基于NOAA／AVHRR数据的景观格局分析——以塔里木河干流区域为例

在对NOAA／AVHRR数据进行灰度拉伸,直方图均衡化,多通道合成等方法处理后,应用IDRISI软件的空间分析功能,对塔里木河流域进行了景观格局的宏观分析,结果表明在塔里木河干流区城景观类型相对简单,各景观自身破碎度低,连通性较好,景观间的均匀度差,是一种典型的脆弱的干旱区陆河流域生态环境景观。     

基于NOAA/AVHRR数据的地表覆盖变化检测方法与监测

应用图像差分技术、NDVI斜率、生物量斜率计算了过去20年间(1981～2001)我国西部植被的变化状况，总结了计算结果的相关特征。统计表明三种方法所揭示的植被变化信息基本一致，而且前10年(1981～1991)与后10年(1991～2001)相比，植被生长状况呈负相关，并且前10年的植被生长状况要好于后10年。对比主成分分析结果。认为生物量斜率方法比图像差分方法、NDVI斜率方法较为准确，相对于主成分变换计算简明、生物物理意义明确，更适合于植被变化的检测和监测。在讨论卫星更替等外部因素对NDVI影响的基础上，对生物量斜率分割图像的统计揭示了我国西部在1981—2001的20年间的植被演化状况：林地、草地都发生了高比例、大面积的退化。只有很小比例的植被得以改善。表现出局部改善、总体恶化的局面。     

遥感图像分析中的主成分分析

本文主要叙述主成分分析的数学原理及其在遥感分类中的应用。在不改变象素数据点空间结构的前提下,利用主成分分析,可找到一组新的坐标集,使类间距离拉大,且可实现因子空间的压缩。     

利用NOAA NDVI数据集分析中国植被绿波推移规律

利用NOAA AVHRR时间序列数据集进行中国植被绿波随季相变化的规律分析.研究结果表明,植被绿波在一年中沿纬和经度变化有很大差异,并有一定的规律.在同一经度,绿波随着季相变化由南向北推进.在同一纬度绿波的强度与一年的降雨量有密切关系,绿被指数由东向西逐渐减小.从每月绿度等级图宏观分析表明,夏季植被绿波向北推移可占全国陆地70%以上的面积;而冬季褐波向南推移也覆盖了全国陆地70%以上的面积.     

利用NOAANDVI数据集分析中国植被绿波推移规律

利用ＮＯＡＡＡＶＨＲＲ时间序列数据集进行中国植被胡季相变化的规律分析。研究结果表明,植被绿波在一年中沿纬和经度变化有很大差异,并有一定的规律。在同一经度,绿波随着季变化由南向北推进。在同一纬度绿波的强度与一年的降雨量有密切关第,绿被指数由东向西逐渐减小。     

面向基因数据分类的核主成分分析旋转森林算法

旋转森林(rotation forest,Ro F)是一种运用线性分析理论和决策树的集成分类算法,在分类器个数较少的情况下仍可以取得良好的结果,同时能保证集成分类的准确性。但对于部分基因数据集,存在线性不可分的情况,原始的算法分类效果不佳。提出了一种运用核主成分分析变换的旋转森林算法(rotation forest algorithm based on kernel principal component analysis,KPCA-Ro F),选择高斯径向基核函数和主成分分析的方法对基因数据集进行非线性映射和差异性变化,着重于参数的选择问题,再利用决策树算法进行集成学习。实验证明,改进后的算法能很好地解决数据线性不可分的情形,同时也提高了基因数据集上的分类精度。     

主曲线成分分析

广泛应用的第一主成分是对数据集的一维线性最优描述，主曲线是第一主成分的非线性推广。线性主成分分析是一种线性分析方法，而数据通常是非线性的。用线性方法分析非线性数据在分析能力上常常是受限的。为此在对线性主成分分析非线性数据研究的基础上，提出了一种新的非线性成分分析方法，即主曲线成分分析。该方法从数据本身出发进行非线性分析，强调非参数特性，能有效地建模非线性数据。实现主曲线成分分析时，采用了改进的神经网络建模方法，该建模方法以其较强的近似性能很好地表达了非线性关系。仿真实验结果表明，主曲线成分分析能很好地解决非线性主成分问题，应用前景广阔。     

基于主成分分析法的多传感器数据融合算法研究

根据数理统计中的多元统计理论,用多个传感器对某一特性指标进行检测,将检测数据作为统计对象,提出了一种基于主成分分析的数据融合方法。该方法把各传感器的检测数据作为一个整体,定义总体的各主成分。通过计算测量值与主成分的复相关系数,给出了各传感器的综合支持程度和数据融合公式。实验表明,此方法比均值融合法更准确、有效。     

基于主成分分析的支持向量机分类方法研究

主成分分析法可以提取样本集的主元,从而降低样本的维数,甚至可以实现样本的最优压缩。基于主成分分析法,研究支持向量机分类方法,可以提高支持向量机分类的训练速度和测试速度,但不会改变样本的分布特性,保持样本的分类信息。最后给出了试验及结果。     

基于主成分分析的多传感器数据融合

针对多个传感器对某一特性指标进行测量实验的数据融合问题,根据多元统计理论,提出了一种基于主成分分析的融合方法。该方法把各传感器的测量数据作为一总体,定义总体的各主成分,利用测量值与主成分的相关关系,给出了各传感器的综合支持程度和数据融合公式。该方法不需要知道总体的分布和先验概率,避免定义距离矩阵和受主观因素作用的关系矩阵。应用实例验证了该方法的有效性和具有较强的抗干扰能力。     

基于分层分析的ASTER 影像土地利用/ 覆盖遥感监测研究

以龙海市为实验区, 利用ASTER 遥感数据, 在研究区典型地物光谱特征系统分析的基础上,进行基于分层分类思想的地物分类提取方法研究。首先将影像划分为独立的子区( 水体、植被覆盖区和非植被覆盖区域) 以避免分类过程中光谱的互相影响; 然后在每个独立的子区基础上根据各类地物的不同光谱特征和空间特征, 对各类地物进行逐层掩模、分层提取。结果表明该方法优于传统的监督和非监督分类效果。     

面向土地覆盖分类的MODIS影像融合研究

MODIS影像的多波段及其1、2波段的250 m中等分辨率为大区域中空间分辨率的土地覆盖制图提供了可能。为了有效利用MODIS影像的空间和光谱信息,使用SFIM、HPF和PCA变换等遥感影像融合方法,分别采用MODIS影像的波段1(b1)和波段2(b2)对3~7(b3~b7)波段进行融合,并就融合影像的光谱保真度和分类精度对6种不同融合结果进行评价。结果表明不同的融合结果得到的分类精度均有不同程度的提高;3种融合方法中使用b2的融合效果均优于b1;SFIM变换在光谱失真较小的情况下能够较大程度地提高分类精度。因此使用b2的SFIM变换可以用于提高MODIS土地覆盖图的空间分辨率和精度。     

张掖市土地利用/覆盖变化模拟

土地利用/覆盖变化是全球变化的主要原因,也是与可持续发展密切相关的课题。土地利用/覆盖变化模拟是预测未来土地利用/覆盖变化的重要方法。将国际上先进的CLUE-S模型应用到位于黑河中上游的张掖市,模拟该地区的土地利用/覆盖变化。模拟时段为2001～2020年。模型中将土地利用类型分为:①耕地;②林地;③草地;④水域;⑤城镇用地;⑥未利用地。用回归分析的方法,选择了对该地区土地利用/覆盖变化有重要贡献的7种驱动因子,分别为:与城市的距离、与河流的距离、与道路的距离、人口密度、海拔、坡度、坡向。模拟结果显示:到2020年,林地、草地、水域和城镇用地面积增加,耕地,未利用地面减少。     

运用主成分变换-逆变换对ADEOS AVNIRXS和PAN进行复合的研究

信息复合的目的是为了把多种遥感器数据的特性进行互补。复合图像与原图像相比,既具有多光谱特性,而且空间分辨率也得到了提高,这样它更有利于目视判读或计算机自动化处理。运用主成分变换-逆变换的方法对ADEOSAVNIR的多光谱数据(16 m)和全色波段数据(8 m)进行了复合研究。即先对多光谱图像进行主成分变换,求出第一主成分。然后用全色波段数据取代第一主成分并进行主成分逆变换得到所需的复合图像。复合图像的空间分辨率为8 m,而且具有4个波段。     

Thematic accuracy of the National Land Cover Database (NLCD) 2001 land cover for Alaska

The National Land Cover Database (NLCD) 2001 Alaska land cover classification is the first 30-m resolution land cover product available covering the entire state of Alaska. The accuracy assessment of the NLCD 2001 Alaska land cover classification employed a geographically stratified three-stage sampling design to select the reference sample of pixels. Reference land cover class labels were determined via fixed wing aircraft, as the high resolution imagery used for determining the reference land cover classification in the conterminous U.S. was not available for most of Alaska. Overall thematic accuracy for the Alaska NLCD was 76.2% (s.e. 2.8%) at Level II (12 classes evaluated) and 83.9% (s.e. 2.1%) at Level I (6 classes evaluated) when agreement was defined as a match between the map class and either the primary or alternate reference class label. When agreement was defined as a match between the map class and primary reference label only, overall accuracy was 59.4% at Level II and 69.3% at Level I. The majority of classification errors occurred at Level I of the classification hierarchy (i.e., misclassifications were generally to a different Level I class, not to a Level II class within the same Level I class). Classification accuracy was higher for more abundant land cover classes and for pixels located in the interior of homogeneous land cover patches.     

基于高分辨率遥感影像的土地覆盖信息提取

高空间分辨率遥感影像使得土地覆盖和土地利用信息的提取成为可能。以高分辨率遥感影像数据IKONOS为主要数据源,以多尺度分割与基于模糊逻辑分类的面向对象影像分析方法为主要技术,自动提取株洲市城乡结合部的土地覆盖和土地利用信息。达到了提取郊区丘陵地带林地信息和城市建筑、道路等土地覆盖信息的目的,而且精度高,速度快。结果表明利用该方法对复杂的城乡结合部信息获取是可行的。     

基于增量核主成分分析的数据流在线分类框架

核主成分分析(Kernel principal component analysis, KPCA)是一种非线性降维工具, 在降低数据流分类处理量方面发挥着积极作用. 然而, 由于复杂性太高, 导致KPCA的降维能力有限. 为此, 本文给出了一种增量核主成分分析算法(Incremental KPCA for dimensionality-reduction, IKDR), 该算法在每步迭代估计中只需线性内存开销, 大大降低了复杂性. 在IKDR的基础上, 结合BP (Back propagation)神经网络提出了数据流在线分类框架: IKOCFrame (Online classification frame based on IKDR). 通过一系列真实和人工数据集上的实验, 检验了IKDR算法的收敛性, 并且验证了IKOCFrame相对于同类基于成分分析的分类算法的优越性.     

基于知识的山东丘陵区土地利用/覆盖分类研究

土地利用/覆盖信息的获取是土地利用/覆盖变化研究的前提和基础, 传统的基于光谱信息的分类无法克服地物光谱特征相似造成的混淆。以龙口市为例, 探讨了综合应用高程、坡度等地学专家知识和地物的光谱知识, 对山东丘陵地区土地利用/覆盖进行自动分类的方法。实验证明, 基于知识的土地利用ö覆盖分类方法消除了单纯利用光谱信息的不足, 达到了90. 24% 的分类精度, 远高于最大似然法分类。     

Rapid Land Cover Classification Using Landsat Time Series based on the Google Earth Engine

Accurate maps of land cover at high spatial resolution are fundamental to many researchs on carbon cycle, climate change monitoring and soil degradation. Google Earth Engine is a cloud-based platform that makes it easy to access high-performance computing resources for processing very large geospatial datasets. It offer opportunities for generating land cover maps designed to meet the increasingly detailed information needs for science,monitoring, and reporting.In this study, we classified the land cover types in Shanxi using Landsat time series data based on the Google Earth Engine Platform. We selected 1 580 sample points be visual interpretation of the original fine spatial resolution images along with Google Earth historical images over six different cover types. We defined training data by randomly sampling 60% of the sample points. The remaining 40% was used for validation. We generated two diffirent types of Landsat composite: (1) one based on median values which is used as the input image for single-date classification; (2)one based on percentile values which is used as input images for time series classification. Random forest classification was performed with two different types of Landsat composites. Random forest classification was performed with two different types of Landsat composites.We visually compared the single-date based to the time series based cover maps of 1990, 2000, 2010 and 2017 in five local areas, and we future compared the results of time series to other products. We aslo performed an accuracy assessment on the land cover classification products. The results shown: (1) The results of time series classification had an overall accuracy of 84%~94%. The time series results improved overall accuracy by 5%~10% compared to single-date results; (2) The result of time series achieves the classification accuracy of products such as CNLUCC, GlobeLand30 and FROM-GLC.The following conclusions were drawn: (1) Cloud computing and archived Landsat data in the GEE has many advantages for land cover classification at a large geographic scale, such as s strong timeliness, short time cycle and low cost; (2) The statistics metrics from Landsat time series is a viable means for discrimination of land cover types, which is particularly useful for the time series classification.