基于对象和DEM的湿地信息提取——以洪河沼泽湿地为例

湿地资源遥感信息提取并满足一定的分类精度和效率,是湿地研究的关键问题之一。利用高分辨率的SPOT5影像数据,通过对研究区分别进行基于像素的监督分类和基于对象的分类,进行典型沼泽湿地专题信息提取,同时将面向对象分类与DEM辅助数据进行信息复合,探寻提升分类精度的方法。结果表明,基于对象和辅助数据DEM的信息提取,可以有效地改善遥感图像的分类精度。     

基于决策树方法的淡水沼泽湿地信息提取——以三江平原东北部为例

湿地是生态系统的重要组成部分,及时、准确地获得湿地基础信息,对湿地的动态监测、保护与可持续利用及其它领域的研究具有重要意义。以三江平原东北部沼泽湿地为例,利用分类回归树(Classification and Regression Tree,CART)算法从训练样本数据集中挖掘分类规则,集成遥感影像的光谱特征、纹理特征和地学辅助数据建立研究区湿地信息提取的决策树模型。用实测的GPS样本点对分类结果进行精度验证,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)进行对比。结果表明,基于CART的决策树分类结果的总精度和Kappa系数分别为82.65%和0.7935,分类精度较MLC监督分类方法有明显提高,是内陆淡水沼泽湿地信息提取的有效手段。     

滨海湿地信息提取方法比较研究

以江苏省典型滨海湿地为研究对象,利用2005年5月26日的Landsat7 ETM+图像数据,在湿地特征及其遥感图像表征分析的基础上,逐步提高湿地信息的提取精度,通过对多光谱遥感图像特征向量的分析,总结出一些湿地信息提取的规则和方法。在滨海湿地光谱特征分析的基础上,对研究区的图像进行了非监督分类,利用湿地的光谱相应特征、纹理特征、主成分变换、归一化差异水体指数等特征和相应的知识规则,得到用于优化分类的知识规则,采用分层分类的方法对非监督分类的结果进行了优化,从而使提取结果的精度较原来有了很大程度的提高。还利用给予数据挖掘的分层分类法进行分类比较,通过建立误差矩阵和对比各种分类方法的分类精度,总结出一套分类精度较高的针对该研究区的湿地信息提取方法。     

基于面向对象技术的鄱阳湖湿地地物分类研究

使用RadarsatＧ２全极化雷达数据,基于面向对象技术对图像进行分割,分析各类地物的散射特征,并对分割对象进行特征提取,依此设计各类地物的提取因子并对鄱阳湖湿地进行地物信息提取,最后利用实地采样数据和同期的高分一号影像数据对分类结果进行验证.研究表明:采用面向对象技术并结合地物散射特征设计的提取因子,可以有效克服雷达图像分类中常见的斑点现象,提高湿地分类精度.     

基于植被物候特征与监督分类的青南高原信息提取

针对大尺度区域的植被信息提取,由于范围广阔、地形复杂、气候迥异,分类精度的提高是个亟待解决的问题;通过对青南高原采用分区处理,利用植被指数的特性,将基于时间序列的NDVI数据所反映的植被物候知识,辅助信息DEM和GIS数据加入监督分类系统,进行植被信息提取,并进行了分类精度评价。研究结果表明,利用该方法对青南高原的3个地区分类后,其分类精度都达到了83.3%以上,达到了较好的分类结果。在监督分类的训练区选取过程中,将植被物候特征作为知识,结合目视解译和DEM辅助知识帮助选取训练区的方法,同时参考GIS土地利用数据,使得训练区的选取更准确可靠,可进一步提高分类精度。     

CBERS与TM遥感影像湿地覆被分类对比分析

为了对比CBERS与TM两种遥感影像在地表覆被信息提取中的具体性能,验证基于CBERS遥感影像进行湿地覆被分类的可行性,以典型内陆淡水湿地区为对象,基于CBERS与TM遥感影像,针对各波段进行信息量统计及光谱特性分析,获取了各波段覆被探测性能的初步认识;运用非监督、监督与面向对象三种代表性分类方法进行分类实验,通过精度误差矩阵对比分类结果,分析了两种遥感影像在湿地覆被分类中的准确程度差异;基于分类结果,通过景观格局指数计算,对比分析了两种影像在湿地覆被信息提取结果上的空间差异和特性。     

基于ETM+遥感数据的滨海湿地信息提取研究

以江苏省典型滨海湿地为研究对象,利用2005年5月份的Landsat7 ETM+图像数据,在湿地特征及其遥感图像表征分析的基础上,逐步提高湿地信息的提取精度,通过对多光谱遥感图像特征向量的分析,总结出一些湿地信息提取的规则和方法。在滨海湿地光谱特征分析的基础上,首先对研究区的图像进行了非监督分类,进而利用湿地的光谱相应特征、纹理特征、主成分变换、归一化差异水体指数等特征和相应的知识规则,得到用于优化分类的知识规则,采用分层分类的方法对非监督分类的结果进行了优化,从而使提取结果的精度较原来有了很大程度的提高。     

基于多尺度分割的遥感影像滨海湿地分类

基于多尺度的高分辨率遥感影像分类方法研究,可以为滨海湿地动态监测、规划保护提供更详尽的湿地分类信息和更快速的数据获取方法,对湿地保护具有重要意义。选取连云港青口河入海口处湿地为研究区,以高分辨率遥感影像WV\|Ⅱ和航空遥感影像为数据源,利用多尺度分割方法将影像分割成不同层次的实体对象;在不同层次,以实体对象为单元,结合光谱、形状、纹理等不同影像特征,进行滨海湿地分类研究,结果表明:利用该方法分类后,研究区各种湿地类型都达到较高精度。基于多尺度分割的影像分类方法能充分利用各种影像特征完成湿地分类,有效地减少了遥感影像中的“椒盐”现象,提高了分类精度;选择适宜的分割尺度和分割参数是基于多尺度分割的遥感影像分类方法提高精度的前提。     

基于ALOS影像的盐城海滨湿地遥感信息分类方法研究

盐城海滨湿地类型丰富多样,湿地植物覆被类型之间的生态交错带十分明显,如何更为准确地获得海滨湿地覆盖信息,对湿地研究具有重要价值和意义。以ALOS影像为数据源,江苏盐城海滨湿地核心区为试验区,开展湿地信息遥感分类研究。在对研究区进行非监督分类,分析其限制分类精度原因基础上,针对研究区域的特点提出适合的分类精度改进方法。以非监督分类后的结果为模板,借助分区分层分类方法的思想,通过分析遥感影像光谱信息、纹理信息、主成分变换信息,得到知识规则,以基于知识规则修改的方法对芦苇、米草和盐蒿3种植被交错带进行修正。然后以基于GIS规则的方法对剩余区域进行修正。通过GPS数据进行精度检验,分类精度达到92.6829%,Kappa系数为0.9098。实验证明基于GIS规则和知识规则的分区分层分类法是提高海滨湿地遥感分类精度的有效方法。     

基于SPOT影像的水体信息提取以及在湿地分类中的应用研究

利用SPOT影像数据,对研究区进行遥感图像融合处理实验,探讨了基于SPOT影像的水体信息提取的方法,以及在湿地分类中的应用。     

基于垂直植被指数的湿地植被类型提取研究——以长江口九段沙湿地为例

针对潮滩湿地植被的特点,利用2005年5月7日的SPOT 5数据,结合自动提取土壤线算法和近红外一红外二维光谱特征空间,获取土壤线参数,并利用垂直植被指数对九段沙湿地典型试验区进行植被信息提取.计算结果表明,土壤线计算方法简单可靠,利用垂直植被指数进行分类其精度达到86.5％,相比最大似然分类方法提高了5.7％.     

杭州湾滨海湿地景观动态变化分析

以杭州湾滨海湿地为研究区,基于3S技术与模型对湿地景观动态变化进行分析。首先对研究区卫星遥感影像进行湿地景观基础信息提取,通过对遥感影像进行分类处理,提取了不同年份的湿地基础数据,同时基于GIS应用转移矩阵模型研究了不同时段各类景观的变化情况,最后对未来研究区的湿地景观的转化情况进行了驱动力分析。研究表明,5年来研究区岸线逐渐向海迁移,共增加湿地面积10308.05ha2,但人类生产活动对湿地的侵占也在增加。湿地减少的面积超过增加的面积,人为因素作用是影响湿地景观变化的主导因素。通过此研究提供了湿地管理与保护的主要方向与科学依据。     

三江平原洪河自然保护区湿地遥感分类研究

湿地是指陆地上常年或季节性积水或过湿的土地与生长栖息于其上的生物种群构成的独特生态系统,具有重要的生态价值与科学研究价值。研究选取重要国际湿地洪河保护区作为研究区,应用多期LandsatTM影像,采取基于专家经验的监督分类方法进行基于群落尺度的分类,取得了较好的分类效果。研究表明有效的影像增强处理和分类训练区的精确选择是监督分类的关键,基于专家辅助的地理信息系统空间分析方法有助于提高分类精度。依据遥感分类结果定量分析了高度自然状态下的北方半湿润区内陆淡水湿地群落类型的原始空间格局。研究揭示具有从沼泽湿地向草甸湿地明显过渡特征的小叶章-苔草群落占据整个保护区面积过高比例,显示该湿地保护区典型沼泽湿地的现状湿生环境退化特征比较明显,应尽早采取相应措施。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题,提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息,然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型,最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略,在随机选取10%训练样本时,Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略;②针对不同地表信息提取算法模型,通过50次随机选取训练样本构建模型评价分类精度,验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息,为光学和雷达遥感协同地表信息提取提供新的思路。     

基于决策树的干旱区湿地信息自动提取——以疏勒河流域为例

以疏勒河流域为研究区,探讨了干旱区湿地的遥感影像自动提取方法。以Landsat 8卫星影像数据为主要数据源并辅以数字高程模型(DEM),利用改进的干旱区湿地指数(MAZWI)、归一化植被指数(NDVI)、地表反照率(Albedo)、灰度共生矩阵(GLCM)的非相似性分量等识别指数构建决策树模型,对研究区湿地进行提取,并将结果与最大似然分类结果进行对比。结果表明:该方法在一定程度上提高了湿地提取的精度,与最大似然分类结果相比总体精度和Kappa系数分别提高了6.52%和0.124。证明决策树法是干旱区水域湿地自动提取的一种有效手段。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题，提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息，然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型，最后通过随机样本选取构建随机森林（Random Forest,RF）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree,DT）分类算法模型提取地表信息。结果表明：①针对不同特征协同策略，在随机选取10%训练样本时，Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略；②针对不同地表信息提取算法模型，通过50次随机选取训练样本构建模型评价分类精度，验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息，为光学和雷达遥感协同地表信息提取提供新的思路。     

GIS支持下的湿地遥感信息高精度分类方法研究

遥感影像高精度自动分类方法的实现是制约遥感数据应用的瓶颈之一。以知识和地理信息系统为支撑,进行湿地遥感影像的分类,并对各项分类方法的精度进行比较评价,从而为湿地遥感的分类方法提供依据。实验结果表明经辐射增强降噪处理后湿地边界更加明晰;而对于处于生长期的湿地影像,经过光谱增强缨帽处理后,明显提高了区分湿地亚类的精度。结合以上两种分类方法的优势,利用GIS技术对二者进行空间处理,取长补短,生成了湿地遥感影像分类图。实验证明基于3S技术的分类方法精度更高,是一种较好的湿地影像自动分类方法。     

GIS支持下的湿地遥感信息高精度分类方法研究

遥感影像高精度自动分类方法的实现是制约遥感数据应用的瓶颈之一。以知识和地理信息系统为支撑,进行湿地遥感影像的分类,并对各项分类方法的精度进行比较评价,从而为湿地遥感的分类方法提供依据。实验结果表明经辐射增强降噪处理后湿地边界更加明晰;而对于处于生长期的湿地影像,经过光谱增强缨帽处理后,明显提高了区分湿地亚类的精度。结合以上两种分类方法的优势,利用GIS技术对二者进行空间处理,取长补短,生成了湿地遥感影像分类图。实验证明基于3S技术的分类方法精度更高,是一种较好的湿地影像自动分类方法。     

基于地形信息的Landsat与Radarsat-2遥感数据协同分类研究

针对不同成像机理的光学与雷达遥感数据协同应用于地表信息提取瓶颈问题,提出了一种基于地形信息的光学与雷达数据协同分类方法。首先利用InSAR测量技术从Radarsat-2数据中提取DEM地形信息,然后构建基于地形信息的Landsat光学数据和Radarsat-2雷达数据的不同特征集输入模型,最后通过随机样本选取构建随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和决策树(Decision Tree,DT)分类算法模型提取地表信息。结果表明:①针对不同特征协同策略,在随机选取10%训练样本时,Radarsat-2干涉提取DEM与Landsat数据集提取精度优于ASTER GDEM与光学影像协同策略;②针对不同地表信息提取算法模型,通过50次随机选取训练样本构建模型评价分类精度,验证RF算法的鲁棒性和提取精度都要优于DT算法和SVM算法。研究充分利用光学和雷达遥感的优势信息,为光学和雷达遥感协同地表信息提取提供新的思路。     

复杂地形区土地利用/土地覆被分类机器学习方法比较研究

针对高海拔复杂地形区地貌类型复杂、多样,沟壑纵横、地形破碎等特点,研究快速、有效的土地利用/土地覆被分类方法对土地利用信息获取及更新是非常重要的。以位于黄土高原向青藏高原过渡带的湟水流域为研究区域,基于Landsat 8 OLI影像数据、DEM数据,并结合各种专题特征,在对研究区进行地理分区的基础上,采用人工神经网络、决策树、支持向量机和随机森林4种机器学习方法进行土地利用信息提取并进行精度评价,探索适合于复杂地形区最优的分类方法。研究结果表明:随机森林和决策树的分类精度明显高于支持向量机和人工神经网络。其中随机森林方法的分类精度最高,总体分类精度达85.65%,Kappa系数达0.84。在上述分类基础上,选择随机森林分类方法对Landsat 8全色与多光谱影像融合数据进行进一步的分类研究,总体分类精度达到86.49%,Kappa系数达0.85。这表明随机森林分类方法在保证分类精度的同时又能获得较高的分类效率,对于复杂地形区土地利用信息提取是非常有效的,数据融合在一定程度上提高了分类精度。