城市扩展空间分异的多时相TM遥感研究

以徐州城市为例，将城市区域划分为东、西、南、北、中、东北、西北、东南、西南9个空间单元，运用多时相卫星遥感TM图像和Matlab软件技术，对建成区扩展的动态变化数据进行了监测．结果表明，徐州城市建成区总面积在不断扩展，1994年前徐州西部矿区建成区扩展程度在城市扩展贡献上占有重要地位，但1994年后徐州南部因无污染源又是人文景观区而成为城市扩展上的优势区域．     

基于遥感的县域土地利用时空变化分析——以江苏省丰县为例

利用1994年、2000年和2005年3期卫星遥感TM/ETM 图像,采用监督分类和目视解译相结合的方法,提取出江苏省丰县3个时相的土地利用信息,在此基础上定量分析该县土地利用类型的动态变化和土地利用类型的转移趋向.结果表明,在1994-2005年间,建设用地和林地面积持续增加,未利用地和耕地面积持续减少,水体面积先增加后减少,园地面积则呈现出先减少后增加的态势.主要的土地利用变化类型是耕地转化为建设用地.     

矿区煤矸石充填复垦的材料确定与标高设计

为科学确定煤矸石充填复垦的材料和标高，以徐州矿区为例，采用现场试验和实验室分析测定相结合的方法，研究了煤矸石的地球化学性能和有毒元素状况，分析了煤矸石孔隙度计算的理论和方法，建立了煤矸石充填超高计算的数学模型，提出了煤矸石充填标高确定的数学方法．结果表明：徐州矿区煤矸石可作为煤矿塌陷地的充填复垦材料，煤矸石地球化学组成中SiO2的质量分数平均为54．66％，使得煤矸石具有一定的硬度，煤矸石的Hg，Cd，Pb，As和F等有毒元素含量不超标；煤矸石充填复垦的实际充填高度应为设计充填高度的1．3649倍．     

Landsat7卫星多光谱图像与全色图像的数据融合

随着遥感技术的发展，遥感图像的数据融合备受关注．本论述利用小波变换和IHS相结合的方法对Landsat7多光谱图像与全色图像进行数据融合．选取徐州市南郊铜山新区的图像进行试验，并与颜色变换法融合图像进行对比分析，结果表明，无论是目视解译还是定量分析，该融合方法均优于颜色变换法．     

徐州市城区土地利用变化的卫星遥感动态监测

运用1987，1994和2000年三期卫星遥感TM图像，结合Matlab软件技术，编制了相应时期徐州市城区土地利用结构变化图，土地利用类型分为建成区、耕地、林地、水体、塌陷地和其他土地等6类；提取了土地利用结构转移变化的矩阵信息；综合分析了土地利用结构的动态变化特征．结果表明，徐州城市扩展迅速，建成区在不断扩大，2000年建成区是1987年的2倍多；城市扩展占用的耕地和林地数量大，特别是耕地，而且建成区一旦形成就难以逆转。     

基于小波纹理信息的星载SAR图像分类研究

论述利用小波变换提取合成孔径雷达（ＳＡＲ）图像的纹理信息,借助Ｄａｕｂｅｃｈｉｅｓ３正交小波,对图像进行小波分解,将小波变换各个频带输出的Ｌ１范数作为纹理分类的物征,并采用神经网络分类。选取徐州市卧牛山矿开采沉陷区的Ｒａｄａｒｓａｔ卫星ＳＡＲ图像进行分类研究表明,该方法能有效地对ＳＡＲ图像进行分类。     

基于纹理的SAR图像居民地信息提取

研究了利用纹理特征来实现居民地专题信息的提取.首先用增强FROST滤波算法对SAR图像进行去噪处理.然后基于灰度共生矩阵实现纹理特征的提取,结合实际现状筛选出较好的纹理特征图像.最后将各图像进行波段组合实现非监督分类.实验结果表明:基于纹理特征来提取SAR图像中的居民地信息是可行的,效果较理想.     

基于TM/ETM^＋影像的新沂市土地利用时空变化研究

利用1988,1994,2003年3期陆地资源卫星影像,采用监督分类法和分层信息提取法,提取江苏省新沂市3个时期的土地利用信息,定量分析土地利用类型的时空变化特征。结果表明,15年间,新沂市的土地利用结构发生了较大的变化。建筑用地、林地逐年增加,耕地和未利用地逐年减少。用地主要以耕地向其它各类用地转移和未利用地向耕地转移为主。林地和建筑用地的动态度较高,耕地和水域的动态度较小。     

GIS中空间对象的不确定性研究

重点讨论了空间数据不确定性的概念、模型及研究方法,建议用目标模型和场模型来分别表示两类不同的空间对象,论述了空间统计学、模糊集理论、粗集理论、遗传算法、反思模型关数据不确定性研究中的应用,并给出了若干应用例子。     

SAR图像纹理特征提取与分类研究

为了高精度地提取合成孔径雷达(SAR)图像中的有用信息,提出一种基于灰度共生矩阵的纹理特征辅助SAR图像分类方法,该方法选择的是在合适的窗口尺寸下能将各种地物类型区分开的最佳纹理特征组合.采用增强的Frost滤波法对SAR图像进行斑点噪声抑制,通过比较各典型地物基于灰度共生矩阵的纹理特征统计量,确定参与分类的最佳纹理特征组合、计算灰度共生矩阵的最佳窗口尺寸;采用主成分分析法去除各纹理特征之间的相关性,选择信息量大的2个主成分与图像的灰度共同组成3个波段的图像;最后采用最大似然分类法对该组合图像进行分类.结果表明:该方法提取出的纹理特征辅助SAR图像分类,比无纹理信息参与的SAR图像分类,其精度可提高11.20%.