基于多时相光谱和物候特征的陕西省神木县地物遥感分类研究

开展了时间序列Landsat TM/ETM遥感影像定量化处理与相对辐射校正,提取了陕西神木县不同地物光谱和NDVI物候特征,结合时间序列NDVI物候特征和多时相光谱信息,采用了地表覆盖的决策树分类算法,实现了陕西神木县地物的高精度遥感分类,包括水体、沙地、城镇、耕地、林地、草地及灌丛等7类地物,分类总体精度达95.77%,Kappa系数达0.93。研究结果表明,基于多时相光谱和物候特征的决策树分类算法能够有效集成多时相、多光谱信息,从而克服了单时相影像分类的缺陷,实现了地物的分类。论文研究方法和结果能够为三北防护林区域的生态环境监测与评估提供技术支持。     

基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于多时相NDVI及特征波段的作物分类研究

时相和光谱特征信息在农作物种植分类提取方面具有十分重要的应用价值。以黑龙江大型农场--友谊农场为研究区域,利用4景不同时相的TM和SPOT卫星遥感影像,提取相应时相的NDVI时间谱图像数据作为新波段信息,在分析地物目标在相应影像各波段上光谱和时间特征的基础上,设计了决策树分类算法,通过对待分类影像进行系列阈值分割和掩膜处理,成功提取黑龙江友谊农场的大豆、玉米和水稻的种植信息,分类总体精度达到98.67%。     

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。     

基于MODIS遥感数据的宏观土地覆盖特征分类方法与精度分析研究

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并在中国山东省进行了分类试验,得出以下结论:①不同比例下的训练样本与验证样本影响着总体分类精度;②从MODIS数据中得到的植被指数EVI、白天地表温度Tday、水体指数NDWI、纹理特征局部平稳Homogeneity等可以作为分类特征配合参与到多波段地表反射率Ref1-7遥感影像中,能明显提高分类精度,而土壤亮度指数NDSI则没有贡献;③提取的分类特征对总体分类精度贡献大小为:EVI贡献最大,提高近6个百分点,其次是Homogeneity、NDWI,均提高近4个百分点,而最少的Tday也贡献了近3个百分点;④各分类特征对不同地物类别具有不同的分离度,在提高某些类别的分离性时,有可能降低了其它类别的分离性。试验结果表明:在没有其它非遥感信息的前提下,仅利用MODIS遥感自身信息对宏观土地覆盖分类就可达到较高精度。     

基于MODIS遥感数据的宏观土地覆盖特征分类方法与精度分析研究

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并在中国山东省进行了分类试验,得出以下结论:①不同比例下的训练样本与验证样本影响着总体分类精度;②从MODIS数据中得到的植被指数EVI、白天地表温度Tday、水体指数NDWI、纹理特征局部平稳Homogeneity等可以作为分类特征配合参与到多波段地表反射率Ref1-7遥感影像中,能明显提高分类精度,而土壤亮度指数NDSI则没有贡献;③提取的分类特征对总体分类精度贡献大小为:EVI贡献最大,提高近6个百分点,其次是Homogeneity、NDWI,均提高近4个百分点,而最少的Tday也贡献了近3个百分点;④各分类特征对不同地物类别具有不同的分离度,在提高某些类别的分离性时,有可能降低了其它类别的分离性。试验结果表明:在没有其它非遥感信息的前提下,仅利用MODIS遥感自身信息对宏观土地覆盖分类就可达到较高精度。     

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。     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。     

Mapping paddy rice with multitemporal ALOS/PALSAR imagery in southeast China

Mapping rice cropping areas with optical remote sensing is often a challenge in tropical and subtropical regions because of frequent cloud cover and rainfall during the rice growing season. Synthetic aperture radar (SAR) is a potential alternative for rice mapping because of its all-weather imaging capabilities. The recent Phased Array-type L-band SAR (PALSAR) sensor onboard the Advanced Land Observing Satellite (ALOS) acquires multipolarization and multitemporal images that are highly suitable for rice mapping. In this pilot study, we demonstrate the feasibility of this sensor in mapping the rice planting area in Zhejiang Province, southeast China. High-resolution ALOS/PALSAR images were acquired at three rice growing stages (transplanting, tillering and heading) and were applied in a support vector machine (SVM) classifier to map rice and other land use surfaces. The results show that, based on the 1:10 000 land use/land cover (LULC) survey map, the rice fields can be mapped with a conditional Kappa value of 0.87 and at user's and producer's accuracies of 90% and 76%, respectively. The large commission error primarily came from confusion between rice and dryland crops or orchards because of their similar backscatter amplitudes in the rice growing season. The relatively high rice mapping accuracy in this study indicates that the new ALOS/PALSAR data could provide useful information in rice cropping management in subtropical regions such as southeast China.     

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。     

基于模糊高斯基函数神经网络的遥感图像分类

针对遥感图像分类的特点,提出了一种基于模糊高斯基函数神经网络的遥感图像分类器。该分类器将模糊技术与神经网络相结合,采用神经网络来实现模糊推理,利用神经网络的学习能力来达到调整模糊隶属函数和模型规则的目的,从而使系统具备了自适应的特性,实验结果表明,这种基于模糊高斯基孙数神经网络的分类器经过训练后,可应用于遥感图像的分类,其分类精度明显高于传统的最大似然分类法。     

基于多源多时相遥感影像的山地森林分类决策树模型研究

山地是森林重要的分布区,然而山地多样的森林类型、高度异质化的景观格局、突出的地形效应以及云、雾的干扰均不同程度地影响了山地森林类型的遥感自动制图。多源多时相遥感影像提供的季相节律信息是当前提高土地覆被遥感制图精度的重要信息源之一。以岷江上游地区为研究区,以国产环境减灾卫星多光谱CCD(简称HJ CCD)影像和美国Landsat TM影像为数据源,以决策树为分类方法,根据参与分类影像的时相差异设计了5组对比实验(生长季单时相组、非生长季单时相组、生长季多时相组、非生长季多时相组、全时相组),对比论证多源多时相遥感影像对山地森林类型自动制图的贡献和作用。对比结果表明:生长季和非生长季相结合的多时相遥感影像较单时相或单一类型(生长季或非生长季)多时相遥感影像,更能显著提高山地森林类型自动制图精度,且能降低分类决策树的复杂程度,更有利于山地森林类型的自动提取。     

基于多地表特征参数的遥感影像分类研究

地表特征是反映地表信息的重要参数,是了解地表时空多变信息的定量要素。提出基于多地表特征参数的遥感影像分类方法,并利用武汉市的Landsat ETM+影像为例进行试验。试验选择通用植被指数(VIUPD)、地表温度和纹理特征等多地表特征参数,在考虑光谱特征和空间信息的前提下,结合分层思想的决策树方法,对遥感影像进行分类。结果证明利用多地表特征参数的决策树分类方法与传统的基于光谱反射率特征的决策树分类方法和SVM分类方法相比较,分类精度有了明显的提高。     

结合纹理特征的SVM样本分层土地覆盖分类

支持向量机(SVM)分类在精度、泛化性、高维数据处理等方面都具有较强的优势,在遥感影像分类中也得到了广泛应用。由于遥感影像“同物异谱”和“异物同谱”现象的影响,结合纹理特征提高SVM分类精度已成为遥感应用研究的热点。但不同尺度的纹理特征突出的信息不一,在同一尺度上难以区分的地物在多尺度空间则更容易区分,因此,采用多尺度纹理特征进行SVM分类,并从分类样本和纹理特征的选取两个方面探讨SVM土地覆盖分类的方法。首先,以ALOS影像为例,通过灰度共生矩阵提取不同尺度、不同方向的几种纹理特征;然后在光谱分类结果基础上,借助地类特征曲线,选取有效的多尺度纹理特征,最后进行样本分层分类。样本分层分类是选取首层样本进行分类,再从“漏分和错分”地块中选取新样本加入到首层样本中,得到第二层样本并对整个影像进行分类;用同样的方法选出第三层样本或更高层样本进行分类,直到结果满意为止。结果表明:该方法比仅用光谱特征的SVM分类总精度提高了8.11%,Kappa系数增加了0.11。其中,纹理特征的引入使分类总精度提高了4.13%,且对纹理特征较明显的地类更有效;采用样本分层后的分类总精度进一步提高了3.98%,且各单一地类的精度也都有不同程度的提高。借助地类特征曲线选择合适的纹理特征具有一定的可行性,并且采用样本分层的方法能够提高SVM分类的精度。     

Application of incoherent target decomposition theorems to classify snow cover over the Himalayan region

Snow cover is an important parameter for hydrological modelling and climate change modelling. Various methods are available only for wet snow-cover mapping using conventional synthetic aperture radar (SAR) data. Total snow (wet + dry) cover mapping with SAR data is still a topical research area. Therefore, incoherent target decomposition theorems have been implemented on fully polarimetric SAR data to characterize the scattering of various targets. Further classification techniques – both unsupervised and supervised – have been applied for accurate mapping of total snow cover. For this purpose, Advanced Land Observing Satellite – phased array-type L-band SAR (ALOS–PALSAR) data (12 May 2007) have been analysed for snow classification of glaciated terrain in and around Badrinath region in Himalaya. An ALOS-Advanced Visible and Near Infrared Radiometer (AVNIR)-2 image (6 May 2007) was also used to provide assistance in the selection of different training classes. It has been found that the application of incoherent target decomposition theorems such as H/A/α and four-component scattering mechanism models are good for extracting the desired information of snow cover from fully polarimetric PALSAR data. Finally, based on these target decomposition theorems and the Wishart classifier, PALSAR data have been classified into snow or non-snow cover, and the user accuracy of snow classes was found to be better than the user accuracy of other classes. Hence, the application of incoherent target decomposition theorems with full polarimetric ALOS-PALSAR data is useful for snow-cover mapping.     

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.     

结合面向对象方法的多层次干旱与半干旱区域城镇提取方法

在干旱与半干旱区域戈壁及沙漠等高亮地表与城镇连成一片,两者的光谱特征在中等分辨率遥感数据上非常相似;因此,利用基于像素的分类方法很难将城镇准确提取出来。根据两种地物的样本对NDVI、NDBI的分布特征统计分析得出:基于面向对象的分类方法在提取城镇信息方面有较大优势。以典型的干旱区域—黑河流域张掖市及周边地区作为研究区域,将面向对象的方法应用到具有中等分辨率的Landsat-TM数据上,提出了结合面向对象方法的多层次干旱与半干旱区域城镇提取方法。该方法首先使用分层分类的方法得到城镇和荒漠的混合影像,然后使用面向对象的分类方法精确提取城镇信息,其中分割对象过程中引入样本可分离度量化不同尺度的影像分割效果,实现最优尺度分割。结果表明:其目视效果、总体精度(94.51%)和Kappa系数(0.89),均优于支持向量机(SVM)与基于时间序列的分类方法。     

The influence of filtration and decomposition window size on the threshold value and accuracy of land-cover classification of polarimetric SAR images

In this study we use ALOS PALSAR satellite data to classify land cover using a decision tree algorithm. We apply polarimetric decomposition methods to coherence and covariance matrices obtained from the data and then use threshold values to classify terrain. We evaluate the influence of speckle filter and decomposition window sizes on the threshold value used in the decision algorithm and on the accuracy of the classification. We also study the sensitivity of the classification to the accuracy of the threshold value.

First, we processed a fully polarimetric Synthetic Aperture Radar (SAR) L-band image using different sizes of speckle filtration and decomposition window (3 × 3 pixels, 5 × 5, 7 × 7, 9 × 9), and the decomposition methods available in PolSARPro software. We evaluated these methods and chose the most efficient. Then we developed a simple hierarchical classification scheme based on threshold values. In the first step we divided the terrain into smooth and rough areas and then separated these into more detailed subclasses (water and agriculture, and forest and urban) which correspond to smooth and rough areas, respectively. A more detailed analysis separated continuous and discontinuous urban fabric and deciduous and coniferous forests. The maximum overall accuracy of the classification was 86.1% for the four main land cover classes, and 80.4% for the six more detailed classes. The accuracy of the classification dropped by about 10% when non-optimal window sizes were used in image filtration or decomposition.