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。     

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.     

无人机可见光遥感和特征融合的小麦倒伏面积提取

倒伏是造成小麦减产和品质下降的主要原因之一。为快速准确地提取小麦倒伏面积,给农业保险理赔及灾后应急处置提供数据支持,该研究采用无人机遥感平台获取小麦倒伏后的冠层红绿蓝（Red-Green-Blue, RGB）可见光图像,并进行数字表面模型（Digital Surface Model,DSM）图像提取,计算了过绿植被（Excess Green, EXG）指数,利用ArcGIS中的镶嵌工具将不同图像特征进行融合,得到DSM+RGB融合图像和DSM+EXG融合图像,利用最大似然法和随机森林法对2种特征融合图像进行监督分类提取小麦倒伏面积,并与仅基于RGB可见光图像和DSM图像提取倒伏面积结果对比。结果表明,2种方法对4种图像进行小麦倒伏面积提取的整体趋势一致,且最大似然法提取效果整体优于随机森林法,基于最大似然法对RGB图像、DSM图像、DSM+RGB特征融合图像、DSM+EXG特征融合图像提取倒伏小麦面积的整体精度分别为77.21%、93.37%、93.75%和81.78%,Kappa系数分别为0.54、0.86、0.87和0.64,对比分析发现DSM+RGB特征融合图像提取小麦倒伏面积精度最高。该研究表明通过图像特征融合的方法能够有效提取倒伏小麦信息,为快速提取小麦倒伏面积提供参考。     

利用GIS与TM资料集成技术估算龙游县早稻面积

提出利用GIS 与TM资料集成技术估算中国南方丘陵山地早稻种植面积的方法。该方法首先利用ARC/INFO对土地利用现状图进行数字化，建立拓朴关系后将其转化为栅格，然后进行投影变换，使土地利用现状图、行政图、TM数据具有相同的坐标，最后利用土地现状图，提取水田分布图，对水田分布图进行分类估算早稻种植面积。不同方法比较结果表明：非监督分类法不能用于提取丘陵山区的水稻种植面积；只用TM资料估算龙游县早稻面积，与统计数据相比，平行六面体分类法、最大似然分类法精度分别达到82.83%和59.95%；而用GIS 与TM资料集成技术对水田分布图进行分类估算早稻面积，平行六面体分类法、最大似然分类法的估算精度分别达到93.98%和60.65%，所以利用平行六面体分类法对南方丘陵山地早稻种植面积估算是可行的。     

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%。     

基于QuickBird影像的退耕地林分类型识别方法研究

[目的]减少遥感数据的噪声影响,提高光谱信息的传统林分类识别方法的提取精度。[方法]在MNF变换融合处理的基础上,采用一种基于光谱和空间信息相结合的分类方法,融入空间信息对研究区不同林分遥感信息进行提取。[结果]该方法可以有效地抑制分类结果的"麻点"现象,对各类型林分信息的平均提取精度达83.6%,高于传统最大似然法11.6%。[结论]融入空间信息的林分信息提取方法可以有效地改善分类效果,能够提高分类精度,在退耕地林分信息提取和变化监测等方面具有一定的实际意义。     

基于时间序列环境卫星影像的作物分类识别

环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于SI-Albedo特征空间的干旱区盐渍化土壤信息提取研究——以克里雅河流域绿洲为例

选取塔里木南缘克里雅河流域绿洲为研究靶区,利用Landsat-ETM+卫星图像数据和野外调查数据分析盐渍化土壤与地表反照率(Albedo)、土壤盐分指数(SI)之间的关系。回归分析发现,盐渍化土壤在SI-Albedo特征空间分布具有显著规律,即非盐渍化土壤呈团状分布;轻、中度盐渍化土壤具有线性分布特征;非盐渍化土壤与轻度盐渍化土壤分异明显。结合分异规律,编制分类算法模型,得到研究区盐渍化土壤信息提取结果,并与传统监督最大似然分类法结果进行对比分析。结果表明,在SI-Albedo特征空间中定量快速提取盐渍化土壤信息的总体效果较好,对准确且自动提取干旱区盐渍化土壤信息以及区域尺度盐渍化遥感监测研究具有重要意义。     

基于HJ-1A/B-CCD影像的湖北省冬小麦和油菜分布信息的提取方法

利用不同时期HJ-1 A/B-CCD影像提取湖北省冬小麦和油菜分布信息.计算冬小麦、油菜不同生长期的NDVI曲线,通过野外调查和测量,获取冬小麦、油菜和其它典型地物的光谱特征.确定CCD影像提取冬小麦和油菜信息的最佳时相及不同地物在CCD影像上的色彩特征.采取最大似然分类法,对CCD影像进行分类,提取冬小麦、油菜分布信息.结果表明,HJ-1 A/B-CCD影像提取精度达95.48％,可以用于提取冬小麦、油菜分布信息;对于湖北省而言,3月中、下旬(冬小麦拔节、油菜开花)是HJ卫星提取冬小麦、油菜信息的最佳时相;在最佳时相内,冬小麦和油菜具有不同的光谱特征和CCD影像色彩特点,且样本分布服从近似正态分布,可以用最大似然方法提取其信息.     

基于空间信息的高光谱遥感植被分类技术

高光谱数据常带有噪声,传统的仅考虑光谱信息的遥感植被分类方法效果不佳,融入空间信息进行植被分类显得尤为重要。以NDVI阈值法提取植被信息后,采用最小噪声变换对Hyperion高光谱影像进行压缩处理,取前60个分量数据,并采用一种空间与光谱信息相结合的高光谱影像植被分类法,完成研究区植被分类。结果表明,对各植被类型的平均分类精度达90.3%,而最大似然法的平均分类精度仅为70.0%。融入空间信息的高光谱遥感植被分类方法能有效地削弱噪声,在一定程度上提高了分类精度,在实际应用中有一定的参考价值。     

青海高原东部农业区土地利用遥感分类制图

为有效地监测复杂区域生态环境治理成效,该文以青藏高原与黄土高原过渡地带的青海高原东部农业区为例,研究大范围复杂地区土地利用遥感自动、快速提取方法。首先构建适于研究区土地利用变化分析的分类系统;其次,采用地理分区综合遥感分类法对青海高原东部农业区进行土地利用遥感分类制图。研究结果表明,上述方法适宜大范围复杂地区土地利用信息的有效提取,Kappa系数0.71,较未分区的分类结果高0.12。分类制图结果表明,研究区土地利用结构以农用地为主,其中>6°～25°的坡耕地占耕地总量的63.33%,应加大这部分坡耕地水土流失的防治。该研究为大范围复杂地区土地利用遥感信息提取提供了有效的方法,为青海高原东部农业区土地资源的科学管理与规划提供了参考。     

高分辨率遥感卫星影像在土地利用分类及其变化监测的应用研究

研究了IKNOS米级高分辨率遥感影像在大比例尺土地利用图件更新中的应用技术,提出采用基于知识的土地利用覆盖分类以及变化监测系统方法,首先利用NDVI植被指数和半方差纹理特征的知识进行影像大类区域分割;其次结合光谱知识对各影像区域进行详细分类,同时利用区域生长技术与地类空间知识进行区域分类;第三步是分类后处理与变化信息提取,利用基础图件提供的知识与各区域分类进行比较以发现变化的区域。北京房山良乡试验区的试验表明,Kappa系数为0.912,总精度为0.938;变化信息错误率为13.69%,基于知识的分类与变化信息自动提取可以为在GIS/RS环境下的目视数字化提供目标,加速土地利用基础图件的更新作业过程     

土地利用现状图与遥感图像叠加进行土地利用变更监测

在土地利用变更遥感监测常用的两种方法，即图像增强法和分类后比较法的基础上，提出了一种基于土地利用矢量图与遥感图像叠加探测土地利用类型变化的方法。采用二元二次多项式和三次卷积法进行几何精校正，通过验证，拟合方程的精度与有效性均合乎要求，在几何精校正后将土地利用现状图叠加到校正后的遥感图像上，通过叠加比较可找出土地利用类型变化信息，并可检测出原土地利用现状图的误差。     

模板法自动提取遥感图像耕地变化信息的研究

该文在多时相遥感图像中采用主成份差异法提取耕地变化信息，研究的关键在于差值前如何进行图像匹配、如何自动提取变化信息以及差值后如何确定变化阈值。在逐像元判断是否变化时，根据计算机视觉的数据处理思想提出一种采用(2n+1)×(2n+1)判断模板进行判断的方法，这种方法可以大幅度地改善单像元判断的效果。经试验，提取耕地变化信息的准确程度达85％以上，可以替代人工判读的工作。     

利用ASTER遥感资料提取南京城郊土地利用信息的研究

土地资源是社会经济发展最基本的物质基础,利用遥感技术可对土地资源进行分类调查。在对地观测方面,高光谱遥感与一般遥感影像相比,能提供更高质量的信息源。先进的空间热辐射反射计(ASTER)覆盖可见光、近红外、短波红外和热红外的14个波段,分辨率从15 m到90 m,对长江流域环境监测、地表覆盖变化、短期气候预测、自然灾害监测等,对于了解该区资源、生态与环境具有重要的意义。该文利用2001年ASTER数据对南京城郊地区进行了土地利用分类,首先采用多元统计方法提取分类特征波段。然后以非监督分类获得初始训练样本,对训练区进行多次像元提纯后,运用监督分类方法对南京城郊土地利用信息进行分类。研究表明,多种分类方法相结合可从ASTER影像更好地提取土地利用信息,达到较好得分类精度。     

基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类

高精度监测土地利用对实现可持续发展有重要意义。然而,由于遥感传感器成像的限制和地物的复杂性,单一的高光谱和多光谱图像已经不能满足高精度土地利用分类的要求,充分利用高光谱和多光谱遥感图像的互补信息能克服仅采用单一遥感图像分类的不足。该研究设计双分支卷积神经网络协同高光谱和多光谱遥感图像进行土地利用分类。针对高光谱图像设计3维-1维卷积神经网络（3D-1D Convolutional Neural Networks,3D-1D CNN）分支自动提取高光谱图像的空间-光谱特征;针对多光谱图像,设计3维卷积神经网络（3D Convolutional Neural Networks,3D CNN）分支提取多光谱图像的空间-光谱特征;设计融合层将从高光谱和多光谱图像提取的特征进行融合,最后通过全连接层输出土地利用类别。研究表明,与决策树（Decision Tree,DT）、支持向量机（Support Vector Machine,SVM）以及1D、2D和3D CNN方法相比,该文提出的基于双分支卷积神经网络的方法在两个数据集上Kappa系数平均分别提升了15.9、8.1、5.4、5.4和2.7个百分点。     

非统计学方法在景观格局变化研究中的应用

景观格局变化的驱动力和生态环境响应研究中,通常存在着数据具有不确定性,时间序列样本量不足和"噪声"干扰等问题.系统阐述了灰色分析、最大似然法、Panel Data模型的原理和应用背景,并选择洞庭湖流域的年入湖径流量变化,湘水流域景观格局变化的水文响应,以及洞庭湖流域景观格局变化的驱动力等作为实证分析对象.结果表明,灰色分析、最大似然法和Panel Data模型不但可以有效解决上述问题,而且通过与经典统计学方法相结合,还能使研究效率进一步提高,研究结论更加科学、直观.     

基于分层多端元混合像元分解的水稻面积信息提取

为了解决中低分辨率遥感影像混合像元问题以提高水稻种植信息的提取精度,该文提出了一种基于层次分类与多端元混合像元分解相结合提取水稻面积信息的方法(stratified multiple endmember spectral mixture analysis,SMESMA)。层次分类有效降低了地物复杂度,而多端元混合像元分解通过对每一类地物选取多个端元光谱参与解混,克服了"同物异谱"造成的光谱变异问题,两者结合可有效提高分类精度。以江苏如皋市为研究区,基于HJ-1B CCD影像,分3个层次,当某类地物信息被提取后便将其从影像中去除,进行下一层次分类,各层次均采用多端元混合像元分解方法,综合EARMSE、MASA、CoB等算法以选取最佳端元,实现了如皋市水稻种植面积信息有效提取。结果显示SMESMA法分类精度达85.78%,kappa系数为0.85,基于最大似然分类法(MLC)的分类精度为79.1%,kappa系数为0.78。表明SMESMA是一种适合基于中低分辨率影像进行作物分类和面积提取的有效方法。     

数学形态学辅助下基于光谱指数的作物冠层组分分类

近地遥感常被用于获取作物冠层组分信息,但在提取叶片反射率时常受到土壤背景、穗和阴影效应的影响。为准确分类并提取作物冠层组分信息,该研究通过分析小麦冠层各组分（光照/阴影叶片、土壤、穗）的光谱及纹理差异,提出了一种光谱指数与数学形态学结合的作物冠层组分分类方法,探讨不同生育时期的最佳冠层组分分类方法,并定量分析不同组分的归一化光谱指数与小麦叶片氮含量的关系。结果表明：光谱指数法能较好地区分小麦抽穗前的不同冠层组分,而抽穗期的分类效果易受麦穗影响;光谱指数与数学形态学结合的分类方法能较好地消除麦穗对光照/阴影叶片提取的干扰（总体分类精度为97.80%,Kappa系数为0.97,运行时间3.87 min）,该方法的分类精度及运行效率均优于传统分类方法（迭代自组织数据分析算法（Iterative Selforganizing Data Analysis Techniques Algorithm, ISODATA）和最大似然估计（Maximum Likelihood Estimation, MLE））;而且,基于光照和阴影叶片的归一化光谱指数对叶片氮含量最敏感。研究结果可为其他作物冠层组分分类和精准农业中农学参数的定量反演提供技术参考。     

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.