徐州市遥感图像土地利用分类方法研究

利用遥感图像进行土地利用分类,具有覆盖范围广和能及时、客观、周期性地获取地表覆盖信息的优点。然而,由于遥感图像信息量大、细节多、纹理变化复杂等原因,不同的分类方法可能得出不同的分类结果。以徐州市2000年10月6日的TM影像为信息源,结合实地调研,利用3种方法对徐州市的土地利用进行了分类,并对分类结果进行分析对比,结果表明:非监督分类方法无法有效地区分大多数地物,是一种不可取的方法;监督分类的每一次结果均不相同,很难保证客观性;而基于NDVI、NDB I等的综合阈值法,一旦波段和阈值确定,则它们的分类结果就是唯一的。因此,用综合阈值法对遥感图像进行分类是一种比较理想的方法。     

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。     

济南市土地利用遥感动态监测研究

采用遥感与GIS相结合的技术对济南市土地资源进行遥感调查，按照全国二级分类系统建立判别标志，绘制了2000年和2004年济南市土地利用现状图和变化图。并简要分析了这4年间济南市土地利用的变化情况。     

全极化SAR图像的煤矿区土地覆盖信息分层提取方法研究

为弥补光学遥感在煤矿区资源与生态环境监测中应用的不足, 研究应用全极化SAR图像有效提取煤矿区土地覆盖信息的方法具有重要意义。针对全极化SAR图像极化信息丰富、斑点噪声多、局部异质性大等特点, 提出采用面向对象的影像分类方法对其进行分层土地覆盖信息提取。以徐州市西南部的煤矿区为研究区, 选取Radarsat-2的全极化SAR图像, 分析了研究区内全极化SAR图像中典型地物的灰度特征, 提出面向对象分类方法所涉及的最优分割尺度选择法, 给出全极化SAR图像分割对象后向散射特征的计算方法。对研究区的SAR图像进行试验, 首先对SAR图像进行多尺度分割, 选择各土地覆盖类型的最优分割尺度, 然后在该尺度下计算出土地覆盖类型的后向散射特征指数, 最后采用模糊逻辑分类法分层提取出研究区内的土地覆盖信息。结果表明: 在适于各土地覆盖类型提取的最优分割尺度下, 充分利用分割对象的灰度、形状、纹理以及类间相关特征, 并综合应用隶属函数法和最邻近分类法, 能有效地提取煤矿区的农田、道路、塌陷地、建筑物、山林这5类土地覆盖信息。与最大似然分类法相比, 该方法能够较好地消除"椒盐现象", 各种土地覆盖类型的提取精度都有所提高, 其总体分类精度可提高38.3%。     

澜沧江流域综合开发中土地覆盖遥感监测试验研究

土地覆盖遥感监测对流域综合开发所引起的有关土地利用状况变化的最及时有效地监控技术手段,通过对澜沧江流域中具有复杂生态背景的典型试验样区的土地覆盖感监测研究,探讨其于应用遥感技术建立流域山区土地覆盖监测的技术方法,为流域综合开发的整体监测体系构建提供基础研究,研究结果表明,基于专用遥感图像处理软件,通过对研究区域典型的物样点光谱响应曲线分析,组织设计提取研究区域土地覆盖类间可分离性明显的算法,分离提取土地覆盖主要类型,并结合多级遥感分类方法的应用,可较之单一依靠自动模式识别方式或单一利用目视解译方法获得诸多优越之处和更符合实际的分类效果,是一种适合于山区土地覆盖监测的有交,行行而又相对操作简单的方法。     

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。     

遥感图像中多分类问题的树型RBF神经网络方法

该文探讨RBF映射理论在遥感影像分类中的具体算法和实现过程，给出了基于自适应聚类间距的快速聚类算法(AGDFC)的RBF网络训练算法和树型RBF网络构造算法。然后以实际的遥感土地覆盖分类为例，通过与最大似然分类算法(MLC)相比较，对分类过程和结果进行了综合分析，实验结果表明树型RBF网络方法在学习速度、网络结构、分类精度等方面具有一定的优势。     

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。     

松辽流域景观分类研究

应用NOAA AVHRR数据对松辽流域进行季相变化的对比分析 ,并结合实地调查资料、历史资料和部分TM卫片等 ,绘制遥感和GIS支持下的 1km分辨率土地覆盖图 ,以此为基础底图并利用从遥感数据中直接获取的地形数据等 ,再根据气候和地貌特征将松辽流域景观分为 3个大区、 9个小区。在景观类型区划分的基础上 ,依据地貌类型 ,土壤侵蚀强度、土地覆盖类型等将松辽流域划分为 5 0 0多个景观类型 ,从而为长期、宏观、动态地监测土地覆盖和建立全国土地覆盖数据库和景观分类数据库打下了坚实的基础。     

DEM支持的黄土丘陵沟壑区地被遥感分类方法

DEM支持的黄土丘陵沟壑区地被遥感分类方法的提出,目的是解决由于受到复杂地形影响,遥感影像地被分类精度低且不具有地形特征的问题。在分类预处理过程中利用基于PCA的方法复原阴影区域的信息,可以减少大量阴影造成的影响。分类时对分布在不同地形区域的相同地被选取不同的样本,利用Bayes分类进行土地覆盖分类。根据正负地形特征和剖面曲率将DEM划分为梁峁地、沟坡地、沟底地。分类后使用最小面积原则的滤波方法对土地覆盖分类图与土地类型分类图进行处理,并以土地类型边界为标准进行图斑的叠加重组。该方法将光谱特征与空间地形信息相结合,得到的分类结果精度有所提高且带有地形信息,充分体现了黄土丘陵沟壑区地被分布的实际情况,增强了分类结果的实用价值。     

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。     

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.     

结合三维密集点云的无人机影像大豆覆盖度提取

针对仅依赖二维遥感影像提取大豆覆盖度难以剔除杂草等复杂背景干扰的问题,该研究提出一种结合三维密集点云的大豆覆盖度提取方法,利用改进的运动恢复结构(Structure from Motion,SfM)算法与半全局匹配(Semi-Global Matching,SGM)算法从无人机立体影像中生成高精度稠密的大豆叶面真彩色三...     

基于颜色及纹理特征的果蔬种类识别方法

为更好地表述果蔬图像纹理特征,提高智能果蔬识别系统识别准确性,提出一种颜色完全局部二值模式纹理特征提取算法。果蔬识别系统模型利用颜色完全局部二值模式提取图像纹理特征,利用HSV颜色直方图、外点/内点颜色直方图提取图像颜色特征,采用匹配得分融合算法将颜色和纹理特征相融合,采用最近邻分类器实现果蔬农产品分类。通过不同光照条件下和不同数量训练样本条件下的试验得出：颜色完全局部二值模式的果蔬图像纹理表述能力明显优于和差直方图等果蔬图像纹理操作子,识别率提升最小在5%以上,更适合果蔬分类;对比其他纹理特征提取算法,采用颜色完全局部二值模式与颜色特征进行融合时,识别率最优,时间开销约为1.1 s。该方法能够应用到智能果蔬识别系统中,提升系统识别准确性。     

基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别

该文基于支持向量机（support vector machine,SVM）与区域生长结合算法,设计了对黄曲条跳甲、烟粉虱、小菜蛾、蓟马这四类蔬菜害虫进行分类识别的检测算法。该方案将识别过程融入到分割中,采用网格法进行区域生长种子点的选取,简化图像处理的步骤。该文每种蔬菜害虫训练样本图像为60幅,测试样本为40幅。试验展示,基于其形态、颜色特征,该算法可以将南方重大蔬菜害虫正确分割识别出来,对黄曲条跳甲、烟粉虱、小菜蛾、蓟马成功率为分别为96.4%、93.2%、95.4%、98.2%,算法达到了对多种害虫进行分类的效果,有较好的应用前景。     

Utilizing landsat TM imagery to map greenhouses in Qingzhou, Shandong Province, China

To build a rapid and accurate method for greenhouse vegetable land information extraction using an index model derived from TM digital data of Qingzhou City, Shandong Province, based on a systematic analysis of the spectral characteristics of different land use types in the study area, a subset of the image was first made to eliminate the mountainous region not associated with vegetable distribution, and then water body pixels were masked. With this the VI index model for greenhouse vegetable land extraction was developed. The index model indicated greenhouse vegetable land for Qingzhou in April 2002 was concentrated in the southeast and around rural residential areas. Field data used for an accuracy evaluation showed that greenhouse hectares determined with remote sensing were 95.9% accurate, and accuracy for the spatial distribution of greenhouse vegetable land cross checked with a random sample was 96.3%. Therefore, this approach provided an effective method for greenhouse vegetable land information extraction and has potential significance for management of greenhouse vegetable production in the study area, as well as North China.     

基于无人机多源图谱融合的水稻稻穗表型监测

稻穗表型是表征水稻生长状况和产量品质的关键参数,稻穗表型的准确监测对于大田精准管理和水稻智慧育种具有重要意义。无人机图谱数据已被广泛用于水稻生长监测,然而大部分研究主要集中在水稻的营养生长阶段,针对抽穗期和成熟期稻穗表型监测方面的研究非常有限。因此,该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究,分析了不同氮肥梯度和生长时期对稻穗表型的影响,构建了稻穗覆盖度、生物量以及倒伏等监测模型。结果表明,不同生长时期和氮肥梯度的稻穗表型呈现显著差异,稻穗覆盖度与图像特征高度相关。利用粒子群优化算法（Particle Swarm Optimization,PSO）和支持向量机（Support Vector Machine,SVM）回归模型能够从可见光图像中准确识别稻穗,计算的穗覆盖度与实际标记值高度相关,决定系数（coefficient of determination,R2）为0.87,将此结果与多光谱图像反射率融合,利用随机森林（Random Forest,RF）回归模型可以提高稻穗覆盖度的评估精度,R2为0.93,相对均方根误差（relative Root Mean Square Error,rRMSE）为9.47%。融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物量的评估精度,R2高达0.84,rRMSE为8.68%,此模型能够在不同种植年间迁移,进一步利用模型更新添加10%新样本能够改善模型迁移能力。基于PSO-SVM分类模型,联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确地识别稻穗倒伏,准确率达99.87%。上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性,可为作物精准管理和智慧育种提供决策支持。     

基于区域亮度矫正的番茄成熟度定量分级方法

针对现有番茄成熟度分级标准不统一,泛化性有待提高等问题,该研究提出一种基于区域亮度矫正的果面红色着色区域提取的方法。采用R-G法增强番茄表面的红色区域,利用Otsu分割方法提取表面着色区域,判断各着色区域的轮廓树结构以计算着色区域面积占图像总面积的比例作为主要特征,构建多因子融合的随机森林模型以实现番茄成熟度的量化分级。同时,利用基于局部亮度均衡的图像快速修复方法以解决光照变化导致的番茄表面高亮度反射问题。结果表明：以番茄表面着色面积比成熟度评价指标的分级平均正确率为92.96%,相比传统颜色矩和颜色直方图作为评价指标时的分级准确率提高了6.53和20.6个百分点。高亮区域领域像素加权替代法可对番茄高亮区域亮度实现有效矫正,校正后的未熟、半熟和成熟番茄图像的果面着色区域面积占番茄图像总面积的比例较矫正前提高了0.06、0.15和0.11,分级精度分别提高了17.24、11.47和4.69个百分点。研究可为番茄成熟度的定量性分级提供决策基础。     

基于图像处理技术的菜用大豆豆荚高通量表型采集与分析

为实现菜用大豆豆荚表型的高通量采集与分析,本研究利用可见光成像技术获取豆荚图像,综合考虑育种工作对表型信息的需求,提出了一套基于计算机图像处理技术的菜用大豆豆荚表型信息采集分析方法,并开发了相应的分析系统软件.研究通过试验确定最优参数,实现了菜用大豆豆荚长度、宽度、弦长、弧长、面积、每荚豆粒数、弯曲度、标准色距等表型性...     

基于TM影像的河套灌区区域蒸散发研究

通过对遥感数据进行分析,采用非监督分类法对影像进行分类,最终得到灌区土地分类及耕地种植结构。利用高分辨率IKONOS影像对分类结果进行精度评估,证明TM影像应用于灌区尺度土地利用分类具有较高的精度,能有效克服人为因素的影响,较为准确地提取灌区耕地种植面积及其空间分布。利用SEBAL模型对蒸散发进行反演,反演结果与实测值误差在允许范围内。研究结果可为河套灌区用水量研究提供新的方法。