类估算水稻面积;还采用BPN全模糊分类、BPN和KNN模糊分类、抽象级结合和测量级结合的多分类器结合方法对遥感影像进行分类估算水稻面积;采用最多数法则的尺度扩展算法,实现由3m空间分辨率参考图提取30m空间分辨率影像像元纯度信息,讨论混合像元问题对遥感影像分类精度的影响。结果表明:非参数分类法精度均高于参数分类法,3种非参数分类法之间的差异较小,用最大似然法估算水稻面积的用户精度最高,用K最临近值分类法估算水稻面积的生产者精度最高;水稻类全模糊分类法的面积和真实面积最为接近,水稻类像元内的面积估测和真实面积无极显著差异;多分类器结合的分类法无论采用投票法还是测量级方法都能提高分类的总精度,能够提高水稻类面积提取的精度;研究区在30m空间分辨率的情况下,各类别分类总精度、Kappa系数随像元纯度升高而升高,4种硬分类方法没有对混合像元的分类表现出特别强的能力。本研究最终制作出分类影像像元的分类结果图、分类最大概率值、熵值图和水稻类概率值等4张图层,构成了对研究区分类结果不确定性的空间分布图不确定性图层,为采取进一步降低不确定性的措施提供了线索。     

不同沙地生境下柠条灌丛化对草地土壤有机碳含量及分布的影响

为揭示不同沙地生境下灌丛化草地土壤有机碳及其组分的分布特征,以宁夏盐池县沙化草原不同沙地生境(丘间低地、固定沙地、半固定沙地、流动沙地)下不同发育期的柠条灌丛斑块及其对应的草地斑块为研究对象,对土壤颗粒组成、土壤有机碳(soil organic carbon,SOC)、颗粒有机碳(particulate organic carbon,POC)及易氧化有机碳含量(labile organic carbon,LOC)进行分析。结果表明:1)各沙地生境发育中期灌丛斑块的SOC、POC、LOC及POC/SOC极显著高于草地斑块(P0.01),而LOC/SOC在灌丛和草地斑块间差异性不显著;2)从丘间低地、固定沙地、半固定沙地到流动沙地,灌丛斑块及其对应的草地斑块SOC、POC、LOC及LOC/SOC均在固定沙地出现峰值,然后呈下降趋势,表明固定沙地及不同沙地生境发育中期的灌丛斑块和草地斑块是SOC、LOC及POC变化的临界点;3)相关分析发现,发育中期2种斑块SOC与POC及LOC间及SOC与LOC/SOC间均呈极显著相关(P0.01),但土壤黏粉粒与各组分有机碳及其分配比率间没有显著相关,因此LOC和POC可作为表征草地退化最敏感的指标。研究可为沙化草原土壤恢复研究提供理论依据。     

基于无人机遥感影像的覆膜农田面积及分布提取方法

针对基于无人机遥感的覆膜农田识别研究甚少的现状,该文以云南省昭通市鲁甸县为研究区,获取了研究区中地表类型复杂程度不同的2幅航空影像(复杂区影像和简单区影像)作为试验数据,利用灰度共生矩阵对原始航片影像进行纹理特征提取并选择纹理特征最佳提取参数;然后基于随机森林算法进行纹理特征重要性评价,优选纹理特征,结合原始数据进行最大似然初步分类;运用众数分析进行分类后处理;最后结合图像形态学算法与面积阈值分割法提取出了最终的覆膜农田面积及分布。通过试验结果发现,依据该文提出的方法,复杂区和简单区覆膜农田识别的总体精度、Kappa系数、产品精度、用户精度和面积误差分别达到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。该文提出的融合监督分类和图像形态学算法的覆膜农田提取方法可以简单、快速的将地膜连成块,形成覆膜农田对象,进而通过面积阈值分割法获取高精度的覆膜农田分布信息。该方法可以为精准覆膜农田识别算法的发展提供参考。     

黄土高原草地灌丛化对潜在植被截留和土壤蓄水能力的影响

[目的]分析灌丛化后草地生态系统植被截留和土壤蓄水特征，为系统评价灌丛化后草地生态系统的水土保持能力提供参考。[方法]以黄土高原未灌丛化草地和灌丛化草地(包括禾草斑块、半灌木斑块、灌木斑块)为研究对象，系统研究了植被(包括冠层与枯落物)截留量与土壤饱和蓄水量的变化特征。[结果](1)灌丛化通过增加草地地上生物量使植被冠层截留量增加了0.3 mm,通过减少枯落物量使枯落物截留量减少了0.5 mm;(2)草地灌丛化过程中，只有灌木斑块显著增加了0—40 cm土壤饱和蓄水量。而且，灌木斑块与半灌木斑块土壤饱和蓄水能力显著不同，灌木斑块较半灌木斑块土壤饱和蓄水量增加12.8 mm,主要发生在0—20 cm土层。[结论]灌丛化没有降低草地生态系统土壤饱和蓄水能力，但若灌木继续扩张，可能会削弱草地生态系统植被截留能力。     

基于混合像元分解提取大豆种植面积的应用探讨

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度.以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%.同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%.结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度.     

基于GF-1 WFV数据的玉米与大豆种植面积提取方法

准确掌握农作物的空间种植分布情况,对于国家宏观指导农业生产、制定农业政策有重要意义。针对黑龙江省玉米与大豆生育期接近、光谱特征相似,较难区分的问题,以多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(wide field of view,WFV)影像为数据源,选择归一化植被指数(normalized difference vegetation index,NDVI)、增强植被指数(enhanced vegetation index,EVI)、宽动态植被指数(wide dynamic range vegetation index,WDRVI)、归一化水指数(normalized difference water index,NDWI)4个特征,结合实地调查样本点,采用随机森林分类算法,提取黑龙江省黑河市嫩江县玉米与大豆种植面积。研究表明,区分玉米与大豆的最佳时段为9月下旬至10月上旬,即大豆已收获而玉米未收获的时段,在4个待选特征中,NDVI、NDWI与WDRVI指数组合表现最佳;随机森林算法与最大似然算法、支持向量机算法相比,分类精度更高,其总体分类精度为84.82%,Kappa系数为77.42%。玉米制图精度为91.49%,用户精度为93.48%;大豆制图精度为91.14%,用户精度为82.76%。该方法为大区域农作物的分类提供重要参考和借鉴价值。     

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。     

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。     

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。     

高分遥感在黄河流域水土流失动态监测中的应用

[目的]总结和分析黄河流域水土流失动态监测项目所采用的遥感监测技术,为流域水土流失动态监测探索和推广一种崭新、高效的方法。[方法]基于资源3号高分辨率卫星影像,采用面向对象的影像分类方法对准格尔旗2014年的土地利用信息进行半自动分类,并构建植被覆盖度回归模型,对项目区植被覆盖度进行反演研究。[结果]面向对象的土地利用半自动分类结果和植被覆盖度回归模型反演结果,其野外验证精度达到90%以上,满足水土流失动态监测高解析度和高精确度基础数据获取的需求。[结论]面向对象的土地利用分类方法和植被覆盖度回归模型计算,能够有效避免传统人工目视解译导致的成果误差,节约人力成本和时间成本,提高数据获取的精度和效率。     

水稻遥感识别偏差修正的地统计学方法

为了进一步提高农作物遥感识别精度,充分利用高分辨率遥感影像上不同地物之间的邻域空间关系,提出农作物遥感识别偏差修正的地统计学方法。该方法综合考虑目标地物的光谱特征与空间信息,以类别隶属度偏差为研究对象,首先利用类别指示向量和类别后验概率向量之间的差异实现目标地物的类别隶属度偏差量化,然后对训练样本的类别隶属度偏差进行变异函数建模,并采用带局部均值的简单克里格插值方法预测总体类别隶属度偏差,之后用总体偏差的预测值对光谱分类所得的类别后验概率进行修正,重新确定识别结果,实现农作物遥感识别的偏差修正。以安徽省南部的一景 SPOT-5影像覆盖范围为研究区,选择2块典型区域分别作为试验区和验证区,以一季稻和晚稻为目标农作物,以支持向量机作为光谱分类的分类器,建立了水稻遥感识别的偏差修正流程;采用地面实测数据对修正效果进行评估,并与最大似然分类、模糊分类和支持向量机分类的结果进行比较。试验结果表明,该方法的总体分类精度能够达到90%以上,与传统分类方法相比,总体精度提高了近14%;且该方法能够大幅提高一季稻和晚稻的生产者精度和用户精度,有效改善了研究区的水稻识别结果,可以为中国南方复杂种植条件下的水稻识别提供参考。     

基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取

作物面积监测具有较强的时效性,应用不断发展的遥感技术能够及时可靠地监测主要作物的种植面积。该文围绕国产高分一号卫星(GF-1)农业应用关键技术,研究县域尺度农作物种植面积快速准确提取的方法。在考虑多光谱遥感影像空间相关性的基础上,利用矩阵分解和距离空间转换等数学工具设计一种改进多元纹理信息(modified multivariate texture,MMT)提取模型,实现基于GF-1遥感影像的改进多元纹理信息提取、纹理与光谱信息融合以及基于融合影像分类的县域尺度冬小麦识别和面积提取。选用冬小麦出苗和越冬2期GF-1宽视场影像,结合地面实测数据和最佳识别时相遥感参考数据,对比分析基于光谱信息、单变量纹理与光谱融合信息、改进多元纹理与光谱融合信息的3种冬小麦识别和面积量算结果,实现对改进多元纹理信息效果以及小区域和较大区域上冬小麦面积提取的精度验证。试验结果表明:1)与基于其他2种传统分类特征信息的结果相比,改进多元纹理信息的加入能够显著提高冬小麦识别精度(出苗期提高4.12%和2.36%,越冬期提高2.59%和0.94%);2)在不考虑影像质量、生育期和地面样方测量精度等客观因素的影响下,基于该文方法的小区域内冬小麦面积提取精度普遍优于90%;3)在冬小麦长势稳定的时相(越冬期),基于该文方法的较大区域冬小麦面积量算结果能够达到接近最佳识别时相(孕穗期)的面积提取精度,二者的一致性程度超过97%。因而,利用GF-1宽视场影像能够有效提取县域尺度冬小麦种植面积,可为农作物监测业务运行提供遥感数据保障。     

无人机遥感影像面向对象分类方法估算市域水稻面积

针对如何高效地从无人机遥感影像中提取农作物样方数据,用于农作物面积遥感估算,该文以浙江省平湖市为例,利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。然后,与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。研究结果表明:1)利用面向对象分类方法对无人机影像进行分类,总体分类精度达到93%以上,满足构建样本的要求;2)通过区域作物估算对比分析发现,面向对象分类方法对无人机影像进行水稻识别,构建平湖市单季晚稻的样方数据,能够替代人工目视解译样方准确推断区域作物种植面积,有效地提高了无人机影像在遥感面积估算中的应用效率。