基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究

针对高分辨率遥感影像的城市土地覆被信息提取,根据分类目的与精度要求的不同,分别引入了优化与广义两种面向对象分类方案,并对分类的结果进行分析比较。结果表明:①优化方案的分类结果总体上要比广义方案好,前者的总体精度为86.50%,相比后者的80.50%提高了6.0%,而总体Kappa系数提高了0.0851,但是该方案效率低,可移植性差;②广义方案的分类结果虽然精度略低,但是该方案具有很强的适用性与可移植性,能够在精度可控范围内,很大程度提高分类效率,实现系统而有效的自动分类;③广义方案得到的分类结果具有一致的精度,在利用其建立城市生态模型中能够保证数据之间的系统性与鲁棒性。因此,利用优化方案能够提高分类结果的绝对精度,而广义方案对于实时精确获取城市土地覆被信息、小尺度上定量监测与评价城市化的生态后果以及有效开展城市土地规划与管理具有更重要的意义。     

基于GEE和密集时序信息的辽河口湿地精细分类制图

辽河口滨海湿地是我国最北的河口湿地,是多种水禽的理想繁殖地和迁徙驿站。近年来在该区域开展了多种生态修复工程以改善人类活动导致的生境退化问题。为高效评估湿地生境质量和修复效果,亟需利用遥感技术精准地绘制湿地地表覆盖分类图。然而,目前辽河口滨海湿地的遥感分类研究方法上大多基于面向对象,制图结果不够精细且有待更新,还需深入研究像素级方法和密集时序信息的利用在该区域的效果。依托Google Earth Engine(GEE)平台,综合利用哨兵二号、哨兵一号和地形等长时序多源数据,重构多年密集时序植被指数以获取物候特征,并提取光谱指数、纹理、地形、雷达等特征;再利用实地采样与样本迁移生成多年样本数据集,基于随机森林模型开展2018～2022年辽河口湿地像素级精细分类制图研究,并评价不同特征对分类精度的影响。结果表明：结合GEE和密集时序信息的分类方法总体精度达到95.77%,物候特征的加入对精度提升最明显,能显著改善碱蓬与芦苇、水稻及水产养殖池间的混分现象,添加纹理与雷达特征能显著提升水产养殖池及建设用地的分类效果。近5年来,水产养殖池减少,滩涂、碱蓬面积明显增长,表明该区域开展的生态修复工程取得了一定成效。研究成果可为分析辽河口滨海湿地地物时空变化及驱动机制提供技术和数据支撑,对加强湿地生态保护和修复工作具有重要意义。     

基于CNN的不同空间分辨率影像土地覆被分类研究

基于卷积神经网络（Convolutional Neural Networks, CNN）和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引入了窗口滑动方法进行辅助选样。研究表明5种不同空间分辨率影像的总体分类精度均达89%以上,Kappa系数达0.86以上,分类精度较高。在所涉及的分辨率尺度范围内,空间分辨率越高,CNN分类结果越精细,并能保持较高的分类精度,表明CNN更适合高空间分辨率影像分类;但同时影像空间分辨率越高,地物表现出较高的类内变异性和低类间差异性,分类精度有降低的趋势。相比较而言,SPOT 6影像的分类精度最高,同时窗口滑动是一种有效的样本辅助选择方法。研究对今后同类工作具有一定的借鉴意义。     

利用地形参数提高土地覆被分类精度方法的改进

为提高MODIS卫星影像土地覆被产品的分类精度,以京津冀为研究区,在1∶25万土地覆被数据与MODIS土地覆被产品(MCD12Q1)分类一致区内,构建土地覆被类型面积占比与地形因子之间的多元回归模型,并据此改进MODIS土地覆被产品中分类精度较低区域的分类。用面积构成比例和空间一致性比率两个评价指标对改进结果进行评价。结果表明:林地、草地、耕地三种地类的回归模型适合用来改进MODIS土地覆被产品的分类,三种地类与参考数据的空间一致性比率比改进前分别提高了30.02%、40.87%和4.94%;对于与地形因子关系密切的林地和草地,两个评价指标均显示,基于分类一致区建模来改进目标产品的分类精度,比基于整个区域建模改进目标产品的分类精度的效果更加明显。其中,林地的空间一致性比率的提升幅度由8.55%升到30.02%,草地由27.44%升到40.87%。由此可见,地形地貌对土地覆被类型的形成具有重要影响,土地覆被类型面积占比与地形因子之间具有很强的相关关系,基于这种定量关系对土地覆被分类进行改进是完全可行的。     

基于Landsat 8卫星影像的北京地区土地覆盖分类

目的 土地覆盖分类能为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术运用于土地覆盖分类具有诸多优势。作为区域性土地覆盖分类应用的重要数据源,Landsat 5/7的TM和ETM+等数据已逐渐失效,Landsat 8陆地成像仪(OLI)较TM和ETM+增加了新的特性,利用Landsat 8数据进行北京地区土地覆盖分类研究,探讨处理方法的适用性。方法 首先,确定研究区域内土地覆盖分类系统,并对Landsat 8多光谱数据进行预处理,包括大气校正、地形校正、影像拼接及裁剪;然后,利用灰度共生矩阵提取全色波段纹理信息,与多光谱数据进行融合;最后,使用支持向量机(SVM)进行分类,获得土地覆盖分类结果。结果 经过精度评价和分析发现,6S模型大气校正和C模型地形校正预处理提高了不同类别之间的可分性,多光谱数据结合全色波段纹理特征能有效提高部分地物的土地覆盖分类精度,总体精度提高2.8%。结论 相对于Landsat TM/ETM+数据,Landsat 8 OLI数据新增特性有利于土地覆盖分类精度的提高。本文方法适用于Landsat 8 OLI数据土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求。     

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Google Earth Engine的重庆市植被指数长时间序列S-G滤波方法的改进与实现

由于云、大气等因素,归一化植被指数(Normalized Difference Vegetation Index,NDVI)时间序列数据存在一定的误差.Savitzky-Golay(S-G)滤波方法能够在一定程度上减小这种误差,抑制突降的低质量像元值,但对于低质量像元高值的抑制和高质量像元值的保护有所欠缺,而且不能很好...     

基于遥感的土地利用与覆被分类系统评述及代码转换

根据国土资源部“构建国家级土地利用和覆被变化数据库及服务体系”项目的部分研究内容，简要地评述了国内外最具代表性的基于遥感数据源的土地利用与覆被分类系统——美国1：25万土地利用与土地覆被分类系统、中国科学院土地资源分类系统，并与该项目研制的基于中分辨率卫星影像的国家级土地利用与覆被分类系统进行了比较，给出了分类代码的相互转换关系，以便用户使用和查询。     

基于云计算的高校课程资源共享模式研究

云计算被认为是IT产业发展的方向.学校或教师可利用“云计算”提供的教育“云服务”,实现对课程资源的共享.通过云平台构建个性化的信息化教学环境,能有效支持教师教学和学生主动学习,促进学生思维能力和智慧发展,提高教育教学质量.     

Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr — Temporal segmentation algorithms

We introduce and test LandTrendr (Landsat-based detection of Trends in Disturbance and Recovery), a new approach to extract spectral trajectories of land surface change from yearly Landsat time-series stacks (LTS). The method brings together two themes in time-series analysis of LTS: capture of short-duration events and smoothing of long-term trends. Our strategy is founded on the recognition that change is not simply a contrast between conditions at two points in time, but rather a continual process operating at both fast and slow rates on landscapes. This concept requires both new algorithms to extract change and new interpretation tools to validate those algorithms. The challenge is to resolve salient features of the time series while eliminating noise introduced by ephemeral changes in illumination, phenology, atmospheric condition, and geometric registration. In the LandTrendr approach, we use relative radiometric normalization and simple cloud screening rules to create on-the-fly mosaics of multiple images per year, and extract temporal trajectories of spectral data on a pixel-by-pixel basis. We then apply temporal segmentation strategies with both regression-based and point-to-point fitting of spectral indices as a function of time, allowing capture of both slowly-evolving processes, such as regrowth, and abrupt events, such as forest harvest. Because any temporal trajectory pattern is allowable, we use control parameters and threshold-based filtering to reduce the role of false positive detections. No suitable reference data are available to assess the role of these control parameters or to test overall algorithm performance. Therefore, we also developed a companion interpretation approach founded on the same conceptual framework of capturing both long and short-duration processes, and developed a software tool to apply this concept to expert interpretation and segmentation of spectral trajectories (TimeSync, described in a companion paper by Cohen et al., 2010). These data were used as a truth set against which to evaluate the behavior of the LandTrendr algorithms applied to three spectral indices. We applied the LandTrendr algorithms to several hundred points across western Oregon and Washington (U.S.A.). Because of the diversity of potential outputs from the LTS data, we evaluated algorithm performance against summary metrics for disturbance, recovery, and stability, both for capture of events and longer-duration processes. Despite the apparent complexity of parameters, our results suggest a simple grouping of parameters along a single axis that balances the detection of abrupt events with capture of long-duration trends. Overall algorithm performance was good, capturing a wide range of disturbance and recovery phenomena, even when evaluated against a truth set that contained new targets (recovery and stability) with much subtler thresholds of change than available from prior validation datasets. Temporal segmentation of the archive appears to be a feasible and robust means of increasing information extraction from the Landsat archive.     

黑河流域2001~2017年植被变化特征及其可延续性评价

植被的变化特征是流域生态监测的重要内容和流域综合管理决策的基础信息。基于谷歌地球引擎(Google Earth Engine,GEE),利用空间分辨率为250 m的MODIS-EVI(Enhanced Vegetation Index)产品,研究2001~2017年黑河流域植被的时空变化趋势及延续性特征。结合气温、降水与河流径流量观测数据,分析黑河流域上游、中下游绿洲与非绿洲区植被变化的影响因素。结果表明:近17年来黑河流域植被年最大EVI值年均增幅为0.0039,年均新增植被面积为480.3 km^2。受气温、降水、耕地开垦、水资源管理措施及与其密切相关的地下水等因素的不同影响,上中下游表现出不同的变化特征。无论是年最大EVI值还是植被面积,中游的增加趋势最为显著,绿洲区较非绿洲区增加趋势更为明显。这种变化趋势短期内可能延续,但长时间内存在较大风险。研究为快速监测植被变化提供了示范,揭示了干旱区植被监测中长势变化与类型变化的同等重要性,流域植被变化的区域协同性对合理分水、加强地表-地下水协同管理等流域综合管理提出了更高要求。