土地资源动态遥感监测方法研究

利用乾县枣子沟流域不同时期的航空遥感影像，经过分析解译，专题制图，进行区域土地资源动态监测试验研究。提出了小流域土地资源动态监测的遥感分析方法和工作程序，土地资源利用类型的解标志。同时，对监测区土地资源动态变化和监测精度进行了分析评价。     

土地资源动态遥感监测方法研究

利用乾县枣子沟流域不同时期的航空遥感影像，经过分析解译、专题制图，进行区域土地资源动态监测试验研究。提出了小流域土地资源动态监测的遥感分析方法和工作程序，土地资源利用类型的解译标志。同时，对监测区土地资源动态变化和监测精度进行了分析评价。     

遥感图像计算机分类方法的研究

对传统统计分类方法和基于新算法的神经网络、模糊、专家系统、SVM、面向对象等分类方法及优、缺点进行了综述,并对分类中常用的辅助处理技术作了总结。最后,展望了遥感分类研究的发展趋势和前景。     

遥感图像监督数字化分类与GIS在土地沙漠化动态监测中的应用研究

准确把握土地沙漠化动态对沙漠化治理具有重大现实意义。本文介绍了地理信息系统（GIS）在沙漠化化动态监测中的应用和遥感图像计算机监督数字化分类的理论和方法,对遥感图像计算机监督分类的精度做了检验。对调查区土地沙漠化动态进行了分析。结果表示,从1991年到1997年间该区土地沙漠化趋势有所减弱,综合治理取得了一定效益。     

遥感图像分类中混合像元分解方法研究

总结了几种解决遥感图像分类中混合像元分解问题的方法,对各种方法的基本理论、应用条件和优缺点进行阐述,并对未来提高分类精度的前景进行展望,为遥感图像分类应用提供有价值的参考。     

土地利用/土地覆盖遥感分类研究综述

遥感技术已成为获取土地利用／土地覆盖数据的重要手段，本文在综合分析研究当前主要的遥感图像分类方法基础上，将遥感图像分类方法归纳为：常规的统计分类方法、神经网络分类方法、基于GIS的分类方法、基于专家知识和地学知识的分类方法及针对实际情况的分类方法，本文对各种方法的应用情况进行了综述。     

基于遥感图像光谱特征融合的高原土地覆盖类型分类模型

在使用土地覆盖类型分类模型分类高原土地覆盖类型的过程中,由于不同类别地物间光谱信息更相近,在没有多特征降噪的情况下,容易产生噪声偏差,导致土地覆盖类型错分,设计一种基于遥感图像光谱特征融合的高原土地覆盖类型分类模型。设计特征提取方法,提取遥感图像中几何特征的空间特征与属性特征,以展示遥感图像光谱更多的空间细节信息;将遥感图像按照一定模式规则进行处理和运算,构建三种多特征融合模式,使用SVM作为分类工具,计算其中参数,实现元素的线性可分。模型性能测试结果表明：设计的分类模型所得到的分类结果在生产精度、总体精度、Kappa系数这三个指标中的评分均达到了0.7以上,验证了设计模型在高原土地覆盖类型分类中的准确性。     

遥感影像土地覆被分类研究进展

传统的遥感影像土地覆被分类技术主要有监督分类和非监督分类,随着遥感探测技术和计算机技术的不断发展,遥感分类技术得到了长足发展。在传统遥感分类技术的基础上,结合当今遥感影像分类技术领域内的一些新进展和应用,对土地覆被分类技术做出较为全面的阐述。     

应用分层采样技术进行大面积遥感图像分类的研究

该文在简要介绍分层抽样的基本原理及其优势的基础上 ,介绍了ERDASIMAGINE ,利用此项技术 ,化繁为简 ,将复杂的分层抽样调查技术设计成向导式的操作方式 ,为大面积的调查提供了方便、实用、经济的方法     

遥感影像分类方法研究动态

遥感影像分类是遥感信息提取的关键技术,一直是遥感领域的研究热点。在介绍遥感图像分类过程和分类体系的基础上,综合了最近国内外遥感分类的方法技术,重点阐述了遥感影像分类在神经网络、SVM、主动学习、多分类集成等方面较新的研究动态,为遥感图像分类向自动化和智能化发展的进一步研究提供参考。     

基于TM与IRS融合图像对土地覆盖进行分类

用不同空间分辨率的TM与IRS－1C（PAN）遥感图像进行融合，可增强图像清晰度。本研究用人工神经网络BP算法对TM和IRS－1C（PAN）的融合图像进行土地覆盖分类，分类的总体精度达到95％，高于最大似然法（分类的总体精度为71％）。     

ETM+遥感影像融合方法的土地覆盖分类精度的研究

采用小波变换、小波和PCA相结合、小波和HIS相结合等遥感影像融合方法对Landsat7 ETM+多光谱与全色影像进行融合和土地覆盖分类研究,并结合影像的光谱统计参数和融合影像分类精度对这些方法进行评价,结果发现这3种融合方法均能不同程度地提高影像的分类精度。其中,第3种方法所得融合影像与原多光谱影像的相关系数最大,均方差、相关系数和信息熵最大,影像所含信息量最多,光谱特性保持较好;清晰度较高,在空间细节信息的表现能力上较优,所以融合影像的分类精度最高。因此,小波和HIS相结合的融合方法更适合ETM+融合影像的土地覆盖分类研究。     

遗传算法优化的BP神经网络遥感图像分类研究

以Matlab神经网络和遗传算法工具箱为平台,用量化共轭梯度法改进标准BP算法,采用GA优化BP网络的隐层神经元数目、初始权重,最后以香格里拉县ETM+图像为数据源,在DEM地形数据辅助下,训练网络使其收敛,仿真结果表明该方法优于最大似然分类法.     

郫县土地利用遥感动态监测

利用2000和2007年的TM数据,经过预处理与增强处理,通过解译,得到2个时期的土地利用专题数据。在此基础上,通过比较对该区的耕地转化、居民地与工厂用地扩增等进行了分析,并做了面积统计。     

基于支持向量机遥感图像融合分类方法研究进展

总结了近年来国际上图像融合以及支持向量机的应用的研究进展,分析了支持向量机用于遥感图像融合分类的趋势、优势以及目前存在的问题,指出了该研究领域的研究方向。     

基于EnMAP Box的遥感图像分类研究

采用2007年6月云南省勐腊县TM遥感数据,利用EnMAP box进行了支持向量机的图像分类研究,以网格搜索法寻找最优参数,在设定的范围内,求得了最优C和g参数,用此参数进行支持向量机的遥感图像土地覆盖分类。结果表明：SVM方法较最大似然分类方法具有较高的分类精度,特别是阔叶林和橡胶林的精度明显优于最大似然分类方法;对于面积较小的次要类型,2种分类方法的精度基本保持一致;SVM的总体精度相对于最大似然分类提高了119%。     

基于模糊C均值聚类的林地遥感图像分类研究

在以往国内外相关研究的基础上,以我国东北长白山系典型林区为试验区,以2007年7月Landat5卫星TM多光谱图像为遥感数据,运用模糊C均值聚类方法对遥感图像进行分类试验．分类结果显示：模糊C均值分类方法在总分类精度和Kappa系数上都占有一定的优势,比传统分类方法有着更好的分类效果．模糊C均值方法在林地植被的遥感分类中具有较好的应用前景．     

云南长防林工程区森林植被遥感监测研究

应用分类树与分层分类方法,结合特征选取与多种分类算法相结合的图像处理信息识别、分类方法,提取研究区的森林植被、土地利用等信息。在GIS支持下,编制了研究区的森林分布图,并利用两期图像作了动态监测研究,得出了“长防林”工程实施以来研究区的森林覆盖率及其变化情况。