基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究

针对高分辨率遥感影像的城市土地覆被信息提取,根据分类目的与精度要求的不同,分别引入了优化与广义两种面向对象分类方案,并对分类的结果进行分析比较。结果表明:①优化方案的分类结果总体上要比广义方案好,前者的总体精度为86.50%,相比后者的80.50%提高了6.0%,而总体Kappa系数提高了0.0851,但是该方案效率低,可移植性差;②广义方案的分类结果虽然精度略低,但是该方案具有很强的适用性与可移植性,能够在精度可控范围内,很大程度提高分类效率,实现系统而有效的自动分类;③广义方案得到的分类结果具有一致的精度,在利用其建立城市生态模型中能够保证数据之间的系统性与鲁棒性。因此,利用优化方案能够提高分类结果的绝对精度,而广义方案对于实时精确获取城市土地覆被信息、小尺度上定量监测与评价城市化的生态后果以及有效开展城市土地规划与管理具有更重要的意义。     

基于双树复小波分解的Boosting集成学习土地覆被分类研究

近年来,集成学习（Ensemble Learning,EL）分类方法成为土地覆被分类的研究热点,尤其是Boosting集成分类方法具有分类精度高、泛化能力强,在土地覆被分类中得到了显著的应用。但是,Boosting集成分类方法对噪声很敏感,如果训练样本含有噪声时,Boosting算法可能会失效,这是该方法的局限性。为了解决Boosting集成方法在土地覆被分类中存在的问题,有效克服噪声的影响,减少分类结果中的“椒盐”现象和提高分类精度,提出了基于双树复小波分解的Boosting集成学习分类方法。该方法对影像的光谱波段进行一层双树复小波分解,降低图像的噪声,将分解后的各波段作为Boosting集成学习的输入,得到最终的分类结果。实验先后比较了GBDT、XGBoost、LightGBM 3种Boosting集成学习算法在SPOT 6和Sentinel-2A影像上的分类效果。结果表明：①在SPOT 6影像上,3种Boosting集成算法总体分类精度均高于90%;DTCWT-LightGBM分类总体精度最高,达到94.73%,Kappa系数为0.93,比LightGBM总体精度提高了1.1%,Kappa系数提高了0.01;LightGBM分类总体精度比XGBoost分类总体精度提高了1.99%,Kappa系数提高了0.03,比GBDT分类总体精度提高了2.9%,Kappa系数提高了0.04;②在Sentinel-2A影像上,DTCWT-LightGBM分类总体精度最高,达到93.25%,Kappa系数为0.91,比LightGBM分类总体精度提高了1.53%,Kappa系数提高了0.01;LightGBM分类总体精度比XGBoost分类总体精度提高了1.14%,Kappa系数提高了0.02,比GBDT分类总体精度提高了2.53%,Kappa系数提高了0.03;③基于双树复小波分解的Boosting集成学习分类方法,降低了影像的噪音,减少了分类结果中存在的“椒盐”现象,区域一致性更强,提高了分类精度。     

复杂地形区土地利用/土地覆被分类机器学习方法比较研究

针对高海拔复杂地形区地貌类型复杂、多样,沟壑纵横、地形破碎等特点,研究快速、有效的土地利用/土地覆被分类方法对土地利用信息获取及更新是非常重要的。以位于黄土高原向青藏高原过渡带的湟水流域为研究区域,基于Landsat 8 OLI影像数据、DEM数据,并结合各种专题特征,在对研究区进行地理分区的基础上,采用人工神经网络、决策树、支持向量机和随机森林4种机器学习方法进行土地利用信息提取并进行精度评价,探索适合于复杂地形区最优的分类方法。研究结果表明:随机森林和决策树的分类精度明显高于支持向量机和人工神经网络。其中随机森林方法的分类精度最高,总体分类精度达85.65%,Kappa系数达0.84。在上述分类基础上,选择随机森林分类方法对Landsat 8全色与多光谱影像融合数据进行进一步的分类研究,总体分类精度达到86.49%,Kappa系数达0.85。这表明随机森林分类方法在保证分类精度的同时又能获得较高的分类效率,对于复杂地形区土地利用信息提取是非常有效的,数据融合在一定程度上提高了分类精度。     

联合快舟一号影像纹理信息的城市土地覆盖分类

仅依靠光谱信息无法满足高分辨率遥感分类的应用需求,辅之以纹理特征信息进行分类,可提高影像分类精度。利用KZ\|1卫星影像和Landsat\|8卫星影像数据,基于面向对象的影像分割法和灰度共生矩阵纹理分析法对新疆石河子市局部城区进行了地表覆盖分类实验,将不同空间分辨率的全色影像纹理信息、光谱信息构成多种影像特征组合进行分类比较研究,以选择最佳的分类特征集。结果表明:KZ-1影像能为城市区域的土地覆盖分类提供丰富的纹理信息,面向对象的影像分割可较好地利用高分辨率数据的几何结构信息实现优化的影像分割,从而提高多光谱影像的分类精度,总体分类精度为90.06%,Kappa系数为87.93%,比单纯利用光谱信息分类的总体精度提高了8.02%,Kappa系数提高了9.65%,表明KZ\|1数据可为光谱分类提供丰富的纹理信息,从而提高城市区域的土地覆盖分类精度。     

京杭大运河土地利用遥感制图与驱动因子分析

为实现京杭大运河全域环境要素的动态监测与可持续评估，选取2019年、2021年两期Sentinel-2遥感影像，采用植被、水体、建设用地、裸地4个土地利用类型，集成遥感影像特征提取、特征优选和随机森林分类方法，获取了京杭大运河全域地市尺度的土地利用及其变化率专题信息。结果表明：1)2019年影像分类总体精度为97.09%,Kappa系数为0.96,2021年分类总体精度为96.35%,Kappa系数为0.95;2)运河文化景观廊道以植被类型为主导，2019—2021年间建设用地呈现增加态势；同时，德州市的土地利用变化率最低(9.50%),而湖州市的土地利用变化率最高(29.32%);3)土地利用变化率与人均GDP、第一产业和第二产业比重呈现较强的相关性，揭示社会经济对土地利用变化的驱动作用。     

基于MODIS时序数据的澳大利亚土地利用/覆被分类与验证

选取对气候变化敏感的澳大利亚作为研究区,基于MOD13Q1数据,对澳大利亚2000年土地利用/覆被进行分类。通过Savizky-Golay滤波方法构建高质量NDVI时序数据,为分类奠定数据基础。采用了以决策树为主的混合分类方法对研究区土地利用/覆被进行分类,该方法综合利用了ISODATA分类结果、NDVI阈值及其时间序列主成分分析特征量等数据。通过面积对比和空间位置匹配等多角度验证的方法,综合比较MOD12Q1,GLC_2000与本研究的结果,发现本研究的总体分类精度为63.65%,Kappa系数为0.56,较以上两种已有的土地覆盖产品具有一定优势。     

基于航空高光谱影像的额济纳绿洲土地覆被提取

土地覆被分类是生态环境评价、植被变化分析以及区域生态水文过程研究的基础。航空高光谱遥感具有高机动、高空间分辨率和高光谱分辨率等特点,在土地覆被提取方面极具优势。以黑河下游机载高光谱遥感数据为基础,针对额济纳旗胡杨林国家级自然保护区植被单一、景观破碎和异质性强的景观特点,以及高光谱数据量大、冗余度高等数据特点,对比分析最小噪声变换与主成分分析两种降维方法,最大似然法、支持向量机与面向对象3种监督分类方法。依据研究结果,首先利用NDVI区分高光谱遥感数据中的植被与非植被类别,然后采用最小噪声变换分别进行降维处理,最后利用最大似然法对研究区内土地覆被类型进行分类提取,提取结果聚类处理。依据随机验证点结合地面调查数据和正射影像,对土地覆被分类结果进行精度验证,总体精度和Kappa系数分别为87.95%和0.855,表明分类结果精度高,能够为生态研究等提供有效数据。     

基于MODIS—NDVI数据的秦岭中段土地覆被分类

基于地物光谱特征的监督分类一直是用遥感影像解译土地覆被类型的常规方法。基于可见光和近红外波段的光谱反射率构建的NDVI指数的水平高低及时序变化特征对土地覆被类型有高度敏感性和较好的指示性。本文基于时序MODIS-NDVI数据,通过合理选择训练样区对MODIS影象进行监督分类,最终实现对秦岭中部地区各种土地覆被的分类,通过与实地GPS调查数据比较,结果显示分类总体精度达到76．77％,kappa系数为67．22％,分类等级为较好。     

基于光谱角分类器遥感影像的自动分类和精度分析研究

遥感影像是地球表面一定区域景观和覆盖的客观记录和形象显示。选择黑河弱水流域作为自动分类的典型研究区,利用该区域的Landsat 7ETM+遥感影像结合地面实况调查数据,寻找土地利用/覆盖类型自动分类的训练样本,运用光谱角分类方法对ETM+图像进行自动分类。通过分类图像与地面真实样本数据对比分析,获得适用于荒漠地表遥感影像自动分类的可行性方法,并且进一步讨论了混淆矩阵计算的分类误差,研究了以Kappa分析为基础的精度评价。     

基于高分二号数据的面向对象城市土地利用分类研究

利用国产高分二号数据提取城市地物类别的方法研究具有重要的意义。以鸡西市城区作为研究区域,采用高分二号(GF-2)遥感影像为数据源,对影像进行多尺度分割,建立相应地物的分类规则,采用规则集的面向对象分类方法对地物进行分类,并与支持向量机(Support Vector Machine,SVM)监督分类结果进行比较。实验结果发现:利用面向对象方法对城市土地利用分类的总体精度92.52%,Kappa系数为0.91,与SVM方法相比较,有很大的提高,分类效果更加能体现城市地类形状特征。使用面向对象的分类方法对高分二号影像进行分类效果更好,精度更高,基于高分二号数据面向对象分类方法是提取城市土地利用分类的有效方法。     

太湖湖滨敏感区的土地利用遥感分类研究

近年来太湖流域水体污染日趋严重,土地利用是重要的环境变化影响因子,对太湖湖滨敏感区土地利用分类研究具有重要意义。研究基于2010年ALOS多光谱遥感影像,以太湖流域上游的武进港、直湖港流域为研究区,根据研究区实际状况和研究目的,建立太湖流域上游湖滨敏感区的土地利用/土地覆被分类系统,并用于该地区的面向对象遥感分类,研究通过影像的多尺度分割,获得不同层次的影像对象,在不同层次设置对应的分类规则,以充分利用影像中地物的光谱、纹理和不同层对象相互关系等信息,从而提高分类效果。研究表明:在面向对象多尺度影像分割的基础上,基于决策树建立多个分类规则的分类方法,能够有效提取建设用地、道路、水体等几类信息,分类总体精度达到88.00%;同时,该地区主要土地利用类型如耕地、农村居民点和城镇居民点的分类精度也较高,这也表明该分类方法对整个太湖流域以及其他平原河网地区的土地利用相关研究具有一定的实用价值。     

西安城区土地利用/覆被变化及生态效应测评研究

利用两期遥感影像,以ArcGIS9.0和ERDAS8.5为平台分析了西安市2000~2007年间土地利用时空变化过程;并对研究区2000~2007 年间土地利用变化引起的生态效应变化进行了测评;结果表明：7 a间西安城区土地利用/覆被变化显著,综合土地动态度为1.9%,建设用地面积逐年增加,年变化率为3.1%;耕地、未利用地、园地、水体面积有所减少,西安城区的生态系统服务价值从2000年的259.8 ×106元减少到2007年的233.6×106元,共减少了26.2×106元;经证实用遥感与地理信息系统技术研究因土地利用/覆被变化引起的生态响应是一种有效的方法。     

基于面向对象的高分影像分类研究

遥感技术已经成为实现地表信息提取的主要手段。以高分辨率影像为主要数据源,采用面向对象的多尺度分割算法,根据对象的光谱、形状等特征,实现了面向高分遥感数据的土地利用分类算法。该算法结合了面向地物对象和综合对象特征的分类方法,充分发挥了高分辨率影像进行精细地物分类的优势,得到了高精度的分类结果。通过西双版纳纳板河流域国家级自然保护区实例验证表明:该算法总体精度达到88.58%,Kappa系数达到0.77,精度符合应用要求,能够实现土地利用高精度、快速的分类。     

基于遥感的土地利用与覆被分类系统评述及代码转换

根据国土资源部“构建国家级土地利用和覆被变化数据库及服务体系”项目的部分研究内容，简要地评述了国内外最具代表性的基于遥感数据源的土地利用与覆被分类系统——美国1：25万土地利用与土地覆被分类系统、中国科学院土地资源分类系统，并与该项目研制的基于中分辨率卫星影像的国家级土地利用与覆被分类系统进行了比较，给出了分类代码的相互转换关系，以便用户使用和查询。     

结合地籍数据的高密度城区面向对象遥感分类 

利用高分辨率遥感影像和GIS辅助数据,对高密度城区进行面向对象的土地利用覆被分类研究。使用NAIP高分辨率航空遥感影像,在多尺度影像分割的基础上,针对特定地物选择合适的影像分割参数。采用决策树方法建立高密度城市地区的分类规则,并结合该地区地籍图数据作为辅助数据,逐步进行高密度城市地区地物信息提取。利用辅助数据进行面向对象的遥感分类效果优于单纯依靠遥感影像进行的分类,且有效提取了道路和复杂的房屋等信息,得到了理想的分类结果,其总分类精度从常规面向对象方法的84.08%提高到89.79%。利用辅助数据进行遥感分类提高了高分辨率遥感影像的分类精度,说明了利用辅助数据进行遥感分类方法的有效性。     

基于面向对象的遥感影像分类研究——以河北省柏乡县为例

遥感作为提取土地覆盖类型的主要手段对监测土地利用变化和制定国家政策具有重要意义。通过利用影像的光谱、形状和纹理信息,面向对象分类方法能够比基于像元的分类方法提供更高精度的数据。基于高分一号卫星数据提出一种自动计算最优尺度的方法,基于多尺度分割和3种监督型机器学习算法对研究区典型地物类型(农田、裸地、居民区和道路)进行面向对象分类,并用总体精度和Kappa系数对分类结果进行精度评价,分析了分类精度与训练样本占总样本比例的关系。研究表明,面向对象分类方法在训练样本占总样本比例较小的情况下就可以取得较高的分类精度,总体精度高于94%。总体来看,支持向量的分类精度比神经网络和决策树的分类精度高。     

深度学习U-Net方法及其在高分辨卫星影像分类中的应用

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机（SVM, Support Vector Machine）和面向对象的分类方法比较,结果表明：相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。     

基于CNN的吉林一号卫星城市土地覆被制图潜力评估

以吉林一号视频07B星高分遥感影像为基础,采用卷积神经网络（CNN）对城区土地覆被进行精细分类,设置多组光谱变量集合,并与最大似然法、多层感知机和支持向量机分类方法进行对比,全面评估分析各方法对城区土地覆被信息提取的适用性及波谱特征对分类精度的影响。结果表明：CNN模型的分类精度最高,总体精度高于90%,相比其他方法提高幅度达12%以上,能够显著降低“椒盐”噪音;红边波段对所有方法总体分类精度贡献十分有限,而近红外波段对分类精度的提升较为明显;总体而言,红边和近红外波段对CNN分类精度影响较为微弱。深度学习应用于吉林一号高分遥感数据能获取高精度城区土地覆被分类图,可为城市土地资源配置,城市规划与管理提供重要的支撑。     

融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法

遥感影像解译是获得土地利用和土地覆盖（LULC）信息最为重要的途径之一,而自动化分类是提高LULC信息获取效率的关键。实际场景中包含大量不精准的先验知识,提取并融合其中的可用知识能进一步提高影像分类方法的精度、自动化率和规模应用能力。基于上述情况,提出了一种融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法。该方法可自动规避先验知识中的不精准单元,在图斑约束空间内实现了分类样本的自动化区域选择和特征提取,并获得了高置信度知识,然后利用这些分类样本训练深度残差网络,从而实现大区域影像的精确分类。以常州市新北区为例进行实验,选用该区域2009年土地利用现状数据作为先验数据,2014年Landsat 8 OLI影像作为待分类影像。实验结果表明,所提方法可融合不精准先验知识,对大面积连片LULC信息分类精确,主要地类图斑界限准确,全图分类图斑精度达到了88.7%,Kappa系数为0.842。该方法能配合深度学习方法实现高精度Landsat 8 OLI遥感影像分类。     

物候特征辅助下的随机森林宏观尺度土地覆盖分类方法研究

通过遥感技术获取大范围土地覆盖信息对于监测、理解和预测自然资源具有重要的科学意义.MODIS数据是当今宏观尺度土地覆盖研究的主要数据源.本文以河北省为研究区,应用MOD13Q1数据产品,构建MODIS NDVI时间序列,从中反演物候特征作为参与分类的主要辅助信息,并采用随机森林分类方法进行宏观尺度土地覆被分类实验,并与单决策树(CART)进行对比分析.实验结果表明,物候特征辅助下的随机森林宏观尺度土地覆被分类方法的总体精度为87.2％,Kappa系数为0.83,比CART单一决策树精度提高了17.9％;应用物候特征参与分类,使得总体精度提高2.6％;其中,旱地和建筑用地精度分别提高了6.7％和11.9％.