土地利用遥感动态监测中混合像元的分解方法研究

混合像元的存在是影响识别分类精度的主要因素之一。本分析了现有几种混合像元分解方法的特点,在此基础上提出了灰色相关像元分解法,并验证了其可行性。     

基于面向对象分类的土地利用信息提取及其时空变化研究

基于面向对象的影像分类技术与土地利用变化模型,选取处于剧烈变化环境下的东江流域为研究对象,对其1980~2008年的土地利用变化特征进行了研究。结果表明:(1)面向对象的遥感分类方法在SPOT5高分辨率遥感影像分类中具有较高的精度(总体精度达87.7%),可以有效避免"椒盐现象"发生;(2)1980~2008年东江流域的土地利用方式和空间格局发生了显著变化。耕地面积急剧减少了2 854.4km2,流失的耕地主要转化为了林地、城镇建设用地;园地面积减少了667km2,流失的园地主要转化为了林地;林地面积增加了1 988.7km2,呈波动变化;草地面积比由4.9%缩减为2.0%;水域面积先减少后增加;城镇用地呈快速增长趋势,年增长率高达186.23%。加强耕地保护和适度限制城镇用地增长对区域可持续发展至关重要。     

基于遥感影像的土地利用动态监测精度评价的方法

将土地利用动态监测的误差类型概括为几何误差与属性误差两种，并分别给出了它们的采样及精度评价方法。     

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。     

ETM＋影像用于土地利用自动分类的实验研究

基于陆地卫星影像,采用基本相的试验处理流程,分别从影像纠正、波段数量和组合及融合影像对分类结果的影响等方面进行分类处理,通过对相同分类要素在不同分类结果影像上所对应像元数量的变化比较,说明不同的卫星影像信息数据对分类结果的影响,旨在为采用陆地卫星影像进行自动提取土地利用覆盖的分类的生产提供参考。     

土地利用动态遥感监测中变化信息提取方法的研究

本文讨论了土地利用动态遥感监测中变化信息提取的常用方法,探讨了不同数据源对方法选择的影响,本文最后结合具体的试验项目给出了变化信息提取的一般性结论。     

基于高分辨率遥感影像的不透水面信息提取方法研究

不透水面是城市地区的典型特征,它与城市总用地面积的比值--不透水率作为一个重要的城市生态指数常出现于城市水文、水质、面源污染以及城市植被制图等研究中。利用高分辨率遥感影像提取不透水面不仅可获得较高精度的不透水面信息,而且可为中低分辨率遥感影像的不透水面提取提供样本训练区并检验其提取精度。本文利用南京IKONOS影像,采用面向对象分类方法提取不透水面信息,初步解决了阴影归类和遮盖不透水面的植被剔除等问题,提高了不透水面信息提取精度。     

无人机影像与地形指数结合的梯田信息提取

目前,通过卫星遥感、低空遥感影像自动,半自动化解译梯田信息有一定的研究进展,但是受数据获取成本、精度、解译方法单一等限制,只限于大面积提取梯田区域。低成本地进行梯田的田面精准提取以及面积统计仍需进一步研究。本文基于面向对象方法分别对0.5m分辨率的无人机正射影像和地形指数,及两种数据的结合进行梯田区域分割、提取及面积统计。结果表明,将正射影像数据与地形指数结合的梯田的田面提取结果优于基于单一数据源。     

遥感影像亚像元制图方法研究进展综述

遥感影像混合像元的普遍存在给遥感影像解译造成困扰。有效处理混合像元问题,细化分类结果,获得更为精细的地物细节信息就需要进行亚像元绘图。目前亚像元制图方法主要包括3个步骤:① 混合像元分解;② 提取软信息;③ 亚像元制图。总结归纳了近年来遥感影像亚像元绘图领域的研究进展和成果,详细阐述了亚像元制图的步骤及涉及的研究方法。依据辅助信息的类型将亚像元绘图方法大致划分为:基于空间相关性、基于空间结构信息、基于神经网络、基于像元交换途径的4类亚像元分类方法,并分别对各种方法的优缺点进行了分析对比。最后,评述了亚像元制图的发展趋势。     

基于遥感和GIS的土地可持续利用研究

介绍了中德合作项目“土地利用规划与可持续发展－南京江宁泰淮河流域研究”（英缩写为SILUP）的部分研究内容,在小流域尺度上重点论述了遥感与GIS在土地利用与可持续发展研究中的技术与方法。利用SPOT卫星资料,建立了基于知识的光变特征扩展遥感模型,提取了土地利用信息,取得了较好的分类结果。利用地理信息系统技术建立了可持续发展信息系统,实现了用最终决策分类矩阵FCM（Final Classification Matrix）进行综合土地利用规划的设计思路。     

遥感影像土地利用/覆盖分类方法研究综述

从六个方面总结了国内外出现的遥感影像土地利用／覆盖分类中针对传统计算机分类方法的改进：(1)从基于统计的分类向基于非线性并行处理的人工神经网络分类、基于模糊理论为分类、基于知识的分类以硬支撑向量机等分类技术发展；(2)分类从单一利用光谱信息到利用光谱、纹理、时相、角度等多砷信息；(3)从基于像元的逐点分类到基于图斑的分类；(4)从硬分类到亚像元分类；(5)从单源遥感影像分类到利用多源遥感影像融合的分类；(6)从单分类器向复合分类器发展。     

基于遥感的土地利用变化信息图像分割研究

为了提高大区域土地利用遥感动态监测效率,需将自动发现影像中包含的变化信息自动分割出来.在分析影像特征的基础上,结合双阈值法和区域生长法,能够将影像中的土地利用变化信息自动分割出来.为了减弱影像噪声、自动发现方法和图像分割对监测结果精度的影响,将多种方法得到的分割结果进行综合处理,进一步确认目标,以使本文方法在具有高效率的同时有较高精度的监测结果.另外,本文提出了一种典型区域法,从另一个角度解决了无法直接利用灰度直方图计算影像中特定目标的分割阈值问题.     

基于云理论的遥感图像土地利用分割分类方法研究

传统的遥感图像土地利用分类技术自动化和智能化的程度较低,遥感图像土地利用分类问题是一个包含随机性和模糊性的不确定性问题,而云模型把模糊性和随机性集成到一起,构成定性和定量相互间的映射。据此,本文探索将云理论引入到遥感图像土地利用分割分类技术中,建立了基于灰度的云映射空间,实现对遥感图像的分类。同时以武汉市南湖地区进行了实证分析,进一步阐述了模型构建过程,通过分类结果的评价和对比,探索该方法在本领域中的适用性。     

土地利用/土地覆盖遥感变化检测方法新进展

土地利用/土地覆盖变化检测是资源环境研究中的一个重要方面,准确、及时的变化信息为人类资源环境的生产和管理提供了决策支持。遥感技术具有实时、快速、覆盖范围广、多光谱、周期性等特点,给土地利用/土地覆盖变化检测提供了理想的数据基础。人类社会的发展对土地利用/土地覆盖变化检测的精度与效率不断提出新的要求,这也使得一些新技术、新方法引入到变化检测中。这些新技术新方法提高了土地利用/土地覆盖变化检测的精度,但在效率方面有待进一步研究。     

基于压缩数据维的城市建筑用地遥感信息提取

通过压缩数据维的方式，研究城市建筑用地信息准确提取的原理和方法。通过对城市土地利用类型的分析，选取了归一化差异建筑指数、修正归一化差异水体指数和土壤调节植被指数来代表城市建成区的3种最主要地类——建筑用地、水体和植被。通过将ETM 影像原有的7个波段压缩为由它们衍生的这3个采用比值运算构成的指数波段，大大压缩了数据维数、减少了数据的相关度并降低了不同地类的光谱混淆性。因此采用简单的最大似然分类和掩膜处理技术，就可以将城市建筑用地信息提取出来，其精度可达91．2％。     

陇中黄土丘陵沟壑区遥感调查

利用Landsat5 TM数据进行了甘肃省定西地区定西县、渭源县、陇西县和通渭四县的1990－2000年土地利用和土地覆盖遥感本底调查，对十年内项目区的土地利用和土地覆盖进行客观评价,并为今后生态脆弱区生态环境恢复提出可行性意见。     

土地整理遥感监测系统设计与实现

随着遥感技术的发展,高分辨率遥感已广泛应用于土地利用调查及其变化监测,监测土地整理项目的实施状况和对土地整理项目进行评价已经成为可能。本文基于此目的,建设了土地整理遥感监测系统,文中对系统进行了架构设计和系统功能设计。系统总体架构自底向上由设备层、数据层、支撑层、业务层和用户层构成,并建有统一的标准体系与作业规范的信息化制度。并将系统划分成六个功能模块,包括项目管理模块、数据库管理模块、信息提取模块、项目监测模块、土地整理评价模块、帮助模块。系统采用C/S架构,服务器/客户端双端数据管理模式,利用Titan Image 7.0二次开发平台,使用Visual C++.NET平台搭建了系统主体框架,并把开发的土地整理遥感监测业务模块集成到平台之下实现了整个土地整理遥感监测系统。     

基于多源数据的土地盐碱化遥感快速监测

通过分析干旱区土地盐碱化环境的地表景观特征和遥感信息特征，基于SPOT、ASTER多平台多波段遥感数据和DEM、土壤样品分析数据等多源数据，采用光谱角度制图（SAM）的遥感图像分类方法对实验区土地盐碱化程度进行了分级制图。该方法对常规数据的依赖性较小，适于西部干旱地区的土地盐碱化快速监测和评估。     

面向对象的高分辨率影像分类与信息提取

采用面向对象遥感影像分类方法对高分辨率遥感影像进行了信息提取实验,并将其与基于像元方法的信息提取结果进行了对比分析。实验研究表明,在目视效果上,传统方法的分类结果图中“椒盐现象”非常明显,而面向对象方法可以有效地避免“椒盐现象”;在分类精度上,面向对象方法分类结果的总体精度、Kappa系数、生产者精度、用户精度、Hellden精度和Short精度均明显高于传统方法,各类地物提取效果显著提高,总分类精度提高21.76%,Kappa系数提高0.2756。面向对象方法在高分辨率遥感影像信息提取中具有明显的优势。     

基于主动学习的遥感图像地块目标分类

在传统的机器学习中,模型的准确度往往由已标记的数据样本规模所决定。但是在实际情况中,海量数据中往往只有极小部分获得了准确标记,而大部分数据未经标记,如果通过专业人员对数据逐个进行标记,将耗费大量的时间成本和经济成本。主动学习是从大量未标记的数据集中检索出最有用的未标记数据,交由专业人员进行标记,然后用该类样本来训练模型以期提高模型的准确率。本文设计一种对遥感图像的目标检测的方法,首先构建一个深度学习网络模型,通过使用已标注数据对该模型进行预训练,然后使用度量学习的技术,筛选出未标注数据集中的最有标注价值的图像数据进行标注,对此过程反复迭代,直至准确率达到设置的阈值。实验分别由已标注数据占总数据量的14.2%、21.4%、28.6%这3种数据标记量对该方法进行测试,结果表明,通过主动学习结合U-Net网络的方法,可以有效地减少数据的标记量而达到模型的预期效果。