多核CPU下的K-means遥感影像分类并行方法

针对海量遥感影像快速分类的应用需求,提出一种基于K-means算法的遥感影像并行分类方法.该方法结合CPU下进程级与线程级模式的并行特征,设计融合进程级与线程级并行的两阶段数据粒度划分方法和任务调度方法,在保证精度的基础上实现并行加速.利用大数据量的多尺度遥感影像进行实验,结果表明:所提并行方法可大大减少遥感影像的分类时间,取得了良好的加速比(13.83),并可达到负载均衡,从而解决了大区域遥感影像快速分类的问题.     

一种基于点集自适应分组构建Voronoi图的并行算法

论文提出一种基于点集自适应分组构建Voronoi图的并行算法,其基本思路是采用二叉树分裂的方法将平面点集进行自适应分组,将各分组内的点集独立生成Voronoi图,称为Voronoi子图;提取所有分组内位于四边的边界点,对边界点集构建Voronoi 图,称为边界点Voronoi图;最后,针对每个边界点,提取其位于Voronoi子图和边界点Voronoi 图内所对应的两个多边形,进行Voronoi多边形的合并,最终实现子网的合并.考虑到算法耗时主要在分组点集的Voronoi图生成,而各分组的算法实现不受其他分组影响,采用并行计算技术加速分组点集的Voronoi图生成.理论分析和测试表明,该算法是一个效率较高的Voronoi图生成并行算法.     

基于特征优选的GF-3全极化数据积雪识别

以新疆阿尔泰山南麓克兰河流域典型区为研究区,利用GF-3全极化数据进行积雪探测,提出了一种基于特征优选的积雪识别方法。首先通过极化分解获取了GF-3数据的22个极化特征,并利用随机森林方法计算各特征的重要性,构建特征优选规则生成最优特征集,然后基于最优特征集对积雪进行识别。分析特征的重要性发现,同极化后向散射系数对积雪识别的贡献比交叉极化的贡献大,面散射和体散射对积雪识别的贡献比二面角散射贡献大。将该方法与最大似然法、支持向量机、BP神经网络3种分类器的对比发现,使用最优特征集并且利用随机森林方法的积雪识别精度最高（F指数为0.86,总体精度为0.79）。结果表明：基于特征优选进行积雪识别,不仅使得积雪识别效率得到提高,而且保持精度不变甚至有所增加,证明了该方法在积雪识别中的有效性。     

基于形态学属性剖面的高光谱影像集成分类

传统高光谱遥感影像逐像素分类方法未考虑像元之间的空间关联性且泛化性能较低。形态学属性剖面是表征影像空间结构的有效方法,同时集成学习可显著提升分类算法的泛化能力。为了在高光谱影像分类中充分利用影像的空间信息并提高分类的稳定性,提出一种基于形态学属性剖面高光谱遥感影像集成学习分类方法。首先,用主成分分析和最小噪声变换进行特征提取,并借助形态学属性剖面获取影像的多重空间特征;然后用极限学习和支持向量机的方法进行分类;最后将多个分类结果以多数投票的方式集成。区别于已有集成学习方法,综合考虑了不同特征提取和不同分类方法的联合集成,并将形态学属性剖面引入其中以充分利用影像的空间信息。采用AVIRIS和ROSIS两组高光谱数据检验该方法的分类性能,实验结果表明该方法可获得高精度和高稳定性的分类结果,总体精度分别达到83.41%和95.14%。     

玛纳斯河流域积雪区GF-1卫星图像辐射质量比较

卫星图像辐射质量与其对地观测能力息息相关,GF-1是我国高分辨率对地观测系统的首发星,在山区积雪监测中有着重要的应用价值。使用新疆天山玛纳斯河流域积雪区GF-1图像与相同区域、相近时间(2d内)成像的国外同类高分辨率卫星SPOT-6和RapidEye图像进行评价与比较,衡量GF-1在山区积雪区域的图像辐射质量水平,为GF-1的应用以及后续高分系列卫星载荷的研制提供参考。利用遥感图像辐射质量评价中常用的图像统计特征、平均梯度、信息熵和信噪比(SNR)指标对3种卫星图像进行比较,结果表明:GF-1图像与其他两种卫星的图像相比在图像统计特征和平均梯度方面表现最佳;但由于辐射量化级数的制约,其信息熵相比其他两种卫星还存在一定差距;GF-1在对积雪成像时局部会出现过饱和现象,从而导致部分区域的局部标准差值为0,在去除这些异常值后对GF-1图像的SNR进行重新估计,发现其在蓝光、红光和全色波段显著优于其他卫星,但绿光波段和近红外波段与SPOT-6有一定差距,与RapidEye相仿。总体来说,GF-1在山区积雪区的图像辐射质量基本达到了国际同类卫星的水平,部分指标甚至显著优于其他卫星,但在辐射量化级数和传感器所接受辐射能量范围方面还有一定差距,在部分积雪区会出现过饱和现象,后续可针对这些方面进行改善。     

岛礁遥感影像特征匹配优化

针对岛礁遥感影像定位误差大,岛礁遥感影像纹理特征不稳定等问题,提出一种轮廓特征与仿射不变特征融合匹配优化算法。基于MSER算子与SIFT算子依次对特征提取与描述,根据图像聚类描述的岛礁轮廓特征进行筛选,利用特征距离剔除错误匹配对,并通过匹配正确率迭代的RANSAC距离阈值筛选最优匹配对,用于仿射变换模型计算。该方法将岛礁自身轮廓特征与局部不变特征结合,层级筛选岛礁遥感影像匹配对,实验结果表明可有效提高匹配正确率,为岛礁遥感影像匹配提供一种可行思路。     

一种近似用于高发射率城市地表热红外等效发射率的方向性变异核驱动模型及其不确定性分析

地表热红外发射率(8~14 μm)的方向性变异为遥感地表温度的反演及应用引入了不确定性,这种问题在城市地表显得尤为突出。本文发展了一种近似用于高发射率城市地表热红外等效发射率的方向性变异(Urban Surface Emissivity Anisotropy, USEA)核驱动模型,并分析了具体应用时的不确定性,其中USEA用非垂直观测的发射率与垂直观测时的发射率之比定量表示。模型有两个基本假设：(1)白天,USEA具有热点效应,热点位置与太阳位置接近;(2)夜晚,USEA无明显热点效应,且主要与观测天顶角相关。该核驱动模型由各向同性核、多次散射核、以及温差核组成,其中各向同性核为常数1,多次散射核描述了USEA与观测天顶角的关系,温差核描述了USEA的热点效应。基于计算机模拟数据的模型评价结果表明,核驱动模型可以表达USEA的时空变化,但城市地表热惯量会导致模型的适用性降低。该核驱动模型在MODIS等传感器的方向性比辐射率数据上,具有一定的应用潜力。     

利用长时序流域不透水面数据集探索城市增长模式——以秦淮河流域为例

南京作为秦淮河下游的中心城市,在快速城镇化进程中面临着下垫面条件急剧变化带来的生态环境效应。不透水面作为衡量区域城镇化发展状况的关键指标,搭建了城市开发与环境质量的桥梁,可为当前空间治理与统筹城乡发展提供新的研究视角。在我国海绵城市建设背景下,以南京所在的秦淮河流域为研究区,通过半自动决策树分类模型从1988~2017年9景卫星影像提取流域基础不透水面数据集,利用多重滤波器构建连续变化的不透水地表,采用扩展强度指数和景观扩展指数定量分析30 a秦淮河流域不透水面时空扩展特征与城镇增长模式,揭示流域内城市发展轨迹及其成因。研究结果初步表明：①流域城镇化进程十分迅速。不透水面占比从1988年的3.09%增至2017年的26.49%,特别是2006年以来不透水面处于快速扩展期;②流域内不同城市的不透水面扩展进程差异明显。初期集中在南京城区和江宁城区,进入21世纪后则以江宁区、溧水区和句容市为主;③“多核扩展”和“点—轴扩展”是秦淮河流域城镇形态组建和增长的主要模式。初期以城区边缘式扩张为主,后期逐渐转向填充式增长,城镇一体化水平不断提升;④流域不透水面扩展是自然环境、经济发展、交通建设和政策规划等多种因素综合导致的结果。     

利用Landsat-8 OLI反演大气气溶胶的可见光谱段地表反射率估算

准确估算地表反射率的贡献一直是遥感反演大气气溶胶光学厚度过程中的重点和难点。为了促进Landsat-8OLI传感器在地表参数定量化特别是大气遥感领域的应用,本文提出一种利用OLI 1.6μm、2.2μm短波红外谱段数据估算遥感影像可见光地表反射率的方法。该方法依托于MOD04产品地表反射率估算模式,通过光谱归一化和构建新的短波红外植被指数等过程,建立OLI地表反射率估算模式,通过误差分析发现该模式能够有效地降低由于传感器光谱响应不同对估算结果的影响,对应用在OLI遥感影像的计算结果与同时间同区域MOD04产品地表反射率进行比较,表明其结果有较高的相关性和可靠性。     

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。