Landsat8卫星影像的多子区决策树土地覆被分类方法

乌达矿区的煤火自燃造成了严重的环境、经济和安全灾害, 对该地区的土地覆被变化研究有助于评估煤火灾害的影响程度和范围, 而Landsat8 卫星影像为煤火区的土地覆被分类探测与研究提供了可能。依据乌达地区的地形、地貌和地表辐射特征划分5个子区域, 基于通用单决策树模型, 利用光谱特征分析、高程、坡度和热红外信息对每个子区域分别构建5种不同参数的决策树模型。相比通用单决策树模型以及其他4种普通分类方法, 因减少了土地覆被的混淆度, 多子区决策树模型土地覆被分类的整体精度和Kappa系数更高, 分别达到87.63%和0.86, 尤其是建筑物和煤灰的分类精度有较为明显的提升。     

基于局部气候分区的土地覆被变化时空分析

长三角生态绿色一体化示范区位于江苏省、浙江省和上海市的交界处,在长三角一体化进程中发挥着重要作用。为了探究示范区自2008年以来的土地覆被变化及其驱动力,结合2008年的Landsat-5 TM光学影像和双极化PALSAR数据以及2020年的Sentinel-2 MSI多光谱光学影像和双极化PALSAR-2数据,采用局部气候分区(Local Climate Zone, LCZ)分类体系以及随机森林分类方法分别对2008年与2020年示范区进行了土地覆被分类。结果表明,2008~2020年,示范区的建设用地面积显著增加。其中,开阔高层建筑的增幅最为明显,从2008年的12.23 km²增加到2020年的361.26 km²;而低矮植被面积大量减少,从2008年的535.92 km²锐减到2020年的197.26 km²;茂密树木、灌木和矮树均有所减少。土地覆被变化的主要驱动因素为城市扩张、棚户区改造、人口增长以及产业结构优化。本文不仅可为城市化进程中城郊的土地覆被变化研究提供参考,而且还可为推动长三角生态绿色一体化发展示范区建设以及长三角一体化提供决策依据。     

基于星载激光雷达与多光谱影像结合的土地覆盖分类方法

针对全波形激光雷达和多光谱数据下土地覆盖误分类问题,提出了融合陆地卫星（Landsat）多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查（GEDI）数据进行土地覆盖分类的方法。首先,根据实地调查数据建立数据集;然后,采用支持向量机（SVM）方法来实现激光雷达足迹的土地覆盖分类;最后,对土地覆盖的分类结果进行评价。结果表明,在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%,相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。     

长春市土地利用时空转型及其生态环境响应

土地利用转型是影响生态环境变化的重要因素,研究选用长春市2001、2011和2021年3期高分辨率土地利用数据,通过土地利用转移矩阵和土地利用动态度分析土地利用格局时空变化,基于生态环境质量指数和生态贡献率指标,探讨长春市生态环境对土地利用转型的响应。研究结果表明：(1) 2001—2021年间耕地和建设用地是长春市发展所需的重心土地利用类型,耕地面积呈先增后减趋势,占比始终在75%以上,建设用地面积持续增长;草地、水域和未利用土地面积呈不同程度的下降趋势;林地维持自身生态平稳,变化较小;地类间的转换,以耕地和草地两种类型最为明显。(2) 20年间,中心城区的低质量区范围逐渐扩大,次中心城区的低质量区范围略有减少。2011—2021年间,长春市生态环境质量下降速度较2001—2011年间减慢,生态环境改善面积增加,但整体生态环境质量变化幅度不大。(3) 2001—2021年间长春市部分草地荒废、水域被破坏,生态问题较为严峻。虽然国家退耕还林还草等生态政策的落实对城市生态环境质量有所改善,但其恶化趋势仍始终高于改善趋势。研究结果可为长春市土地空间格局优化、生态环境改善提供科学依据。     

基于CA-Markov模型的南京市热环境格局演变及预测分析

基于Landsat5 TM和Landsat8 OLI/TIRS数据,利用辐射传输方程法反演南京市地表温度,结合景观格局指数进行热环境格局 演变分析,并利用CA-Markov模型预测了2024年南京市热环境变化。结果表明,2000~2017年南京市高温区面积增加了456.55 km², 增幅为149.75%,中温区、低温区及次低温区面积呈现持续减少的趋势;在斑块类型水平上,高温区斑块在热力景观格局中的 优势度在迅速上升,2000~2010年热岛高温区斑块破碎度下降,斑块复杂程度降低,而2010~2017年则与之相反。 在景观水平上,南京市热力景观格局破碎程度降低,各类型斑块面积趋于均匀化,斑块间聚集程度增加。基于CA-Markov模型 模拟的2017年南京市热环境空间分布具有较高的精度,各热岛类型平均误差小于6%,模型总体Kappa系数为78.36%。 2024年南京市热环境的预测结果表明,2024年南京市热岛高温区及次高温区面积分别增加了94.96 km²、126.91 km², 中温区、次低温区及低温区面积延续了减少的趋势。     

基于Landsat8的保定清苑区土地利用分类研究

以保定市清苑区为研究对象,使用Landsat8数据分析各种土地利用类型的影像特征,进行土地利用分类研究。通过目视解译和高清网络地图,建立土地利用种类的训练样本来进行监督分类,通过计算样本的可分离性确定了最终的训练样本来进行分类,并用验证样本对分类结果进行精度评价。     

青海湖地区草地退化现状分析

青海湖地区的退化草地主要分布在湖周,重度退化草地主要为鸟岛、湖东沙地和开垦为耕地和居民地的区域。中轻度退化草地面积湖西岸大于东岸,湖北岸大于南岸。总体来看,青海湖周边退化草地在气候变暖的大环境下,不同程度的退化草地都受到超载过牧、盲目垦荒和人为滥伐等因素的影响,人类活动使得草地退化的速度加快。     

典型遥感影像分类方法适用性分析

分类技术是从遥感影像数据中提取信息必不可少的步骤,选择合适的分类器对提高分类精度至关重要,针对特定的研究如何选择适合的分类算法是一个亟需研究的问题。以北京市中心诚区中某一区域为研究区,应用“高分一号”（GF-1）数据和Landsat 8数据,分别采用最常用且分类精度相对较高的监督分类中的最小距离法、最大似然法、支持向量机法,将研究区分为林地、草地、水体、裸土、建筑物5种类型,并对分类结果进行空间分布、面积、精度三个方面的比对分析。结果表明,分类算法的选择主要取决于研究区的地物特点,其中最小距离法应用于植被覆盖面积较大的区域时精度较高,最大似然法适合于分类建筑物较多的区域,支持向量机法对各类地物的分类具有较高的普适性。     

基于智能生态细胞的遥感信息提取方法

提出了一种基于智能生态细胞的遥感信息提取方法.该方法综合了作物的物候特征、光谱演化特征和空间相关性的反馈信息,融合了元胞自动机、模糊推理和BP神经网络智能计算思想.以2009年多时相Landsat7 ETM遥感影像作为数据源,进行了基于智能生态细胞的烤烟种植面积监测.监测结果表明,该方法可以有效提高遥感信息提取精度,具...     

温州市三垟湿地遥感动态检测与景观分析

以三垟湿地为研究区,基于2013—2021年间Landsat、Sentinel-2遥感影像,分析影像光谱特征,构建基于光谱、纹理、指数的特征数据集,通过支持向量机、随机森林、极限学习三种不同分类器的比较明确适用于研究区的解译方法,得到研究区内三垟湿地土地分类图,并计算了土地利用动态度,分析了三垟湿地自生态修复开始的土地...     

基于遥感影像的土地覆盖分类及变化监测研究

目前人们使用遥感数据获取土地利用分类信息的主要方法仍是依靠目视判读、人工解译。该方法可以获得较高的分类结果精度,但是其工作效率很低,难以满足日益增长的应用需求。以广东省为例,重点研究了基于遥感影像的土地利用分类信息自动化提取及变化监测方法,开发了土地利用分类及变化信息提取软件,实现了自动化或半自动化土地分类。此项研究成果能够满足土地二次调查的需求,为土地利用规划提供了必要指导。     

应用SVM算法进行TM多光谱图像地物分类

SVM算法是近年来统计模式识别领域流行的算法。因为有统计学习理论（SLT）作为基础,SVM算法具有良好的计算有效性、健壮性和统计稳定性,被广泛地应用在图像识别、语音识别、文字识别等多种模式识别领域。TM多光谱遥感图像的地物分类一直是遥感图像处理领域比较困难的问题。现尝试应用SVM算法对北京市怀柔水库附近地区的地物进行分类,收到了较好的效果。     

基于极化干涉SAR图像的地物监督分类方法

X波段的高分辨率极化干涉合成孔径雷达（synthetic aperture radar,SAR）图像包含较强的斑点噪声,不利于地物分类等应用.针对这一问题,先使用Nonlocal滤波进行预处理,然后提取图像的极化特征和干涉特征,再使用支持向量机（support vector machine,SVM）和AdaBoost分类器对极化和干涉特征矢量进行分类.利用N-SAR系统于渭南市采集的极化干涉SAR数据进行验证,该数据共包含10类地物,并有足够的ground truth用来进行分类器的训练和测试.实验结果表明,AdaBoost分类器能对多类地物取得较好的分类效果,且干涉信息的加入能带来一定改善.     

An Application of Canonical Correlation Analysis Technique to Land Cover Classification of LANDSAT Images

This research is an attempt to obtain more accurate land cover information from LANDSAT images. Canonical correlation analysis, which has not been widely used in the image classification community, was applied to the classification of a LANDSAT image. It was found that it is easy to select training areas on the classification using canonical correlation analysis in comparison with the maximum likelihood classifier of ERDAS^® software. In other words, the selected positions of training areas hardly affect the classification results using canonical correlation analysis. When the same training areas are used, the mapping accuracy of the canonical correlation classification results compared with the ground truth data is not lower than that of the maximum likelihood classifier. The kappa analysis for the canonical correlation classifier and the maximum likelihood classifier showed that the two methods are alike in classification accuracy. However, the canonical correlation classifier has better points than the maximum likelihood classifier in classification characteristics. Therefore, the classification using canonical correlation analysis applied in this research is effective for the extraction of land cover information from LANDSAT images and will be able to be put to practical use.     

Comparson of Landsat MSS and TM Data for Urban Land-Use Classification

A supervised classification of digital Landsat Multispectral Scanner (MSS) data for the Raleigh, North Carolina, metropolitan area was conducted in 1982. These data were categorized into 10 land-use/land-cover types representative of the area. Digital Landsat Thematic Mapper (TM) data, for the Raleigh metropolitan area, were obtained in 1985 and analyzed for comparison to the MSS data. A stratified classification based upon principal components analysis was applied to the TM data, classifying the data into the 10 land-use/land-cover categories used in the analysis of the MSS data. Comparison of photo-interpreted land-use types and Landsat derived land-use types indicates that TM data provides significantly higher classification accuracies than can be obtained from MSS data. However, an increase in confusion between urban cover types was observed for the classified TM data over the MSS data. It is felt that the stratified classification approach was instrumental in reducing classification errors between general land-use/land-cover types such as urban areas, coniferous forests, and deciduous forests. It is not clear that the information extracted from the TM data regarding the urban environment will be of much more use to city planners than that obtained from MSS data.     

基于多点信息统计法的土地覆盖图像超分辨率重建方法

在利用遥感技术对土地覆盖情况制图的过程中,超分辨率重建被广泛采用.包含土地覆盖图像特征的先验模型可以减少重建过程中的不确定性.多点信息统计法可以从先验模型提取其本质特征,然后将特征复制到待模拟区域.然而传统基于线性降维的多点信息统计法不能有效处理非线性数据,因此将等距特征映射引入到多点信息统计法以实现非线性数据的降维,再对降维后的数据作分类处理.比较当前数据事件和各个分类的均值,从与当前数据事件最接近的类中提取模式.同时利用低精度原始图像作为软数据以重建较高精度的土地覆盖图像.实验表明重建的超分辨率土地覆盖图像具有与参照图像相似的结构特征.     

一种粗逻辑神经网络研究

该文基于粗逻辑理论,研究了粗逻辑意义下的粗集神经网络的设计,分析和比较了粗逻辑神经网络和模糊逻辑神经网络的性质。在重庆地区Landsat TM 遥感图像的地物分类实验中,验证了粗逻辑神经网络的有效性,同时可以发现其在网络结构和收敛性方面的优势。     

Land cover classification using fuzzy rules and aggregation of contextual information through evidence theory

Land cover classification using multispectral satellite images is a very challenging task with numerous practical applications. We propose a multistage classifier that involves fuzzy rule extraction from the training data and then the generation of a possibilistic label vector for each pixel using the fuzzy rule base. To exploit the spatial correlation of land cover types, we propose four different information aggregation methods which use the possibilistic class label of a pixel and those of its eight spatial neighbors for making the final classification decision. Three of the aggregation methods use the Dempster-Shafer theory of evidence, while the remaining one is modeled after the fuzzy k-NN rule. The proposed methods are tested with two benchmark seven-channel satellite images, and the results are found to be quite satisfactory. They are also compared with a Markov random field model-based contextual classification method and found to perform consistently better.