昆明市生态用地信息提取技术比较研究

以Landsat8影像为数据源,采用最大似然法、CART决策树分类法对昆明市生态用地信息进行提取。比较两种分类方法对不同生态用地信息提取的分类精度,结果表明:(1) CART决策树方法更适宜于耕地、未利用地、建设用地信息提取,且总体分类精度高于最大似然法;(2)从地类的空间分布情况上看,CART决策树分类图像的结果多为面状,最大似然法分类结果地物分布细碎。总体来说不同信息提取方法具有各自的优势,在具体应用中,可根据目标地类的波谱特性,选择适宜的信息提取方法。     

基于影像特征CART决策树的稀土矿区信息提取与动态监测

、裸土指数（Bare Soil Index,BSI）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）3种特征信息进行提取,采用基于CART（Classification and Regression Trees）决策树的分类方法对研究区稀土矿开采信息进行识别,分类总体精度达到89.43%,其中矿区分类精度达到88%,分类精度相对于基于光谱信息的CART决策树分类和最大似然分类有明显提高。通过对研究区2013-2016年稀土矿开采区域进行遥感动态监测,发现增加的开采区域主要分布于矿权范围内,减少的开采区域在矿权界限内外均有大量分布,减少幅度达41%,说明政府和相关矿权部门对于稀土行业健康有序发展发挥了重要作用。研究表明：基于影像特征CART决策树的分类方法在稀土矿区信息提取与动态监测方面具有一定的可行性。     

基于影像特征CART决策树的稀土矿区信息提取与动态监测

、裸土指数（Bare Soil Index，BSI）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）3种特征信息进行提取，采用基于CART（Classification and Regression Trees）决策树的分类方法对研究区稀土矿开采信息进行识别，分类总体精度达到89.43%，其中矿区分类精度达到88%，分类精度相对于基于光谱信息的CART决策树分类和最大似然分类有明显提高。通过对研究区2013—2016年稀土矿开采区域进行遥感动态监测，发现增加的开采区域主要分布于矿权范围内，减少的开采区域在矿权界限内外均有大量分布，减少幅度达41%，说明政府和相关矿权部门对于稀土行业健康有序发展发挥了重要作用。研究表明：基于影像特征CART决策树的分类方法在稀土矿区信息提取与动态监测方面具有一定的可行性。     

基于深度学习和高分辨率遥感影像的露天矿地物分类方法

随着深度学习技术的发展,对高分辨率影像的分类已成为当前研究的热点,矿区地物分类更是矿区生态发展研究的重要问题。由于深度学习可以通过提取大量的历史影像数据规律及特征,对影像数据进行自动识别与分类,本研究将采用U-Net网络模型开展高分辨率露天矿区地物类型分类研究。采用高分二号遥感影像数据,勾画样本数据集提取样本数据特征,进行分类模型的训练,对矿区测试集进行测试,探讨深度学习在高分遥感影像上的自动识别能力。结果表明,U-Net模型对露天矿区地物识别的精确率（Precision）、召回率（Recall）、F1分数（F1-score）值分别达到0.86、0.82、0.84,均高于最大似然法、随机森林算法和支持向量机。基于深度学习中的U-Net网络模型可以对露天矿区地物类型进行有效的自动识别,可以为高分露天矿区遥感影像数据的地物分类提供技术支撑,有效实现了露天矿各地物自动识别与分类的能力。本文研究成果可以用于AI在露天矿区遥感分类方面的应用以及对矿区生态环境的监测与修复。     

基于See5.0算法的决策树构建与分类研究

文中以地形较为复杂的济南市长清区为研究区域,综合TM影像的光谱特征、纹理特征与区域内的地形特征、植被特征信息作为样本集的属性值,结合研究区内6种主要地物类型训练数据集,基于See5.0的决策树分类法进行分类实验,并在ENVI中提取土地的利用现状信息.实验结果表明:综合利用不同的特征数据会有效的提高分类精度;See5.0和ENVI相结合可以高效、高精度地、客观地实现土地覆盖分类,是基于知识的遥感影像分类的有效的方法.     

基于高分一号卫星遥感影像的城市绿地提取对比研究

针对目前面向对象方法在高分辨率遥感影像中提取绿地专题信息的特点,文中提出一种利用高分辨率遥感影像提取城市区域范围绿地信息的方法,结合K-T变换和ICA变换,根据地物的遥感影像特征、光谱特征信息和基于阀值的分类技术进行有效波段最优组合及地物分类,从而大幅提高了绿地专题信息提取的精度。研究中提出本方法和基于NDVI的典型绿地提取方法的提取结果进行精度评价,实验结果证明,在城市区域范围尺度上,该方法计算简便且实现了94.97%的高精度和总Kappa系数为0.919 5的评价结果。     

基于Quickbird数据的土地覆盖类型分形特征研究

分形维数可以有效地描述复杂纹理特征,传统的遥感自动分类主要利用数据的波谱特征信息,很难充分有效的利用遥感影像的纹理信息。近年来,随着高分辨率遥感数据的广泛使用,如何量化纹理特征,根据不同地物的纹理信息进行地物的分类等问题引起很多学者的关注。在对比不同边缘提取算子提取效果的基础上,对4种典型土地覆盖类型的Quickbird数据进行边缘提取,并在MATLAB平台下计算影像样本盒维数,通过对比发现这些土地覆盖类型盒维数差异显著,在此基础上提出利用分形维数对遥感影像的纹理信息进行量化,从而利用影像纹理信息对不同土地覆盖类型进行有效区分。     

基于分区决策树的乌达煤田土地覆被分类研究

精确的土地覆被分类结果是研究煤田火区生态环境变化的基础。本文基于Landsat8卫星遥感数据,依据地形特征、主体地物类型以及辐射特征,将乌达煤田分为五个子区。利用多光谱特征、高程、坡度和热辐射特性构建决策树模型,并分区实现土地覆被分类。分类结果表明,与传统决策树分类法相比,基于决策树法的分区分类方法总体分类精度提高了14.75%,Kappa系数增加了0.17,其准确性有了较大的提高。     

煤矿区无人机影像采动地裂缝提取方法研究

为及时、准确地识别出煤矿区采动地裂缝,避免次生地质灾害发生和恢复煤矿区土地生态环境,以陕西省榆林市神木县西北部柠条塔煤矿采煤工作面裂缝发育区为研究区,基于低空无人机遥感影像,结合实地查勘,构建面向对象监督分类模型方法,开展地表采动裂缝提取方法研究。首先,借助ESP(Estimation of Scale Parameter)最优尺度评价工具得到候选分割参数,结合目视解译快速确定最优分割参数,得到裂缝、植被等影像对象;利用特征空间优化工具从24个初始特征集中确定15个优化特征参数构建优化特征集;在此基础上结合支持向量机(SVM, Support Vector Machine)、K最近邻(KNN, K Nearest Neighbor)、随机森林(RF, Radom Forest)、朴素贝叶斯(NB, Naive Bayes)多种机器学习分类器模型,试验分析得出：地物的分类效果和分类精度具有一致性,SVM分类方法总体效果最好,在4个易错分区域中表现最好,误分小斑块数量最少,总体分类精度达到88.97%,Kappa系数到达0.849,裂缝提取精度F1值达到87.87%,Kappa系数达到0....     

露天石灰岩矿开采范围信息自动提取研究

以唐山市的露天石灰岩矿为研究对象,Landsat遥感影像作为基础数据,使用面向对象的方法,选择多个分割尺度生成不同的影像对象层,确定适用于露天石灰岩矿分类的光谱特征、空间特征、层次关系特征,并构造特征空间,运用最近邻模糊分类算法进行石灰岩矿山开采范围信息提取。结果表明该方法能够充分利用地物样本特征并避免固定阈值的缺陷,提高露天石灰岩矿开采范围信息提取的精度以及自动化程度。     

浅论基于面向对象的遥感图像分类

传统的基于像素的统计特征的分类方法在处理高分辨率影像的分类问题上遇到了很大的困难.介绍了面向对象与基于像素的分类方法,探讨了基于面向对象的遥感影像的模糊分类方法在地物分类中的新思路.并且通过了展示利用ecognition进行的的一个分类实例,阐述了面向对象的模糊分类技术的软件应用.     

基于CART算法的煤与瓦斯突出判别分析

基于分类回归决策树(CART)算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出判别的CART模型。模型选择瓦斯压力、瓦斯放散初速度、煤的破坏类型、坚固性系数和垂深作为煤与瓦斯突出的判别指标体系,选取国内典型煤与瓦斯突出矿井的突出数据建立模型样本训练库,利用k-折交叉验证方法寻找最优树,并提取优化后的突出规则,最后将提取的规则对实例进行验证。研究表明,该模型简单有效,可以作为煤与瓦斯突出判别分析的一种辅助方法。     

基于深度学习的无人机影像建筑物自动提取

在无人机影像建筑物自动提取过程中,传统地物分类算法其精度已无法满足生产过程中的分类要求。为此,文章提出以深度学习技术结合条件随机场应用于无人机影像建筑物的自动提取方法。首先利用基于残差模块的卷积神经网络对图像进行特征提取,然后利用全卷积对图像进行反卷积,恢复图像特征。基于初步分类结果,利用条件随机场模型进行边缘细化。通过对实验结果进行分析,验证了该算法应用于无人机影像建筑物自动提取的可行性。     

基于高分辨率遥感影像的城市道路提取方法研究

高分辨率遥感影像为用户提供了丰富的地表细节信息,如何利用图像分析技术从高分辨率遥感影像中进行目标提取,更新地理信息数据库,成为遥感信息处理研究的热点.采用面向对象分类法进行城市道路提取方法研究.首先,对影像进行分割获取影像对象,再通过对影像中道路特征的分析,利用影像对象的光谱特征、几何特征和空间关系建立知识库,最后,利用知识库中的规则来提取影像中的道路.以厦门某城区高分辨率影像进行了道路信息的自动提取实验,其面积一致性总体精度为88% ,形状一致性总体精度为90.13%.结果表明,面向对象法对于城市道路的提取和更新应用,具有一定的实际意义和推广性.     

基于CART决策树数据挖掘算法的应用研究

分类与回归树CART算法是数据挖掘技术中重要的算法。依据CART算法理论,采用类型变量求解决策树,并引入优化的分裂函数,然后利用基于类型变量的论域划分创建二叉树,抽取和筛选预测准则,从而为职能部门决策提供科学而可靠的依据。最后以贵州师范大学教学与管理中的数据,给出算法的应用实例。     

基于影像特征随机森林的自然保护区矿区动态监测

获取矿区地物的变化是监测矿山活动有效手段之一,以贺兰山国家自然保护区为研究区,选用Landsat-8OLI多光谱遥感影像,通过分析矿区地物光谱信息特点,选取纹理特征、归一化差分植被指数NDVI、改进归一化差异水体指数MNDWI和归一化差值土壤指数NDSI 4种特征信息,采用随机森林分类方法,对研究区地物覆盖物信息进行识别,分类整体精度和Kappa系数分别为92.35%,0.91,分类精度较基于传统随机森林分类和支持向量机分类有明显提高。通过对研究区2016—2019矿业权内进行动态监测。结果表明:①通过图斑提取发现自然保护区内存在越界开采、无序开采及乱采滥挖等情况;②开采场面积增加的区域主要分布在矿业权范围内,减少的开采场面积在矿业权界内外均有分布,减少幅度达56.34%,说明相关矿业部门对矿山管理起到积极作用。基于影像特征的随机森林的分类方法在自然保护区地物覆盖信息提取和动态监测中具有一定可行性。     

引入SPP的高分辨率遥感影像深度学习分类方法

当前,深度学习技术与传统的面向对象技术相结合的分类方法已经较好地应用于高分辨率遥感影像的分类任务当中,但是仍存在如下问题:高分辨遥感影像地物目标复杂,依靠单一数据源进行分割效果不佳;标准的卷积神经网络只能接受固定尺寸大小的输入,分割对象在拉伸变形至固定尺寸的过程中会造成信息的损失.该文首先结合DSM数据进行协同分割,获得更佳的分割结果;然后将空间金字塔池化层(Spatial Pyramid Pooling,SPP)引入卷积神经网络中,构建了一种能接受任意尺寸输入的深度学习面向对象分类模型,从而令分割对象的特征表达更完整,以提高影像分类精度.实验结果表明:引入空间金字塔池化层的高分辨率遥感影像深度学习分类方法,可有效提高影像分类精度,进而得到更加真实可靠的分类结果.     

基于ENVI的决策树方法在土地利用分类中的应用

以陕西省榆林市神木县北部神府东胜矿区为研究区,利用Landsat ETM影像,在ENVI软件的支持下,分析了影像的光谱特征及NDVI,NDBI,NDWI特征值,并对影像进行缨帽变换,确定各地类的综合阈值,建立决策树模型,得到分类结果,并且评价了决策树分类在遥感数据分类中的作用。     

TM图像的矿区土地资源分类体系的建立与信息提取

以多时相TM图像为数据源，分析矿区土地资源的主要演变形式，参考国家标准分类体系，提出了适合于沈阳矿区的土地资源监测分类体系.结合前人的研究成果，分析地物在TM图像上的灰度变化、空间关系及结构变化，对矿区水体、建设用地、绿地和耕地、塌陷地分别进行了模型提取研究.并采用GIS支持下的分层变化信息提取方法，通过建立知识及决策树模型对信息进行变化检测，检测结果完全能够满足对矿区土地资源演变分析的精度要求，且均采用半自动的提取模型与知识决策树提取方法，简单易行，方便GIS数据管理与分析.     

采煤沉陷次生湿地土地利用变化及驱动力分析

以具有百年开采历史的某矿采煤沉陷次生湿地为研究对象,选用1993年、2000年、2007年、2009年及2013年5个时相Landsat TM遥感影像为数据源,采用基于监督分类的多层次遥感信息提取方法获取了土地利用类型分类,分析了各时相不同土地利用类型面积变化特征及土地利用类型间空间转换特征,对研究区各时段土地利用变化的驱动因素进行探讨。结果表明研究区土地利用变化的驱动力主要是人为因素对其产生的扰动。