一种基于矩阵的求最小覆盖集算法

本文提出了一种利用矩阵的方法表示函数依赖集。通过有效迭加和对相应矩阵的化简得出了基于矩阵的求最小覆盖集的新算法。     

RadarSat-2 全极化数据土地覆盖分类精度评价

RadarSat-2 全极化数据能否应用于土地覆盖分类需要大量的研究和论证。本文以NLCD 为参考数据,利用 SVM 分类器对1 景旧金山地区RadarSat-2 全极化数据进行土地覆盖分类实验,并从分类类别面积一致性、空间相似性两个方 面对分类结果进行分类精度评价。实验获得RadarSat-2 数据分类结果总体分类精度76.91%和kappa 系数0.65,表明RadarSat- 2 全极化数据用于土地覆盖分类分类精度较高,可以达到很好的分类质量。     

RadarSat-2全极化数据土地覆盖分类精度评价

Radar Sat-2全极化数据能否应用于土地覆盖分类需要大量的研究和论证。本文以NLCD为参考数据,利用SVM分类器对1景旧金山地区Radar Sat-2全极化数据进行土地覆盖分类实验,并从分类类别面积一致性、空间相似性两个方面对分类结果进行分类精度评价。实验获得Radar Sat-2数据分类结果总体分类精度76.91%和kappa系数0.65,表明Radar Sat-2全极化数据用于土地覆盖分类分类精度较高,可以达到很好的分类质量。     

巴基斯坦土地覆盖数据产品季节性精度评价

GlobeLand30-2010（30 m）、FROM-GLC-2010（30 m）和GlobCover-2009（300 m）是3套应用广泛的全球高精度土地覆盖数据产品。以巴基斯坦为研究区,从2009~2011年30 m Landsat-5、Landsat-7多光谱遥感影像共122景选取了夏冬两季各1 000个样本点,评价了3套土地覆盖数据产品的季节性分类精度。结果表明：3套产品在巴基斯坦地区夏冬两季总分类精度差异不大,总体来说GlobeLand30-2010（63.9% vs. 65.6%）与FROM-GLC-2010（59.0% vs. 61.2%）的总精度夏季略高于冬季,GlobCover-2009的总精度冬季略高于夏季（59.5% vs. 59.1%）。此外,3套产品中GlobeLand30-2010对耕地、人造地表和水体有更好的分类效果,FROM-GLC-2010对植被和冰川积雪的分类更为准确,GlobCover-2009对裸地的分类更为准确;3套产品对耕地、裸地和冰川积雪分类更符合冬季的真实情况,对植被、水体分类更符合夏季的真实情况,人造地表分类无明显的季节差异。巴基斯坦土地覆盖精度评价的样本点密度应达到1个/1 000 km²。     

基于MODIS数据的宏观土地利用/土地覆盖监测研究

建立土地动态监测系统,快速提供各种土地利用变化信息是实现资源保护的基本手段。而及时准确地获取覆盖广的地表影像资料是大范围动态监测的重要环节。介绍了MODIS影像数据的特点,并与其它遥感数据源进行了比较,就其在土地利用中的应用进行了探讨。分析了松嫩平原2001年9月MODIS影像的特征,准确地解译出该区在宏观上的土地利用方式,为监测该区土地沙化、盐碱化和农作物生长提供了科学依据。     

MODIS土地覆盖数据产品精度分析——以黄河源区为例

MODIS土地覆盖数据产品覆盖广、时间分辨率高,是区域土地覆盖变化监测的重要数据源。本文以中国土地资源分类系统为依据,重新归类黄河源区MODIS土地覆盖数据。利用2000年和2006年黄河源区Land-sat解译数据为参考数据,对相应的MODIS土地覆盖数据,从数量精度和形状一致性两个方面进行精度分析和适用性评价。结果表明:在形状上,加入权重的总体形状一致性皆在69%以上,其中主要地类草地的一致性达到88%以上;在数量上,加入权重的总体面积相对误差在26%以内,误差主要产生在未利用土地等地类。MODIS土地覆盖数据产品在大尺度的土地覆盖监测中仍然有重要的应用价值。     

基于最小覆盖集的WSN数据聚集算法

针对无线传感器网络(WSN)能量有限且网内聚集错误检测率较低的问题,提出一种基于最小覆盖集的WSN数据聚集算法。构造一颗以汇聚节点为根并包含最少中间转发节点的树,其中间转发节点为树的最小覆盖集。在中间转发节点中引入读向量的相似性判断,以去除网内冗余及错误数据。实验结果表明,该算法能减少网内通信能耗,提高收集数据的准确性。     

融合拟单层覆盖粗集的集值数据平衡方法研究

如今不平衡数据存在生活中各个领域,如何有效地对其分类已经成为研究的热点。传统的过采样与欠采样方法虽然能保证数据的平衡性,但无法克服因数据分布和噪声对数据的分类造成的影响。为了降低数据分布与噪声在集值信息系统中对不平衡数据分类的影响,提出了一种基于拟单层覆盖粗集的过采样与欠采样相结合的模型。通过拟单层覆盖粗集[DA0]与[DE0]下近似将数据主要划分为两个部分,将属于下近似集的部分用BorderlineSMOTE进行过采样,将不属于下近似集的部分用ClusterCentroids进行欠采样,最终将二者合并即为最终数据集。拟单层覆盖粗集是适用于集值信息系统的高近似质量、快速计算的模型,高近似质量可以使其保留尽可能多的可靠数据来保证模型的泛化能力。通过混合处理方式,不仅能够降低噪声数据对BorderlineSMOTE的影响,还能通过ClusterCentroids极大程度地保留被过滤数据的信息完整性。通过相关对比实验,采用ExtraTree、DecisionTree、FGCNN等方法,验证了该模型的有效性。     

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。     

面向不完备分类型矩阵数据的集对k-modes聚类算法

为了解决具有不完备、分类型矩阵数据集的聚类问题,同时考虑样本和类簇间的不确定关系,提出了一种面向不完备分类型矩阵数据的集对k-modes聚类算法.首先,基于集对信息粒的相关理论,定义了不完备矩阵样本间的集对距离度量方法;其次,考虑样本和类簇间的不确定关系,给出了类内平均距离的定义和判断样本是否属于多个类簇的阈值计算公式...     

Seasonal Accuracy Assessments of Three Land Cover Datasets in Pakistan

Global land cover datasets play an important role in the fields of ecology, climate and resources. GlobeLand30-2010 (30 m), FROM-GLC-2010 (30 m) and GlobCover-2009 (300 m) are three global high-precision land cover datasets with a wide range of applications. In order to judge whether these data sets are sufficient to describe the real situation of land cover in different seasons, the inter-seasonal accuracy of the aforementioned three global land cover datasets using Pakistan as a representative study area was evaluated. A total of 1 000 land cover sample points were selected from 122 Landsat-5, Landsat-7 multi-spectral remote sensing images during 2009~2011 to generate summer and winter land cover classifications.The results show that the accuracies of summer and winter land cover classifications are different in Pakistan. The overall land cover classification accuracies of GlobeLand30-2010 (65.6% vs. 63.9%) and FROM-GLC-2010 (61.2% vs. 59.0%) in summer are slightly higher than those in winter. The overall accuracy of GlobCover-2009 (59.5% vs. 59.1%) in winter is slightly higher than that in summer. GlobeLand30-2010 performs best in classifying cropland, impervious surface, and water body, FROM-GLC-2010 performs best in classifying vegetation, glaciers, and snow, and GlobCover-2009 performs best in classifying bare land. The classification of cropland, bare land, glaciers, and snow in the three datasets is more in line with the real situation in winter than in summer; the classification of vegetation and water bodies is more in line with the real situation in summer; there is no obvious seasonal difference in impervious surface. There should be at least one sample point per 1 000 square kilometers.     

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.     

Error Analysis of Change Detection based on Land Cover in High Resolution Remote Sensing Images in Urban Areas

Land use/land cover change detection using high spatial resolution remote sensing image is an important content in land monitoring.However,the problems of shadow,image registration,threshold selection,detection method selection and image post-processing are more prominent in high-resolution images compared with that in medium and low resolution images,which result in more difficulties and uncertainties.Change detection of land cover was carried out base on aerial color images between 2009 and 2012 in Xianlin District of Nanjing,and the errors were analyzed in terms of intra-class and inter-class.The results show that the inter-class error accounted for 97.6% in the omission error,and the intra-class error accounted for 87.1% in the commission error.According to the error sources,72.6% of the false negative pixels are derived from the detection method,43.6% of the false positive pixels are come from detection method while 39.7% from radiation inconsistent.The analysis results in the paper provided reference for the development of new change detection algorithm.     

基于样本迁移的干旱区地表覆盖快速更新

阿姆河三角洲作为典型干旱区,干旱胁迫和次生的盐胁迫决定了本地区生态环境的复杂性和独特性,给遥感地表覆盖制图带来一定的困难。在土地利用/覆盖（LULC）遥感图像分类任务中,数量大、质量高、成本低的样本和速度快、性能稳定的分类器是高效实现高精度分类的关键。在一些偏远地区开展土地利用/地表覆盖遥感图像分类依然面临着标记样本空间上稀疏、时间上不连续甚至是缺失,人工收集成本高等问题。为此,结合最优树集成和样本迁移的思想,构建了一种高效的地表覆盖自动更新的新方法。该方法通过变化检测在历史产品上的同期影像上进行样本标签的标记,并将过去的地表覆盖类型标签转移到同源目标影像上,使用最优树集成（Ensemble of optimum trees,OTE）完成地表覆盖自动分类。根据阿姆河三角洲地区地表覆盖分类试验结果,表明该方法可以提取有效的地表覆盖标签,并能较高精度发实现土地利用/地表覆盖的自动分类更新。     

基于预测误差加权校正的动态矩阵控制

常规DMC中只利用当前时刻的误差对预测值进行反馈校正,造成误差干扰的校正不充分.本文在动态矩阵控制算法的基础上,在误差校正中加入预测的模型误差,对预测值进行加权校正,使误差干扰的校正更充分.以提高控制系统的抗干扰性和调节快速性.通过理论分析和仿真实验,证实了这种算法的有效性.     

典型地表对长沙主城区地表温度的影响分析

城市热岛是一种城市地区温度比郊区温度高的现象,它可改变城市的自然和社会过程,引发一系列环境问题.利用Landsat 8 TIRS10波段的单通道算法(TIRS10_SC算法)反演了长沙主城区2013年7月、2016年3月、7月和11月4景Landsat 8影像的地表温度,并进一步分析了地表温度的时空分布特征,建设用地、...     

基于生态地理分区的5套土地利用覆盖数据的不确定性研究

基于生态地理分区从面积精度和位置精度两个方面定量探讨了5套全球土地利用/覆盖(LULC)数据产品在实际应用中的不确定性,为基于生态地理分区的相关研究选择合理数据集提供参考依据,同时为中国生产全球LULC产品提供有关信息。选择中国地区20个典型生态地理分区为研究对象,采用最小误差频率法,分析5套数据集对各个类型面积估计的不确定性大小及原因;采用混淆矩阵法,基于位置分析5套数据集在类型混分方面的不确定性大小,原因及空间分布规律。结果表明:在生态地理分区尺度,MODIS,Meris300以及Glc2000这3套数据集明显优于Umd和Usgs这两套数据集,并且随着生态地理分区自南向北\,自东向西的空间分布,这3套数据集的不确定性呈减小趋势。对所有生态地理分区而言,Meris300数据集整体估计的稳定性最高,但是估计精度不是最高,并且它对建设用地和水域的估计最有优势。MODIS数据集整体估计精度和稳定性次之,对耕地的估计最有优势。 Glc2000数据集更适用于土地利用/覆盖简单的生态地理分区。研究还发现地形和土地利用/覆盖的复杂程度是引起数据集不确定性的两个重要因素。     

基于遥感和GIS的东亚土地覆盖年际变化研究

土地覆盖的年际变化是以土地覆盖的宏观分布模式为基准，在外界驱动因子的作用下发生的年与年之间的变化，因此，为揭示东亚地区土地覆盖的年际变化特征，首先选取东亚地区时相一致的不同空间分辨率（1km和8km)的NDVI影像进行了非监督分类，并总结了东亚土地覆盖的宏观分布模式，然后以时间序列的8kmAVHRRNDVI数字影像为基础，应用跨平百分率分析方法生成每年5-9月距平百分率分级影像，并以该影像为基础分析总结了东亚土地覆盖的年际变化特征，结果显示，该方法及其揭示的现象比较客观地反映了东亚土地覆盖年际变化特征。     

基于时序MODIS反射率产品统计检验方法的土地覆盖更新

土地覆盖产品的生产是遥感领域的研究热点。全球范围土地覆盖产品因其在空间范围上的巨大尺度,生产周期较长,因此产品的时间跨度也很大,需要具有与之相对应的快速生成与更新技术,以提高产品的时间分辨率。使用MODIS历史土地覆盖产品和反射率产品,采用平均值显著性统计检验的思想,实现土地覆盖产品的快速更新。在MODIS条带号为h26v05的结果中选取宁夏自治区作为检验样区,通过目视检验和精度评价的方法对土地覆盖更新结果进行检验,总体精度为90.0290%。对水、混交林、草原、城市和建成区、裸地或低植被覆盖地变化的趋势和变化原因进行分析论证,表明采用平均值显著性统计检验的思想使用时序反射率产品对土地覆盖产品进行自动化快速更新是可行的。