基于航空高光谱影像的额济纳绿洲土地覆被提取

土地覆被分类是生态环境评价、植被变化分析以及区域生态水文过程研究的基础。航空高光谱遥感具有高机动、高空间分辨率和高光谱分辨率等特点,在土地覆被提取方面极具优势。以黑河下游机载高光谱遥感数据为基础,针对额济纳旗胡杨林国家级自然保护区植被单一、景观破碎和异质性强的景观特点,以及高光谱数据量大、冗余度高等数据特点,对比分析最小噪声变换与主成分分析两种降维方法,最大似然法、支持向量机与面向对象3种监督分类方法。依据研究结果,首先利用NDVI区分高光谱遥感数据中的植被与非植被类别,然后采用最小噪声变换分别进行降维处理,最后利用最大似然法对研究区内土地覆被类型进行分类提取,提取结果聚类处理。依据随机验证点结合地面调查数据和正射影像,对土地覆被分类结果进行精度验证,总体精度和Kappa系数分别为87.95%和0.855,表明分类结果精度高,能够为生态研究等提供有效数据。     

基于MODIS时序数据的澳大利亚土地利用/覆被分类与验证

选取对气候变化敏感的澳大利亚作为研究区,基于MOD13Q1数据,对澳大利亚2000年土地利用/覆被进行分类。通过Savizky-Golay滤波方法构建高质量NDVI时序数据,为分类奠定数据基础。采用了以决策树为主的混合分类方法对研究区土地利用/覆被进行分类,该方法综合利用了ISODATA分类结果、NDVI阈值及其时间序列主成分分析特征量等数据。通过面积对比和空间位置匹配等多角度验证的方法,综合比较MOD12Q1,GLC_2000与本研究的结果,发现本研究的总体分类精度为63.65%,Kappa系数为0.56,较以上两种已有的土地覆盖产品具有一定优势。     

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。     

物候特征辅助下的随机森林宏观尺度土地覆盖分类方法研究

通过遥感技术获取大范围土地覆盖信息对于监测、理解和预测自然资源具有重要的科学意义.MODIS数据是当今宏观尺度土地覆盖研究的主要数据源.本文以河北省为研究区,应用MOD13Q1数据产品,构建MODIS NDVI时间序列,从中反演物候特征作为参与分类的主要辅助信息,并采用随机森林分类方法进行宏观尺度土地覆被分类实验,并与单决策树(CART)进行对比分析.实验结果表明,物候特征辅助下的随机森林宏观尺度土地覆被分类方法的总体精度为87.2％,Kappa系数为0.83,比CART单一决策树精度提高了17.9％;应用物候特征参与分类,使得总体精度提高2.6％;其中,旱地和建筑用地精度分别提高了6.7％和11.9％.     

多源遥感数据土地覆被空间尺度效应探讨

鉴于目前土地覆被空间尺度效应的探讨大多集中于低空间分辨率数据,而对中高分辨率数据却鲜有研究的情况,基于3景中高分辨率(2.5m、10m和30m)的同区域同时相遥感数据的土地覆被分类图,从土地覆被空间一致性、土地覆被空间信息转移、土地覆被空间格局变化3方面进行了空间尺度效应探讨。研究表明,不同空间分辨率影像上反映的区域土地覆被空间格局在宏观上是一致的,但构成各个土地覆被类型斑块的边界、形状和数量随着空间分辨率的转换发生了变化;土地覆被类型的空间信息转移趋势取决于构成该土地覆被类型的斑块的形状、大小和空间分布情况;随着空间分辨率的降低,各个土地覆被类型逐渐趋于完整,斑块的狭长程度和边界的复杂程度逐渐降低。     

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...     

基于转移矩阵的生态变化可视分析系统

生态系统变化对我们的生产生活和健康等各个方面具有重要影响. 生态覆被数据中蕴含了生态系统变化的重要特征. 为了利用生态覆被数据研究生态系统的空间划分和时序变化, 本文基于生态数据转移矩阵, 建立了区域生态覆被变化数据模型. 然后设计了基于降维算法的生态变化可视分析系统ECOVIS, 其中改进的桑基图用以实现对生态覆被变化数据的可视化, 可交互散点图被设计用来进行交互聚类分析, 基于地图的热图用来显示选中聚类数据在空间上的分布. 本文利用该系统应用到我国生态覆被数据中, 实现对局部地区森林和城镇变化的时序可视分析, 和对整体生态空间的聚类划分分析. 分析结果证明该方法对生态系统数据具有较好的空间聚类和时序对比功能, 可以提高生态覆被数据的分析效率.     

基于优化分割分类层次体系的土地覆被分类制图方法探讨

随着高分辨率卫星的广泛应用,基于对象的影像分析方法逐渐成为提取土地覆被信息的主要方法。分割优化是基于对象的影像分析方法中的一个基本步骤。不同土地覆被类型通常具有不同的优化分割参数,如何充分利用多尺度最优分割建立分割分类层次体系,从高分辨率影像中提取各种土地覆被类型,实现高精度土地覆被制图,是面向对象影像分析方法中有待解决的一个难题。在获取不同土地覆被类别各自最优的分割参数基础上,探索了一种基于参考数据集的最小分割单元与决策树的分割分类层次体系构建方法。实验表明:该方法可以有效地降低设置分割分类层次体系时对操作者个人经验的依赖,提高分类精度,满足自动制图要求。     

基于改进萤火虫算法的高光谱遥感多特征优化方法

目前,高光谱遥感影像分类时光谱信息使用较多,难以充分挖掘空间信息。针对该问题,提出一种基于改进萤火虫算法(Firefly Algorithm,FA)的高光谱遥感多特征优化方法。首先提取高光谱遥感影像的4种空间特征:局部统计特征、灰度共生矩阵特征、Gabor特征和形态学特征,并与波段选择的部分光谱波段组合,构建多特征集合;然后利用萤火虫算法对提取的多特征集合进行优化和特征选择,针对萤火虫算法收敛速度较慢问题,借鉴粒子群优化算法,引入随机惯性权重改进了萤火虫算法的位置更新公式;目标函数采用JM距离(Jeffreys-Matusita Distance)和Fisher Ratio。利用两组城市高光谱遥感数据进行了土地覆被分类研究,并将仅利用原始光谱信息进行波段选择的分类结果与利用多特征信息的分类结果进行了对比分析。实验表明:随机惯性权重可以提高FA特征选择的速度,且优化后的光谱与空间信息特征有助于提高城市土地覆被分类的精度,两组实验数据的特征优选结果统计均表明空间特征中的形态学特征被选择次数最多,局部统计特征和形态学特征相对于GLCM特征和Gabor特征更有助于高光谱遥感图像的分类。     

影像的土地覆被快速分类

精确的土地覆盖信息是进行碳循环、气候变化监测、土壤退化等相关科学研究的基础。随着云计算技术的不断成熟,一些高效算法与平台被不断提出,用来充分挖掘遥感数据所包含的海量信息。基于Google Earth Engine(GEE)云平台,利用随机森林监督分类法对1990、2000、2010、2017年的山西省土地覆被进行了分类。参考Google Earth高清影像选择的1580个样本点,对分类结果进行了验证;同时将分类结果与CNLUCC、GlobeLand30、FROM-GLC等现有土地覆被分类产品进行比较。验证和对比发现时间序列分类结果的总体精度达到86%~94%,比同期单时相分类总体精度提高了5%~10%;本文时间序列结果达到了CNLUCC、GlobeLand30、FROM-GLC等产品的分类精度。结果表明:①在快速准确土地覆被分类方面,时间序列影像与云平台结合,显示出时效性强、时间周期短、成本低等优势;②时间序列百分位数指标能有效地区分不同土地覆被类型的物候差别,在进行土地覆被分类方面显示出简单、易用、高效等特点。该方法对于深入研究大区域尺度的土地覆被变化过程具有重要的参考价值。     

深度学习U-Net方法及其在高分辨卫星影像分类中的应用

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机（SVM, Support Vector Machine）和面向对象的分类方法比较,结果表明：相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。     

基于CNN的吉林一号卫星城市土地覆被制图潜力评估

以吉林一号视频07B星高分遥感影像为基础,采用卷积神经网络（CNN）对城区土地覆被进行精细分类,设置多组光谱变量集合,并与最大似然法、多层感知机和支持向量机分类方法进行对比,全面评估分析各方法对城区土地覆被信息提取的适用性及波谱特征对分类精度的影响。结果表明：CNN模型的分类精度最高,总体精度高于90%,相比其他方法提高幅度达12%以上,能够显著降低“椒盐”噪音;红边波段对所有方法总体分类精度贡献十分有限,而近红外波段对分类精度的提升较为明显;总体而言,红边和近红外波段对CNN分类精度影响较为微弱。深度学习应用于吉林一号高分遥感数据能获取高精度城区土地覆被分类图,可为城市土地资源配置,城市规划与管理提供重要的支撑。     

基于特征加权的高光谱图像融合分类

在对高光谱图像监督分类中, 传统的监督学习方法对高光谱数据进行分类时需要获取足够的有标记样本作为训练样本, 这样可以有效的避免Hughes效应. 实际情况下的高光谱数据拥有较多的波段和相对较小的训练样本集给传统的遥感图像分类方法带来了挑战. 因此, 提出了一种基于特征组合以及特征加权的高光谱图像分类算法, 针对纹理特征分析难度较大的现实, 利用一阶直方图的统计特征描述图像纹理特征, 通过类内散度矩阵的逆矩阵作为特征加权矩阵构造组合核函数将高光谱光谱特征和空间特征融合起来, 同时利用特征加权的方法用于提高小训练样本的监督分类精度. 实验结果表明, 本文所提的方法对小样本的高光谱数据分类具有良好的效果.     

缅甸土地覆被遥感制图和空间格局分析

在“一带一路”倡议框架下,中缅经济走廊逐步从概念转入实质规划建设阶段,了解和掌握缅甸土地覆被的空间格局和分布特征对于合理开发利用资源、制定务实的经济廊道建设规划具有重要的战略意义。利用Landsat-8 OLI遥感影像数据,基于多分类器集成的面向对象迭代分类方法（OIC-MCE）,生产了缅甸2015年30 m分辨率土地覆被产品（MyanmarLC-2015）。采用Google Earth高分辨率影像获取验证样本用于产品精度验证,验证结果表明：MyanmarLC-2015产品的总体分类精度为89.05%,Kappa系数为0.87,各类别的用户精度和制图精度均超过72%,能够准确地反映缅甸土地覆被类型的空间格局。根据产品统计,林地是缅甸面积最大的土地覆被类型,占国土面积56.15%,以常绿阔叶林为主,占林地面积83.57%。耕地面积次之,占国土面积27.01%。地形因子对缅甸土地覆被类型空间分布格局有显著的影响,随着海拔升高,呈现出按如下顺序的垂直地带性特征：森林湿地、水田、旱地、落叶灌木林、落叶阔叶林、常绿灌木林、常绿阔叶林、常绿针叶林。从植被生产力的角度来看,缅甸东部、东北部和东南部植...     

一种利用Landsat年度时序数据的土地覆盖分类方法

针对大面积土地覆盖遥感分类中数据获取难度大、复杂度高、分类结果不够精确且易受季候变化影响等问题,提出了一种利用Landsat时间序列数据,生成年度时序特征,并结合特定算法(UniBagging)进行土地覆盖分类的方法(LandUTime)。该方法定义了一种基于时间序列数据的特征生成方式,根据时序数据特点,设计了一种基于特征子空间的集成分类算法。实现过程分为2个阶段,首先基于特定模型,在像元级别上对Landsat时间序列图像进行回归分析,生成模式特征,然后将所有特征整合成"特征块",根据特征子空间将基分类器集成到相互分离的集合中,最后通过加权投票的方法进行分类结果输出。实验结果与定量分析表明,与传统的特征提取及分类方法相比,该方法提高了分类精度,而且对高维数据具有鲁棒性;可以有效克服大面积土地覆盖分类中云遮掩、数据条带和物候变化等问题的影响,具有较高的准确性和实用性。     

基于Fuzzy ARTMAP神经网络的高分辨率图象土地覆盖分类及其评价

主要讨论了基于Fuzzy ARTMAP神经网络的高分辨率遥感图象土地覆盖分类方法及其实践．首先介绍了Fuzzy ARTMAP神经网络的原理，然后用SPOT XS图象试验数据进行土地覆盖分类．分类结果与传统的最大似然监督分类(MLC)、反馈式(Back Propagation，BP)神经网络的分类结果进行了比较．通过抽取500个样点对3种分类结果进行精度评价表明，Fuzzy ARTMAP神经网络相对其他两种方法，分类精度均有不同程度的改善，具有更好的分类结果，总分类精度比MLC和BP算法分别提高17．41％、7．32％．最后，对不同分类方法对于土地覆盖分类结果的影响进行了评价和分析．试验表明，Fuzzy ARTMAP神经网络用于高分辨图象土地覆盖分类研究可以获得相对较好的分类结果．     

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。     

辅以纹理特征的典型盐渍区地表覆被遥感影像分类

结合实测的盐渍地表光谱数据,采用经验线性法对遥感影像进行大气校正.分析了实测高光谱数据与遥感影像光谱值的关系,然后针对盐生植被光谱的相似性,对影像进行纹理特征提取.结合影像的纹理特征和光谱特征,运用神经网络分类法进行盐渍区地表覆被分类.结果表明辅以纹理特征的分类方法有效提高了盐生植被的分类精度.     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。     

基于SVM的东莞市土地利用/覆被自动分类误差来源与后处理

城市化是过去一个多世纪以来世界的发展趋势,城市化显著改变城市地区土地利用/覆被,并引起诸如水资源短缺,洪水灾害加重,水环境恶化,生态系统退化等负面效应,如何更加准确估算城市化引起的土地利用/覆被变化不仅是研究城市化过程特征的需要,也是研究城市化所引起的各种效应的需要,并且一直是国际遥感和应用界的研究热点和难点。东莞市是改革开放以来我国城市化速度最快的城市。为了给研究东莞市城市化过程及其各种效应提供高精度且完整的城市化过程的长系列土地利用/覆被变化数据,基于1987~2015年间12期Landsat遥感影像,采用SVM算法对东莞市土地利用/土地覆被变化数据进行了自动分类,并对分类误差来源进行了分析总结,提出了自动分类结果后处理方法,制备了东莞市城市化过程土地利用/覆被变化数据。12期遥感影像自动分类的总体精度为81.37%,Kappa系数为0.75;最终结果总体精度为86.87%,Kappa系数为0.83。通过土地利用变化特征分析,将东莞市城市化过程以1996年和2005年为节点,划分为起步发展、快速发展和稳定发展3个阶段。