SPOT5遥感影像土地利用信息提取方法研究

【目的】探讨高分辨率遥感影像土地利用信息提取方法的优劣,为研究土地利用/覆盖动态变化提供参考。【方法】以结合纹理特征的支持向量机(Support vector machine,SVM)分类和多尺度分割的面向对象分类为主要技术,对陕西佛坪长角坝乡遥感影像的土地利用信息进行提取,并将分类结果与基于传统像元的最大似然法分类结果进行比较分析。【结果】面向对象分类法的总精度达到90.67%,较结合纹理特征的SVM法提高了8.34%,而与最大似然分类法相比提高了近20.32%,克服了其他分类方法存在的同谱异物现象及分类结果中地物破碎等缺点,取得了较好的分类结果。【结论】利用面向对象分类法不仅达到了提取土地利用信息的目的,而且精度高、速度快。     

测亩仪在农田面积测定中的精度研究

采用不同型号的测亩仪,在阴天、雨天以及晴天等天气状况下,对地形不同、面积不同、形状不同的不同区域进行多次测量,利用比测法将测亩仪测得的面积数据与更高精度仪器测量的数据进行比较,研究测亩仪在农田面积测定中的精度。通过分析,总结出测亩仪在农田面积测定中的误差规律,为生产实践提供参考,实现农业管理精准化。     

利用SPOT5影像提取水稻种植面积的研究——以湖南株洲市区为例

以湖南省株洲市区为例,利用2008年8月19日SPOT5卫星影像数据,采用非监督分类方法,并借助地面样方监测数据,在实现计算机自动识别的基础上,准确提取出株洲市区的水稻种植面积6 379.4 hm2。精度验证分析表明,研究精度达到95.70%。     

不同遥感数据融合方法在南方水稻面积监测中的应用研究

在南方水稻遥感监测中,单一传感器影像数据已不能满足监测精度的要求,需要将高空间分辨率全色影像与中高空间分辨率多光谱影像进行融合,得到新的高空间分辨率多光谱影像,有利于改善影像识别与分类精度.该文利用江苏省金湖地区HJ-1A卫星30m分辨率多波段影像与ALOS卫星2.5m分辨率全色影像进行水稻监测,采用4种融合方法(Brovey变换、IHS变换、高通滤波和小波变换)对2种影像进行融合处理.随后对各种融合影像结果进行了目视定性和融合评价指标定量说明与评价,结果表明小波变换在空间与光谱信息上具有最佳的融合效果.进一步利用小波变换的融合影像进行水稻识别与面积提取,统计表明融合影像相比HJ-1A多光谱影像,水稻面积估测精度从79.26%提高到91.65%.因此,利用多源遥感数据融合的方法对南方水稻面积进行监测,可显著提高其监测精度.     

"3S"技术在水稻种植面积动态变化监测中的应用

以黑龙江省三江平原水稻主产区为样区,利用遥感(RS)、地理信息系统(GIS)和全球定位系统(GPS)技术对水稻种植面积进行监测和评价,及时掌握水稻种植面积和变化趋势,能够在短时间内完成监测,为水稻生产的发展提供科学依据.与常规方法比较,具有精度高,时间短,人、财、物力消耗少,可广泛应用.     

基于优化的ICNet高分遥感影像城市建成区分类

城市建成区是一类具有大面积的组合型目标群体,该区域地物丰富,光谱特征复杂多变,且具有大量的同物异谱与地物像素单元交错等现象,影像分类难度显著增加。针对图像级联网络（image cascade network,ICNet）计算复杂、分类精度低的问题,采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究,通过添加高效通道注意力机制（efficient channel attention,ECA）和联合金字塔上采样模块（joint pyramid upsampling,JPU）替换空洞卷积来获得ICNet改进网络,采用总体分类精度（overallaccuracy,OA）、Kappa系数与F13个指标对分类结果进行精度评估,并与随机森林（random forest,RF）、ENet和ICNet3种方法进行对比分析。结果表明,优化的ICNet网络模型能够更准确的进行地物分类,总体分类精度为75.12%,相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性,说明优化的ICNet网络可用于城市建成区的分类研究。     

基于遥感影像和卷积神经网络的农田及道路信息提取

为对农用地(耕地)遥感影像中道路和农田信息进行精确高效的提取,采用卷积神经网络(CNN)的方法,以河北省献县某乡冬小麦种植田为研究区,建立“道路-背景”和“农田-背景”2个高精度遥感影像数据集,构建基于MobileNet v1的U-Net、SegNet、PSPNet、DeepLab v3+和基于MobileNet v2的DeepLab v3+共5种CNN语义分割模型,进行道路和农田提取试验;在模型训练前后加入迁移学习、图像拼接和模型融合3种策略。结果表明:1)在2个数据集上,基于MobileNet v1的U-Net和基于MobileNet v1的SegNet 2种模型的识别率和稳定性最佳;2)在提取道路和农田时,融合后模型的平均交并比值分别为0.853 3和0.956 8;3)对预测图进行后处理,可以为路径规划和作物秸秆产量计算等研究提供道路拓扑图和农田预测图。     

正地貌遥感影像在内蒙古土—商公路地质灾害评估中的应用

传统的遥感影像(负地貌)在目视判读时往往给人造成山脊与沟谷相反的视觉效果,在地质灾害评估应用中很难正确判读滑坡、泥石流、冻土等地质灾害的分布.而正地貌遥感影像是在分析遥感成像机理和视觉习惯的基础上生成的符合视觉习惯的三维遥感影像,能够快速、准确判读不同的地质灾害类型及分布,从而提高了工作的进度与精度.根据正地貌遥感影像在室内分析评估区内地质灾害的可能分布位置,然后进行野外踏勘,确定地质灾害特征与发育状况.结果表明土—商公路发生突发性的滑坡、崩塌、地面塌陷、泥石流等地质灾害的可能性小,但拟建公路部分地段仍有可能发生冻土冻融的灾害.