基于面向对象分类技术的景观信息提取研究

依据高分辨率遥感影像的特点,如何充分地利用影像的光谱信息和空间信息以及地学特征进行更为微观的遥感监测或大比例尺制图是高分辨率遥感研究的重要内容之一。本文以地形复杂的武夷山自然保护区为研究区域,以SPOT5原始影像为数据源,采用面向对象的多尺度分割方法,实现了不同尺度地物信息的分层提取。基于上层的分类结果对特定地物进行影像分割,选择合适的特征参数,并通过多次试验建立影像对象的隶属度函数,或利用最邻近分类法,逐级分层地提取了研究区的景观信息。研究结果显示：利用面向对象分类方法可以快速方便地对地形复杂条件下研究区的SPOT5遥感影像的景观信息提取,精度为76%,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径。     

面向对象的高分辨率影像采煤塌陷地提取

煤炭开采引起了塌陷等一系列的地质环境问题,与常规监测方法相比,遥感技术可以实现大范围、高效率、周期性的动态监测。在遥感影像分类方法中,面向对象的遥感影像分类方法能更好地利用高分辨率遥感影像中丰富的纹理和几何结构信息。针对煤炭开采导致的地表塌陷地的特点,在归纳整理遥感影像中塌陷地判识准则的基础上,重点探讨了面向对象的遥感影像分类方法中塌陷地的自动提取规则。综合利用ERDAS IMAGINE9.2、ENVI4.7和ENVI4.4 ZOOM进行数据处理,以安徽省淮南矿务集团潘三矿区为实验区,用该方法利用SPOT５影像进行了塌陷地信息提取实验,结果证明,面向对象分类方法能有效地从高分辨率遥感影像中自动提取塌陷地相关信息。     

基于遥感影像的军事阵地动态监测技术研究

针对部队快速机动作战的军事要求,提出基于高分辨率遥感影像的军用阵地动态监测方法。借助面向对象的多尺度分割技术将阵地影像分割为同质对象,以提取各个对象的特征;针对监督分类和非监督分类的弊端,提出通过一定的先验知识制定分类规则的方法对遥感影像进行地物识别,在此基础上定性和定量地输出变化检测结果。实验结果表明:利用基于对象影像分析方法具有较高的识别精度,能够有效监测军事阵地变化。     

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。     

利用辅助数据的荒漠区高分辨率遥感分类研究

使用美国NAIP高分辨率航空遥感影像,在多尺度、多变量影像分割的基础上,采用决策树方法建立干旱区半干旱区的荒漠分类规则,并结合水系、道路等辅助地理数据进行干旱区半干旱区面向对象遥感分类.选择位于美国亚利桑那州菲尼克斯大都市区的周边典型荒漠地区为实验区,利用河流、道路等辅助数据进行面向对象遥感分类效果要优于单纯依靠遥感影像的分类,能够有效地提取季节性河流和简易道路.研究对美国亚利桑那州菲尼克斯都市区周边的同一荒漠地区进行了实验,利用决策规则有效提取植被和荒地,以及提取简易道路和土壤,分类总精度从常规面向对象分类方法的82.85％提高到92.45％.研究结果表明:本文提出的分类方法对荒漠地区的泥土路和灌木及其整体分类精度有较大提高.利用辅助数据进行遥感分类可以改善特定研究区的高分辨率遥感影像分类精度.     

高分辨率多光谱遥感影像中城区道路信息的自动提取

提出一种从高分辨率遥感影像提取城市区域道路网络的方法。该方法采用改进的数学形态学运算方法对影像进行分割,进而得到粗略道路信息网,然后利用道路网的几何特征实现道路与建筑物的有效区分,最后通过抽骨架的方法获得最终道路网中心线。试验数据为某一城区高分辨率卫星影像,并对最终提取的结果进行了评价,结果表明,所提出的方法能够从高分辨率多波段卫星遥感影像上精确、有效、自动提取城区道路网络。     

高分辨率遥感影像的多特征多核ELM分类方法

针对高分辨率遥感影像地物分布复杂多变,利用ELM的快速分类性能,提出了一种ELM的多特征多核高分辨率遥感影像分类方法。首先利用多尺度分割算法将原始影像粗分为若干地物区域;然后依据区域合并准则对粗分割图像合并得到典型地物特征的对象信息,并提取分割对象的光谱特征与空间特征;最后以多种核函数加权组合的方式构建多核ELM对影像分类,获得最终的分类结果。实验结果表明,所提方法不仅降低了对目标训练样本的要求,同时还提高了分类的准确性、及时性和完整性。     

基于多特征的城市用地高分辨率影像分类与提取

利用高分辨率影像对象的多特征信息，采用面向对象的影像分析技术与多尺度影像分割技术，建立基于多特征的遥感影像分类模型，提取城市用地信息，为城市用地的合理规划与有效管理提供信息支撑。该方法分类速度快、精度高，为遥感影像信息的分类与提取提供了新的思路。     

高分辨率遥感影像土地利用动态监测技术研究

近年来,利用高分辨率遥感影像进行土地利用的动态监测在我国已到关键技术和系统研制阶段。本文以某一示范区的土地利用动态监测系统的研究为例,详细阐述了其变化图斑获取子系统实现的关键技术和过程。论文首先简要介绍了系统的主要组成部分;接着详细阐述了变化图斑获取子系统的区域变化检测技术、分类技术、变化区域和属性信息的获取技术;最后对系统作业的工艺流程和主要功能作了介绍,并对系统的应用前景和进一步改进的问题进行了分析。     

基于GIS的退耕还林工程区林地动态变化遥感监测研究

以天全河流域中、下游为研究区域,应用分类后检测的方法,利用1997年和2003年的SPOT与TM融合遥感影像,采用监督分类和专家分类相结合的方法获得土地利用分类结果,对结果进行叠加分析,提取变化信息。研究表明:1997~2003年研究区域土地利用结构发生明显变化,耕地大量减少,林地增多量大;土地利用变化动态度大,耕地动态度为-5.1%,林地动态度为0.9%,建筑地动态度最高;研究区域退耕还林地的来源主要是耕地,来源合理。     

基于时序Landsat数据的三江平原植被地表类型变化遥感探测研究

Landsat 卫星遥感数据具有分辨率较高,数据积累时间长的特点,在探测地表覆盖变化和地物分类中得到广泛应用。首先,对获取的Landsat TM/ETM+时间序列数据进行了定量化处理,获取了三江平原七台河市1989~2012年时间序列Landsat地表反射率图像。其次,设计了林地指数和湿地指数,提取了三江平原七台河区域地物光谱和时序特征,同时设计构建了地表覆盖分类和植被地表类型变化探测的决策树算法,实现了1989~2012年七台河区域的植被地表覆盖变化的动态监测,提取了森林覆盖变化的空间分布与变化时间。最后,对七台河区域地表覆盖与植被地表类型变化进行了精度检验,分类总体精度达到90.04%,Kappa系数达0.88。研究结果表明:基于定量化的Landsat时间序列数据的分类算法能克服单时相影像分类的缺陷,实现区域地物自动分类和地表覆盖变化的动态监测。
     

基于多时相Landsat8 OLI影像的作物种植结构提取

针对基于多时相遥感影像、多种特征量提取多种作物种植结构在我国研究较少的现状,利用多时相Landsat8OLI影像数据,根据温宿县不同作物的农事历,通过分析主要地物的光谱特征和归一化植被指数的时间变化信息,构建不同作物种植结构提取的决策树模型,实现了对温宿县多种作物种植结构信息的提取。结果表明:1水稻的最佳识别依据是5月20日影像的近红外波段和7月23日影像的NDVI值;棉花和春玉米的最佳识别依据是5月20日~9月9日影像的NDVI变化值;冬小麦—夏玉米和林果的最佳识别依据是5月20日~7月23日影像的NDVI变化值;2与单时相监督分类相比,多时相决策树法对多种作物种植结构的提取效果更理想,总体精度提高了7.90%,Kappa系数提高了0.10;3Landsat8OLI影像数据分辨率高、成本低、获取方便,是农作物遥感的良好数据源。     

高空间分辨率遥感数据在离子吸附型稀土矿山调查中的应用

为更好地监测离子吸附型稀土矿山的开采现状,选取赣南离子吸附型稀土矿区,采用最新高分辨率遥感数据,开展离子吸附型稀土矿矿山非法开采监测、环境破坏监测、矿山动态变化监测等示范研究。运用IKONOS数据结合矿权资料在赣南寻乌地区开展稀土矿山非法开采监测;在赣南寻乌地区提取土地荒漠化及水体污染等环境信息;利用两期QuickBird数据在赣南定南某矿区开展动态变化监测。研究表明高空间分辨率遥感数据处理与分析为离子吸附性稀土矿矿山快速、准确、动态监测提供了良好的技术手段。     

面向对象的黑河下游河岸林植被覆盖信息分类!

地表植被覆盖是描述区域生态系统的基础数据,也是全球及区域陆面过程、生态与水文众多模型中所需的重要地表参数。对于黑河下游额济纳绿洲,以Landsat 30m分辨率为主的遥感影像难以真实提取下游绿洲河岸林植被覆盖信息,而高分辨率影像目标地物轮廓清晰、空间细节信息丰富,有利于干旱背景下景观破碎、异质性强的植被覆盖信息分类。基于黑河下游额济纳绿洲QuickBird影像,通过面向对象的分类方法提取耕地、胡杨、柽柳、草地和裸地等主要植被覆盖类型,分类总体精度和Kappa系数分别为84.71%和0.7986。结果表明:利用面向对象分类方法对高分辨率影像进行植被覆盖信息分类,分类结果较好,能够满足精度要求。     

遥感技术在现代冰川变化研究中的应用

传统的现代冰川变化研究主要以实地观测和经验公式来获得冰川的面积变化、体积变化和冰川表面运动速度,从20世纪80年代以来随着航空遥感光学图像、数字高程模型、雷达等新技术数据的不断出现和发展,借助遥感手段研究冰川的性质和特征、监测冰川的动态变化成为冰川学研究发展的重要趋势,也有效解决了现代冰川研究中高山区资料受限等问题。冰川面积变化的计算机自动解译方法主要有阈值法和雪盖指数阈值法、监督分类非监督分类法、比值阈值法等。阈值法和雪盖指数阈值法操作简单,但是在阈值选取方面不好把握;非监督分类法操作简单但限制因素较多;如果训练区选择准确,监督分类法分类结果比较精确;波段比值阈值法操作相对简单,精度准确,是目前运用最多的计算机自动分类方法。数字高程模型和雷达数据在冰川体积变化研究中的应用,较好地提高了传统方法的精度和适用性; 而且雷达数据具有不受大气传播和气候影响的特点,很好地弥补了遥感光学影像数据极易受云雪等影响的不足。高精度GPS和雷达数据的不断发展和应用在冰川表面运动速度的研究中起着不可替代的作用。      

全极化SAR数据信息提取研究

全极化SAR(Synthetic Aperture Radar)测量的是每一像元的全散射矩阵,可合成包括线性极化、圆极化及椭圆极化在内的多种极化图像。因此与常规的单极化和多极化SAR相比,在雷达目标探测、识别、纹理特征的提取等方面全极化SAR具有很多优点。基于新疆和田地区的SIR-C L波段全极化雷达数据,介绍了极化合成的基本原理和数据处理流程,分析了几种典型地物全极化信号的特点,并在此基础上用监督分类法进行了全极化SAR数据的信息提取。结果表明:全极化SAR数据比单极化和多极化SAR数据具有更高的分类精度,并有效地的提取出地表信息,为利用SAR数据反演地表参数打下了基础。     

Identification of Rubber Plantations in Tropical Mountainous Region based on High Spatio-temporal Resolution Visible Remote Sensing Data

Since 1990s,rubber plantations has been growing rapidly in Xishuangbanna,it is vitally important to the evaluation of the relationship between the rubber plantation and the change of ecological environment in the region.Aiming at the problem of similarity of vegetation's spectral feature and complexity of topography and climatic conditions,combined with the phenological characteristics of rubber plantation fallen leaf in winter in the region,ESTARFM algorithm was used and we selected ETM+,OLI and Sentinel\|2A data to fuse with high temporal resolution MODIS data respectively to establish a high spatial and temporal resolution visible remote sensing data setand analyze the difference of the recognition accuracy of the rubber plantations in tropical mountainous environments by different fusion data sources.The results show that：(1) During the key phenological period of the rubber plantation from January to March,the phenological features extracted using remote sensing data based on high spatial and temporal resolution can remarkably improve the identification accuracy of rubber plantations,the recognition accuracy more than 89% and Kappa higher than 0.83;(2) in the vegetation classification of fragmented mountainous area,10 m resolution Sentinel\|2A data used classification will obtain higher classification accuracy than Landsat data,which indicates that the Sentinel\|2A data is more promising in the high spatial\|temporal data fusion and the tropical vegetation remote sensing application.     

Mapping land cover types in the Amazon Basin using 1 km JERS-1 mosaic

During the Global Rain Forest Mapping (GRFM) project, the JERS-1 SAR (Synthetic Aperture Radar) satellite acquired wall-to-wall image coverage of the humid tropical forests of the world. The rationale for the project was to demonstrate the application of spaceborne L-band radar in tropical forest studies. In particular, the use of orbital radar data for mapping land cover types, estimating the area of floodplains, and monitoring deforestation and forest regeneration were of primary importance. In this paper we examine the information content of the JERS-1 SAR data for mapping land cover types in the Amazon basin. More than 1500 high-resolution (12.5 m pixel spacing) images acquired during the low flood period of the Amazon river were resampled to 100 m resolution and mosaicked into a seamless image of about 8 million km², including the entire Amazon basin. This image was used in a classifier to generate a 1 km resolution land cover map. The inputs to the classifier were 1 km resolution mean backscatter and seven first-order texture measures derived from the 100 m data by using a 10 x 10 independent sampling window. The classification approach included two interdependent stages. First, a supervised maximum a posteriori Baysian approach classified the mean backscatter image into five general cover categories: terra firme forest (including secondary forest), savanna, inundated vegetation, open deforested areas and open water. A hierarchical decision rule based on texture measures was then applied to attempt further discrimination of known subcategories of vegetation types based on taxonomic information and woody biomass levels. True distributions of the general categories were identified from the RADAMBRASIL project vegetation maps and several field studies. Training and validation test sites were chosen from the JERS-1 image by consulting the RADAM vegetation maps. After several iterations and combining land cover types, 14 vegetation classes were successfully separated at the 1 km scale. The accuracy of the classification methodology was estimated to be 78% when using the validation sites. The results were also verified by comparison with the RADAM- and AVHRR-based 1 km resolution land cover maps.     

基于半监督鉴别分析的高分辨率SAR影像建筑区提取

针对建筑物在城市化发展规划、地理国情信息系统更新、数字化城市以及军事侦察等方面的迫切要求,提出将半监督鉴别分析(Semi-supervised Discriminant Analysis,SDA)算法应用于高分辨率SAR影像的建筑区提取中,实现快速提取建筑区信息以及提高城市地物目标识别能力。以Radarsat-2影像和TerraSAR-X影像为实验数据,基于灰度共生矩阵计算影像的各种纹理特征;结合SDA算法进行特征提取,并以新特征作为大津法(Otsu)的输入提取建筑区;最后对分类结果进行后处理。实验结果与线性鉴别分析(Linear Discriminant Analysis,LDA)算法和局部保持投影(Local Preserving Projection,LPP)算法进行比较,结果表明:SDA算法具有较强的泛化能力,在先验类别信息较少时,适用于高分辨率SAR影像的特征提取,可以快速有效地提取建筑区信息。