基于FNEA最优分割尺度下的塔里木河流域湿地提取研究

采用分形网络演变技术(FNEA)和eCognition处理平台,结合RapidEye高分辨率多光谱影像遥感影像,对新疆维吾尔自治区内塔里木河流域湿地提取进行研究。塔里木河流域影像覆盖面积较大,信息量丰富,本研究对影像数据进行主成分分析(PCA)处理,采用多尺度分割方法结合ESP分割尺度评价工具获取不同湿地类型最优分割尺度的参数。在FNEA分割结果上根据各湿地类型的光谱、纹理、空间关系分层分类,建立由易到难的分类规则集。结果证明,PCA可以去除影像冗余信息,其第一分量(PC1)与第二分量(PC2)均值可作为湿地提取的主要特征。基于FNEA的多尺度分类法可快速解决研究区内湿地分割尺度问题,准确完成信息的自动识别和提取,总体分类精度达到了87.7%,Kappa系数达到0.842。     

基于无人机多光谱影像特征的最佳波段组合研究

针对卫星遥感影像分辨率低、时间周期长、波段冗余信息多等问题,利用无人机多光谱数据获取便捷、成本低、周期短的优势,以玛纳斯河畔为研究区,使用固定翼无人机搭载Micro MCA12 Snap多光谱传感器获取高分辨率多光谱影像。通过对多光谱影像数据标准差及相关性进行分析排序,结合OIF方法得到原始波段最佳组合,使用多种植被及水体指数、主成分分析、灰度共生矩阵确定信息量最大的光谱特征与纹理特征波段,提出将光谱特征、纹理特征信息与最佳波段指数结合的方法来确定地物分类最佳波段组合。实验结果表明,针对Micro MCA12 Snap多光谱传感器,可选择波段1、6、11、NDVI、NDWI以及灰度共生矩阵中的Mean参量作为其地物分类的最佳波段组合。感兴趣区域内非监督IsoData分类精度从83.57%提升到89.80%,监督的SVM分类精度从95.58%提升到99.76%。研究结果可为无人机多光谱遥感最佳波段组合选择提供借鉴和参考。     

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析（PCA）提取光谱特征时,常选择前几个主成分（PCs）作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析（ICA）及线性判别分析（LDA）3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。     

基于GF-1 WFV影像的作物面积提取方法研究

黑龙江省是我国粮食生产大省,及时有效地获取黑龙江省的农作物种植面积对后续研究的开展具有重要意义。以黑龙江省五九七农场为例,利用2014年8月30日GF-1卫星16 m空间分辨率影像,通过计算不同特征波段,构建了多特征水稻、玉米种植区识别方法。首先计算影像归一化差分植被指数（NDVI）,并将原影像进行主成分变换,以此为基础建立包含多特征的数据集。然后利用不同地物类型之间在各特征波段的差异,基于CART算法构建决策树,分别提取研究区内的水稻和玉米。精度评价结果表明,分类的总体精度达到96.15%,Kappa系数为0.94。水稻的制图精度为98.41%,用户精度为97.64%;玉米的制图精度为95.38%,用户精度为97.89%。其中总体精度和Kappa系数较最大似然法分类结果分别提高了5.28%和0.08。所提研究方法可为其他地区农作物高分数据作物类型制图提供借鉴。     

基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息,为探究2021年黄淮海平原冬小麦空间分布信息,基于Google Earth Engine（GEE）云平台,以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源,通过计算极化特征、光谱特征和纹理特征,运用随机森林等4种机器学习方法和深度循环神经网络模型,对研究区冬小麦空间分布信息进行提取,并对比各分类器和网络架构的分类精度。结果表明,黄淮海平原冬小麦总面积约为16226667hm2,占研究区总面积的49.17%,其中冬小麦种植面积最大的是河南省,约为4647334hm2,研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势;随机森林是4种机器学习方法中识别精度最高的分类器,总体分类精度为94.30%;在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%,仅使用Sentinel-2光学数据总体精度为93.95%,而融合时序Sentinel主被动遥感数据总体精度为94.30%;在大范围的冬小麦分类上,深度学习模型的泛化性高于机器学习方法。     

基于无人机高光谱遥感影像的防护林树种分类

树种信息对林业资源监测和管理具有重要意义,及时准确地掌握树种及长势状况是防护林工程建设与效益评价的基础。为研究利用无人机高光谱数据进行防护林树种分类的效果,选取典型区域使用Matrice600型六旋翼无人机搭载Rikola高光谱成像仪获取高光谱影像,基于支持向量机-递归特征消除算法（SVM-RFE）选取原始波段最佳组合,再结合纹理特征、植被指数和数理统计特征,使用随机森林算法对所有特征进行重要性评估并与分类精度相结合进行特征优化,进而构建高光谱影像全波段、原始波段最佳组合、全部特征变量、基于随机森林（RF）特征优化后特征变量4种分类方案,分别采用最大似然法（MLC）、支持向量机（SVM）、随机森林对防护林优势树种进行分类。结果表明：所提出的基于交叉验证的SVM-RFE算法选出的原始波段组合能更好地还原原始光谱特征;通过RF算法的特征重要性分析与分类精度相结合的方法可以有效选出重要特征,当使用全部特征的85%（包括17个光谱特征、3个纹理特征、5个植被指数和3个数理统计特征）进行分类时,总体精度最高为9593%（Kappa系数为0.9475）;所有特征中植被指数特征最重要,3种分类方法中RF算法分类总体精度（OA）最高。     

基于多/高光谱影像的农作物叶片像素自动提取方法

为了探明作物叶片像素提取的内在机理,设计适用于高光谱和多光谱影像的自动叶片提取方法,以实测高光谱和模拟多光谱影像为基础,通过特征转换、图像分割、边缘检测、基于梯度的断点连接4个步骤,最终实现了作物叶片的快速、准确、自动化提取。结果表明,EVI对作物叶片增强效果最好,NDVI次之,基于红边的植被指数效果最差。在叶片提取过程中,本方法所涉及的5个精度评价指标平均值均在0.94以上,分布于0.9478~0.9896,叶片提取精度极高。该方法相较于大津法（OTSU）、标记分水岭（Marker-watershed）等经典方法具有明显的优势,其提取精度分别提高了29%~98%,与全卷积神经网络（FCN）或随机森林（RF）基本相当。通过运用特征转化,局部自适应阈值分割和边缘检测相结合,可以实现基于高光谱、多光谱影像的叶片像素快速、准确、自动化提取;该方法可避免繁琐的样本标记,且对高光谱和多光谱影像的空间分辨率及尺寸要求较低,其提取结果可直接作为深度学习的标记样本或叶片尺度的表型参数反演的基础数据,具有推广价值。     

面向空间自相关信息的高光谱图像分类方法

空间滤波器在提取高光谱图像纹理信息过程中容易丢失空间自相关信息,导致植被分类精度不高。针对当前方法的不足,提出一种空间自相关信息的高光谱图像分类算法(Classification of hyperspectral image based on spatial autocorrelation information,CHISCI)。该方法先用域转换线性插值卷积滤波(Domain transform filter of interpolated convolution,DTFOIC)对高光谱全波段图像提取空间自相关信息,然后对高光谱数据进行主成分分析(Principal component analysis,PCA)降维后的前部分主成分提取空间自相关信息,两种空间自相关信息线性融合后交由支持向量机(Support vector machine,SVM)完成分类。试验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法和边缘保持滤波以及递归滤波的方法,所提出的CHISCI方法对高光谱图像的植被分类精度有较大提高,在训练样本仅为6%和1%的情况下,对印第安农林和萨里斯山谷数据集分类的总体分类精度分别达到96.16%和98.67%,比其他算法高出2~16个百分点,验证了该方法的有效性。     

黄土丘陵沟壑区遥感影像信息面向对象分类方法提取

探索了基于面向对象分类方法提取黄土丘陵沟壑区高分辨率遥感影像土地信息的途径。以燕沟典型小流域为例,基于ALOS的多光谱、全色立体影像并辅以数字高程模型DEM和NDVI数据,进行面向对象的多尺度分割,利用阈值逐次提取与该区生态系统恢复、农业生产和生活实际密切相关的灌丛、林地、草地、耕地、果园、居住地和水体共7种土地利用类型,得到的分类精度为77.73%。     

基于主成分分析与Brovey变换的ETM+影像植被信息提取

在ETM 影像全色波段和多光谱数据融合时,Brovey变换是一种较好的融合方法,但是Brovey变换所利用的波段信息量少,并且在对融合后影像分类时常将存在阴影的植被覆盖区误判为水体。因此将主成分和归一化植被指数(NDVI)作为Brovey变换融合时的波段,实验结果显示融合后的影像更利于后期植被信息提取。     

基于可视化的土地利用变化图谱分析

土地利用/土地覆被是地理环境内部相互作用的结果，集中体现了人地关系的特征、属性和作用机制。传统对土地利用/土地覆被的监测研究方法仅能够反映不同时期土地利用类型面积的数量变化，无法实现对变化信息的定位分析与可视化表达。采用图谱分析的方法，借助RS和GIS技术，对山西省滹沱河流域忻州段1995—2005年、2005—2015年两个时间段内土地利用类型的时空演变特征进行分析，实现了对土地利用类型转换的定量分析和空间的定位描述。结果表明:受到社会经济发展和生态环境保护的双重影响，滹沱河流域忻州段土地利用格局发生不同程度的变化。该研究为土地利用/土地覆被的时空演变分析提供了一种方法，能够为滹沱河流域忻州段合理规划土地利用提供依据。      

近10a黄河三角洲LUCC及其驱动因素分析

研究滨海脆弱生态区的土地利用/土地覆被时空变化过程，可以为区域土地资源的规划、开发和管理提供科学依据。该文应用遥感和GIS技术，分析黄河三角洲区域1995－2004年间土地利用/土地覆被的时空变化特征，并对区域土地利用/土地覆被变化的驱动因子进行了探讨。结果表明，近10 a来黄河三角洲的土地利用/土地覆被类型发生了复杂变化；黄河三角洲土地利用/土地覆被动态受到自然因素和人类活动的共同作用，而人类活动是近10 a区域土地利用/土地覆被变化的主要驱动因子。尽管近年来黄河三角洲的开发取得了快速发展，但部分人类经济活动给区域土地资源及其生态环境的可持续发展带来巨大压力，甚至导致区域土地质量的进一步退化。     

基于GLC30数据的近20年海南岛土地利用动态变化研究

土地利用/覆盖变化（land use/cover change,LUCC）是当前全球变化研究的核心内容之一。近20年来,受自然环境和人文社会经济双重影响的海南岛土地利用变化显著,但其时空动态变化特征及其格局尚不明确。基于GLC30全球地表覆盖数据,分析了海南岛近20年来土地利用时空分布格局、时空动态变化。结果表明,海南岛土地利用/覆盖类型空间分布格局以耕地和林地为主,耕地主要分布在沿海地区,林地主要分布在中部山区。2000—2010年海南岛土地利用时空变化格局以林地面积增加为主,主要由耕地、草地、湿地和水体转化而来;2010—2020年海南岛土地利用时空变化格局以耕地和建筑用地显著增加为主,耕地增加主要来源于林地的转化,建设用地的增加则来源于耕地和林地。2000—2020年,海南岛林地和建筑用地面积显著增加,耕地和草地明显减少;湿地、水体、裸地和海域的面积变化较小。林地增加的区域主要分布在海南岛中部山区及东北部文昌市,大部分由草地转化而来;建筑用地主要来自于耕地、林地和草地的转化,另一部分则来自于湿地、水体和海域的开发,主要分布在海南岛沿海城镇居民点的周边地区;耕地减少主要是转化为林地,分布在海南海口、昌江、琼海和万宁等市县;草地减少区域主要分布在海南岛中部山区,转化为林地。2000年、2010年和2020年海南岛土地利用程度在各个时期变化较小,总体数值处于中间偏上水平,表明海南岛土地利用/覆盖变化的稳定性较高,人类对土地的开发强度适中。通过本研究可为海南岛土地利用合理开发及未来海南自由贸易港建设提供科学参考。      

基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法

利用遥感技术快速准确地提取耕地信息是耕地保护的关键环节。以山东省商河县为例,提出了一种基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法。首先采用毯子覆盖法计算多季相遥感影像每个像元的上分形信号和下分形信号,对比分析耕地和其他土地利用类型的分形特征,选取上分形信号的第3尺度作为特征尺度,提取商河县耕地空间分布特征;其次采用同时期的土地利用矢量数据、Esri land cover数据和统计数据进行耕地信息提取精度评价;最后分别设置多季相分形提取与单季相分形提取、现有土地利用数据产品的对比实验,并基于点位匹配度和面积匹配度进行评价。结果表明：多季相数据更能反映农作物生长的复杂性,有助于提高耕地信息的提取精度;不同土地利用类型在不同分形尺度的信号值各不相同,分形特征可以在不同尺度上清晰地刻画出不同土地利用类型的分异性;基于矢量数据和Esri land cover数据评价的多季相分形特征耕地提取点位匹配度为87.13%和89.83%,面积匹配度为99.73%和97.91%,均比单季相分形提取结果精度高;综合考虑点位匹配度、面积匹配度和空间分布特征,研发方法能有效区分耕地和其他土地利用类型,提取结果更优,且与统计数据有更高的一致性。该方法可准确提取耕地信息,为耕地的动态监测和损害评估提供技术支撑。     

河北太行山区土地利用变化及其社会驱动机制分析

以河北太行山区为例,从土地利用动态变化入手,结合社会经济因素,定性与定量地探讨土地利用变化的驱动力;基于1987年和2000年两期遥感影像提取土地利用信息,分析土地利用类型数量、速度和结构等变化;通过构建土地利用结构与社会经济数据的相对变化数据库,建立社会经济驱动因素指标体系,对土地利用变化的驱动力进行相关分析和主成分分析;在定量分析基础上,从人口、经济、科技和政策等4个层面揭示其社会经济驱动机制.     

基于遥感与GIS土地利用/覆盖动态监测及驱动力分析

以TM和CBERS-02图像为遥感数据源,在遥感和地理信息系统技术的支持下,对2000～2004年四川省土地利用状况进行了定量的变化分析;并对研究区4年间的土地利用/覆盖状况及其动态变化在时间序列和空间序列上加以分析,阐明这种变化的外在表象,即林地、城镇用地、水域的增加和耕地、草地、未利用土地的减少;同时,探讨了这种变化的内在驱动力主要为人口增长、工业发展、政策导向等。研究成果为准确分析四川省土地利用状况和环境变化趋势提供了有效的数据支持,为国土资源的可持续土地利用提供决策依据。     

黄土高原中部典型流域植被恢复对径流的影响

针对黄土高原植被恢复后水文要素变化和水文要素之间关系不明确的问题,以黄土高原中部半湿润型气候的延河流域为研究对象,利用通用陆面模型CLM5.0,模拟1980—2018年土地覆盖变化对流域关键水文要素和水文要素之间关系的影响。结果表明：延河流域耕地面积从1980年的3277km2减少到2018年的2400km2,减少了26.76%,而林地和草地面积分别增加了244km2和528km2。土地覆盖变化导致延河流域年径流量和年径流系数明显减小,减幅分别为12.34%和11.46%。土地覆盖变化导致延河流域多年平均月径流量和多年平均月径流系数明显减小,其对丰水季径流量影响较小,对枯水季径流量影响较大,并使年内径流分配趋于集中化。本研究可为黄土高原水资源开发利用及科学管理提供参考。     

基于RS和GIS的节水农业作物布局调整研究

我国农业用水占总用水量的65％,这使得农业节水研究成为热点问题。农业节水的核心为提高农作物的水分利用效率,农作物空间布局结构的调整是比较有效的途径之一。借助RS和GIS技术,利用1998、2005年2期TM卫星遥感影像资料,结合世行项目进行的海河流域土地利用／覆盖调查数据,采用计算机自动分类和目视解译相结合的方法,对天津市宁河县近7年来农作物种植结构调整情况进行了分析研究,认为调整作物布局是现阶段有效的节水途径。     

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。     

基于TM遥感图像的土地覆盖类型识别分析——以和田河两岸绿洲为例

土地利用/覆盖变化（Land Use/Cover Change,LUCC）是全球土地利用/覆盖研究的一个主要核心内容。和田河两岸绿洲的可持续发展对干旱半干旱地区具有理论与现实意义。以和田河两岸地区为研究对象,利用1994年和2008年的Landsat TM/ETM+遥感影像,结合GIS技术提取分析和田河两岸地区1994年和2008年间土地利用动态变化信息,为今后该研究区土地的可持续利用与城市发展规划提供参考。