融合高分夜光和Landsat OLI影像的不透水面自动提取方法

针对监督分类提取不透水面需要人工获取大量训练样本的制约,提出了一种亚米级高空间分辨率夜光遥感影像引导下的不透水面自动提取方法。以夜光强度信息作为先验知识,判别对应地理位置的Landsat8 OLI影像像元为不透水面正负训练样本后,提取OLI影像的光谱和纹理特征构建特征集,利用集成ELM分类器提取不透水面。选择全球4个具有代表性的城市作为试验区进行验证,结果显示,该方法在4个试验区的不透水面提取精度均超过93%,Kappa系数均在0.87以上。对比BCI指数与人工选取训练样本的不透水面提取结果,发现该方法在4个试验区的总体精度均优于指数法,主要原因是该方法相较于BCI指数法可以更有效地区分裸土和不透水面。提出的自动提取方法在3个试验区的总体精度高于或接近人工样本分类方法,但在哈尔滨试验区的总体精度略低,主要是因为在自动选择样本过程中灯光强度弱的不透水面未被选为正样本导致部分漏提。研究表明,高分辨率夜光数据可以作用遥感影像解译与地物提取的先验知识,引导自动分类提取模型的构建,具有较高的实用性。     

基于多模态分类模型的芦山地震滑坡易发性评价

为提高地震滑坡易发性评价精度,从多模态数据融合角度提出一种新的地震滑坡易发性评价模型。以芦山地震为例,从多源数据中提取15种滑坡影响因子,将这些影响因子按4种不同类型的模态数据进行融合;以斜坡单元为评价单元,利用多模态分类模型评价地震滑坡易发性,并与逻辑回归模型比较;最后分别采用基于受试者工作特征曲线和区划滑坡灾害点密度2种精度评价方法对评价结果进行检验。结果表明,基于多模态分类模型的地震滑坡易发性评价结果具有更高的精度,其评价结果的曲线下面积、高易发区-极高易发区的滑坡灾害点密度分别为0.86、2.24个/km²,均优于逻辑回归模型,表明该模型在区域内具有较好的适用性。研究结果从数据融合角度为提高地震滑坡易发性评价精度提供了新思路。     

基于深度学习和持续同调的LiDAR林下滑坡提取

为了从森林覆盖区获取林下滑坡信息,采用LiDAR点云技术构建高分辨率数字地形模型,结合Res-Unet网络和持续同调理论提取林下滑坡信息。选取美国华盛顿州风河实验林作为研究区,选择其中3个区域进行定量分析,经计算,区域内提取滑坡信息的准确度均值为79.7%,召回率均值为70.2%,F₁均值为65.5%,表明基于Res-Unet和持续同调的提取方法能够准确识别研究区内大部分滑坡;基于深度学习和持续同调的林下滑坡提取方法引入持续同调方法到滑坡提取领域,并与深度学习相结合,弥补了传统遥感方法在植被覆盖区滑坡提取效果方面的不足,可为滑坡分析提供有力的技术支持。     

基于MODIS数据的亚马逊热带雨林火灾时空变化规律研究

频繁发生的森林大火对亚马逊热带雨林造成了大面积破坏,获取不同年份的火灾影响范围以及植被破坏情况,有助于了解该地区火灾时空演变规律以及火灾与植被的相互作用关系,进而探究火灾发展机理,为防灾减灾提供科学依据。为此,利用2015～2019年MODIS植被指数产品与地表温度产品,构建MODIS全球扰动指数模型（MGDI）,结合火点数据（以下统称MOD14A1）、植被连续场数据（Vegetation Continuous Field,VCF）提取1 000 m分辨率下的燃烧范围和燃烧强度,并分析研究区域5年内的火灾分布时空规律。实验结果表明：(1)火灾主要分布在巴西中部以及巴西与玻利维亚的交界处,占燃烧区总面积的67%左右;(2)燃烧范围以及燃烧强度的综合信息显示火灾整体呈现出“升—降—升”的趋势;(3)火灾多发生于灌木草地（50%以上）以及阔叶林（30%）,且火灾多发在旱季;在全球变暖大背景下,火灾发生频率呈上升趋势;（4）人类活动范围扩张、不合理农业开垦、森林砍伐导致研究区内草地退化严重,农业用地以及建筑用地逐年上升,在一定程度上为火灾的发生、传导提供了良好的条件。     

一种高分辨率影像道路中心线提取算法

针对传统道路提取算法欠缺几何特征的考虑以及中心线提取不光滑的问题,提出一种基于形状特征和多元自适应样条回归(MARS)的遥感影像道路中心线提取算法.算法首先改进了传统的长宽比指数,然后利用该指数对遥感影像分割结果进行滤波,提取线性特征;在此基础上,结合光谱特征从线性特征中提取纯净道路段,最后利用多元自适应样条回归算法提取道路中心线.采用Matlab语言编程实现道路提取算法,并采用3幅高分辨率遥感影像对算法进行了验证.试验结果表明:改进后的长宽比指数可以有效地提取线性特征;同时,相比于传统的道路中心线提取算法,利用多元自适应样条回归算法提取的中心线更加光滑.