基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：①使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;②从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;③采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。     

基于改进决策树分类算法的遥感影像分类研究

针对现有分类器对遥感影像分类结果存不准确的问题,本文提出了一种基于决策树分类器的遥感影像分类方法,该方法以复合决策树Boost Tree思想为基础,首先利用分形理论中的毯模型提取遥感影像的纹理特征,根据遥感影像分类的特点,构造新的单棵决策树生成算法对遥感影像进行分类。以北京市五环内区域为研究区,使用landsat7 ETM数据源,实现了基于分形纹理特征、光谱特征的改进决策树分类。实验结果表明：通过毯模型提取的纹理特征可以很好地表达表面特征,辅以该纹理信息的改进决策树分类精度相比于只用光谱信息进行分类的精度有一定的提高,改善了分类效果。     

基于压缩数据维的城市建筑用地遥感信息提取

通过压缩数据维的方式，研究城市建筑用地信息准确提取的原理和方法。通过对城市土地利用类型的分析，选取了归一化差异建筑指数、修正归一化差异水体指数和土壤调节植被指数来代表城市建成区的3种最主要地类——建筑用地、水体和植被。通过将ETM 影像原有的7个波段压缩为由它们衍生的这3个采用比值运算构成的指数波段，大大压缩了数据维数、减少了数据的相关度并降低了不同地类的光谱混淆性。因此采用简单的最大似然分类和掩膜处理技术，就可以将城市建筑用地信息提取出来，其精度可达91．2％。     

基于影像融合和面向对象技术的植被信息提取研究

高分辨率影像具有丰富的光谱信息和空间信息。采用不同的图像融合技术融合GeoEye影像全色波段和多光谱波段,用建立的参考多边形和对应多边形残差法评价分割质量,以确定研究区各地物类型的最优分割参数组合,选择目标地物分类特征,建立分类规则,在此基础上实现研究区内不同地物类型的面向对象信息提取。结果表明:Gram-Schmidt(GS)融合法具有最优的融合效果,所选特征能够很好地实现目标地物信息提取,并且具有明确的地学意义,面向对象信息提取总体精度达到90.3%,Kappa系数为0.86,该研究为高精度植被信息的提取提供了有效的方法。     

提高森林覆盖区积雪提取精度的方法研究——以玛纳斯河流域为例

森林覆盖区积雪的提取精度很低,由于植被冠层的遮挡,冠层下的积雪很难被提取出来。基于Landsat 8OLI数据,针对玛纳斯河流域下游有大面积森林覆盖的特点,通过传统的积雪指数法,结合NDVI数据的积雪指数法和面向对象图像特征法分别提取积雪面积。结果表明:1传统的NDSI和S3积雪指数法无法较好地提取出森林覆盖下的积雪,提取精度分别为85.23%和87.54%。这两种方法适用于空间尺度较大、植被覆盖面积较大的区域,并不适合所选研究区;2结合NDVI数据后的NDSI、S3积雪指数模型能大大提高森林覆盖下的积雪面积,提取精度分别达到91.47%和90.60%。在影像空间分辨率较高,流域尺度较小,林区覆盖较多的情况下可采用此方法提取积雪;3随着海拔的升高,地形阴影影响逐渐增大,NDVI辅助积雪指数方法提取林区覆盖下积雪面积逐渐减小。因此采用光谱、纹理和空间信息结合的面向对象图像特征方法提取积雪,能够较好地识别出受地形影响下的雪像元,精度达到89.75%,可以满足实际应用的需求。     

基于Landsat 8卫星影像的北京地区土地覆盖分类

目的 土地覆盖分类能为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术运用于土地覆盖分类具有诸多优势。作为区域性土地覆盖分类应用的重要数据源,Landsat 5/7的TM和ETM+等数据已逐渐失效,Landsat 8陆地成像仪(OLI)较TM和ETM+增加了新的特性,利用Landsat 8数据进行北京地区土地覆盖分类研究,探讨处理方法的适用性。方法 首先,确定研究区域内土地覆盖分类系统,并对Landsat 8多光谱数据进行预处理,包括大气校正、地形校正、影像拼接及裁剪;然后,利用灰度共生矩阵提取全色波段纹理信息,与多光谱数据进行融合;最后,使用支持向量机(SVM)进行分类,获得土地覆盖分类结果。结果 经过精度评价和分析发现,6S模型大气校正和C模型地形校正预处理提高了不同类别之间的可分性,多光谱数据结合全色波段纹理特征能有效提高部分地物的土地覆盖分类精度,总体精度提高2.8%。结论 相对于Landsat TM/ETM+数据,Landsat 8 OLI数据新增特性有利于土地覆盖分类精度的提高。本文方法适用于Landsat 8 OLI数据土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求。     

基于光谱归一化的变组分光谱混合分析(NMESMA)方法及其应用

混合像元问题在低、中分辨率遥感图像中尤为突出,混合像元的存在不仅会影响地物识别和图像分类精度,也是遥感科学向定量化发展的主要障碍之一。因此,遥感图像混合像元分解及其地表覆盖信息的定量提取是近年来研究的热点。针对城市土地覆盖信息的定量提取问题,利用中等分辨率遥感图像(Landsat TM),集成光谱归一化与变组分光谱混合分析(NMESMA)的方法,基于植被-非渗透表面-土壤(V\|I\|S)模型,定量提取研究区植被、土壤和非渗透表面3类土地覆盖的定量信息,并与固定组分的光谱混合分析(LSMA)分解结果进行对比分析。结果表明:基于光谱归一化的变组分光谱混合分析(NMESMA)方法获得的精度高于传统固定组分的光谱混合分析(LSMA)结果,可有效解决光谱异质性较高的城市区域的混合像元问题,为有效提取城市地表覆盖信息,研究城市生态环境变化和模拟分析,提供了有效的信息提取方法。     

双卷积池化结构的3D-CNN高光谱遥感影像分类方法

目的 高光谱遥感影像数据包含丰富的空间和光谱信息,但由于信号的高维特性、信息冗余、多种不确定性和地表覆盖的同物异谱及同谱异物现象,导致高光谱数据结构呈高度非线性。3D-CNN（3D convolutional neural network）能够利用高光谱遥感影像数据立方体的特性,实现光谱和空间信息融合,提取影像分类中重要的有判别力的特征。为此,提出了基于双卷积池化结构的3D-CNN高光谱遥感影像分类方法。方法 双卷积池化结构包括两个卷积层、两个BN（batch normalization）层和一个池化层,既考虑到高光谱遥感影像标签数据缺乏的问题,也考虑到高光谱影像高维特性和模型深度之间的平衡问题,模型充分利用空谱联合提供的语义信息,有利于提取小样本和高维特性的高光谱影像特征。基于双卷积池化结构的3D-CNN网络将没有经过特征处理的3D遥感影像作为输入数据,产生的深度学习分类器模型以端到端的方式训练,不需要做复杂的预处理,此外模型使用了BN和Dropout等正则化策略以避免过拟合现象。结果 实验对比了SVM（support vector machine）、SAE（stack autoencoder）以及目前主流的CNN方法,该模型在Indian Pines和Pavia University数据集上最高分别取得了99.65%和99.82%的总体分类精度,有效提高了高光谱遥感影像地物分类精度。结论 讨论了双卷积池化结构的数目、正则化策略、高光谱首层卷积的光谱采样步长、卷积核大小、相邻像素块大小和学习率等6个因素对实验结果的影响,本文提出的双卷积池化结构可以根据数据集特点进行组合复用,与其他深度学习模型相比,需要更少的参数,计算效率更高。     

QuickBird卫星图像信息识别

信息识别是目前高分辨率遥感应用中的最大障碍。以株洲市Qu ickB ird图像为研究对象,将研究区分为道路、水、林地、农用地、裸露地和居民点6种地类,分别进行目视判读、计算机监督分类和非监督分类,其精度分别为98.2%、72.64%和60.71%。同时,还对研究区内的Qu ickB ird、ETM+和TM图像进行计算机监督和非监督分类对比,结果表明无论是监督分类还是非监督分类,Qu ickB ird图像的分类精度均低于ETM+和TM图像,这说明空间分辨率的提高对传统的计算机分类结果没有改善,传统的基于像元的分类技术在应用于Qu ickB ird图像时表现出严重的缺陷。因此,本文回避了像元灰度统计法,采用先将图像分割,将以像元为基础的Qu ickB ird图像转化为以对象为基础的图像,这样将研究区共分割出10 000多个对象,建立对象的面积、周长、长度、宽度、长/宽、矩形度和圆形度计算模型;根据研究区各地类特征确定特征因子阈值,模拟目视判读过程,重新对研究区进行分类,结果6种地类的综合分类精度达到91.6%,这说明基于对象的多特征分类对于Qu ickB ird图像识别有明显的改善作用。     

高光谱图像小样本分类的卷积神经网络方法

目的 与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法 通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果 5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论 本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。     

基于ETM+影像的矿化蚀变区植被信息提取研究

植被在遥感影像上成像具有复杂性和不确定性,这使得利用遥感技术提取植被信息具有很大的难度。利用数据资源丰富的ETM+影像数据对新疆西天山矿化蚀变区的植被进行提取研究,目的是为进行下一步的矿化蚀变信息提取做准备。为保证在提取植被信息后能较好地保留矿化蚀变信息,在认真分析了植被和矿化蚀变的光谱特征后,提出采用“面向特征的主分量分析+最优密度分割”法,最后得出采用ETM+波段3和波段4组合的方式能够取得较好的效果,该方法具有一定的适用性。     

基于多时相遥感观测的板栗林分布提取研究

板栗林在欧亚、北美等地广泛分布,具有良好的生态价值和经济效益。我国板栗产量居世界首位,是重要的经济树种。使用遥感影像建立板栗林空间分布提取方法能够为其科学管理和高效经营提供定量数据,但树种分类是遥感分类的难点,并且针对板栗林的遥感提取研究较少。以河北省宽城满族自治县为研究区,结合MODIS高时间分辨率特征和Landsat数据较高空间分辨率的特征,研究板栗林提取的最佳时相以及分类特征,并采用多时相观测基于支持向量机算法实现板栗林的提取。结果表明：①4月至6月各地类光谱差异最大,是板栗林提取的关键物候期;②蓝、绿、红、近红外和短波红外波段地表反射率是分类的有效波段,NDI、NDVI、NDWI、RSI和RVI等植被指数增强了植被信息,是板栗林提取的有效分类特征;③单一时相板栗林分类中,生长季前期6月精度最高,生长季后期9月次之,非生长季1月分类结果较差;④结合生长季6月、9月和非生长季1月遥感影像的分类精度最佳,板栗林制图和用户精度分别为89.90%和87.25%。与林业局板栗林面积统计数据相比,精度可达93.45%。     

基于随机森林的高光谱遥感图像分类

为了充分利用高光谱图像的光谱信息和空间结构信息,提出了一种新的基于随机森林的高光谱遥感图像分类方法,首先,利用主成分分析降低数据的维数,并对主成分进行独立成分分析提取其光谱特征,同时消除像元的空间相关性,再采用形态学分析提取像元的空间结构特征,然后,根据像元的谱域和空域特征分别构造随机森林,并引入空间连续性对像元点的预测结果进行约束修正,最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明,所提方法的分类性能要优于传统的高光谱图像分类方法,且分类精度高于基于单一特征的方法。     

基于地物光谱季节曲线特征的毛竹林分布提取

毛竹是我国南方广泛分布的重要竹种,具有良好的生态效益和经济价值。毛竹林与其他森林区分难度大,现有提取方法多直接采用已有的晴空观测,未充分考虑分类时相的影响,限制了提取精度。以浙江省庆元县为例,从地物光谱的季节曲线特征入手,利用MODIS高时间分辨率观测充分挖掘各植被类型光谱季节曲线特征和差异,结合多时相Landsat OLI影像进行分类实验,优选毛竹林与其他植被区分度最大的季相,并采用随机森林方法实现了毛竹林分布的有效提取。结果表明：①初、中秋是区分研究区毛竹林与其他植被的最优时相,夏季次之,春季与冬季较差;②当初、中秋无晴空影像时,结合夏冬季影像的毛竹林提取精度最佳,用户和制图精度分别达到85.57%和78.06%;③10月影像提取毛竹林分布精度最高,用户和制图精度分别达到89.00%和86.91%,与当地森林资源调查数据相比精度优于89.23%。实验表明：在类似亚热带地区毛竹林提取中,应优先选择秋季初、中期影像;若此时期无晴空观测,应优先采用夏季与冬季影像共同分类。     

地质灾害调查中ETM+与SPOT-5 Pan融合方法比较

ETM+与SPOT-5Pan融合影像含有丰富的光谱信息和空间结构信息,是地质灾害调查的理想数据源。但ETM+多光谱图像与SPOT-5 Pan图像空间分辨率相差悬殊,直接融合可能导致融合影像色彩模糊、色调不和谐等问题;若将ETM+与其全色融合后再与SPOT-5 Pan融合,如果融合方法不当亦会造成光谱信息的过多损失。通过采用IHS、Brovey、PCA和Gram-Schmidt变换分别对ETM+和SPOT-5 Pan按上述两种途径进行直接和间接融合,采用主观评定以及光谱剖面分析对融合影像进行了评价,从而筛选出适合于地质灾害调查的ETM+与SPOT-5 Pan融合方法。     

3D卷积自编码器高光谱图像分类模型

目的 高光谱图像分类是遥感领域的基础问题，高光谱图像同时包含丰富的光谱信息和空间信息，传统模型难以充分利用两种信息之间的关联性，而以卷积神经网络为主的有监督深度学习模型需要大量标注数据，但标注数据难度大且成本高。针对现有模型的不足，本文提出了一种无监督范式下的高光谱图像空谱融合方法，建立了3D卷积自编码器（3D convolutional auto-encoder，3D-CAE）高光谱图像分类模型。方法 3D卷积自编码器由编码器、解码器和分类器构成。将高光谱数据预处理后，输入到编码器中进行无监督特征提取，得到一组特征图。编码器的网络结构为3个卷积块构成的3D卷积神经网络，卷积块中加入批归一化技术防止过拟合。解码器为逆向的编码器，将提取到的特征图重构为原始数据，用均方误差函数作为损失函数判断重构误差并使用Adam算法进行参数优化。分类器由3层全连接层组成，用于判别编码器提取到的特征。以3D-CNN （three dimensional convolutional neural network）为自编码器的主干网络可以充分利用高光谱图像的空间信息和光谱信息，做到空谱融合。以端到端的方式对模型进行训练可以省去复杂的特征工程和数据预处理，模型的鲁棒性和稳定性更强。结果 在Indian Pines、Salinas、Pavia University和Botswana等4个数据集上与7种传统单特征方法及深度学习方法进行了比较，本文方法均取得最优结果，总体分类精度分别为0.948 7、0.986 6、0.986 2和0.964 9。对比实验结果表明了空谱融合和无监督学习对于高光谱遥感图像分类的有效性。结论 本文模型充分利用了高光谱图像的光谱特征和空间特征，可以做到无监督特征提取，无需大量标注数据的同时分类精度高，是一种有效的高光谱图像分类方法。     

基于遥感光谱和空间变量随机森林的黄河三角洲刺槐林健康等级分类

对刺槐林健康状况进行准确分类制图,是进行刺槐林健康状况评估与生态修复的前提。以高分辨率IKONOS影像、基于影像提取的不同窗口、不同灰度共生矩阵纹理信息以及反映局部空间自相关的Local Getis-Ord Gi(Getis统计量)为数据源,结合实测生态样方数据,利用多决策树的组合分类模型随机森林(RF)对刺槐林健康进行分级,对6种方法的分类精度进行了比较且对分类变量的重要性进行了排序。结果显示:19m×19m是最佳纹理计算窗口;灰度共生矩阵均值是最优纹理变量;基于波段4计算的Getis统计量对RF分类具有最重要的作用;较之利用全部光谱、纹理和Getis统计量的80个波段/变量,利用前向选择得到的前16个重要性变量进行RF分类,获得了最高的分类精度(总精度为93.14%,Kappa系数为0.894)。研究证实了从高分影像提取的空间特征信息有助于提高对具有规则分布格局的人工刺槐林健康等级的分类精度;前向选择方法可以利用较少的预测变量获得较高的分类精度。     

Topographic normalization for improving vegetation classification in a mountainous watershed in Northern Thailand

Land cover classifications are adversely affected by shading or topographic effects in mountainous areas in that the spectral properties of an entity in the shade appear to be different from those of the same entity in a sunlit area. Topographic effects can make it especially difficult to distinguish different successional stages of vegetation. The current work uses a simplified topographic normalization method to reduce the topographic effect and to improve land cover classification in a mountainous watershed in northern Thailand. Data used in the study were two Landsat 7 Enhanced Thematic Mapper Plus (ETM+) images acquired on 5 March 2000 and 7 February 2002, a digital elevation model, and Global Positioning Systems (GPS) ground truth data collected in July 2002 consisting of geographic location (latitude/longitude), feature information and ground reference photographs. A supervised land cover classification was conducted on original and normalized images. In general, the classification accuracy of the different successional stages of vegetation was improved in the normalized images.     

Feature extraction for high-resolution imagery based on human visual perception

Feature extraction is highly important for classification of remote-sensing (RS) images. However, extraction of comprehensive spatial features from high-resolution imagery is still challenging, leading to many misclassifications in various applications. To address the problem, a shape-adaptive neighbourhood (SAN) technique is presented based on human visual perception. The SAN technique is an adaptive feature-extraction method that not only considers spectral feature information but also the spatial neighbourhood as well as the shape of features. The distinct advantage of this approach is that it can be adjusted to different feature sizes and shapes. Assessment experiments on a Système Pour l'Observation de la Terre 5 (SPOT-5) image were conducted to perform classification of land use/land cover. Results showed that improvement with SAN features is not significant for supervised classifiers due to the spectral confusion problem that resulted from similar spectral signatures between farmland and green areas, but a particularly significant improvement is observed for the unsupervised classifier. For the unsupervised classification, the SAN features noticeably improved the overall accuracy from 0.58 to 0.86, and the kappa coefficient from 0.45 to 0.80, indicating promise in the application of SAN features in the auto-interpretation of RS images.     

一种基于植被指数的遥感影像决策树分类方法

以江苏省徐州市为研究区,采用2000年ETM+多光谱影像作为遥感信息源,选择影像的光谱特征和归一化植被指数（NDVI）、绿度植被指数（GVI）、比值植被指数（RVI）等10种植被指数作为分类特征,基于See5决策树学习软件构建分类决策树,实现了研究区景观格局的遥感分类。研究结果表明,决策树分类法易于综合多种特征进行遥感影像的分类,植被指数参与到决策树分类中能够提高分类的总体精度。