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。     

基于客观阈值与随机森林Gini指标的水体遥感指数对比

利用福建福州、西藏尼玛和澳大利亚弗伦奇3地代表不同水体类型的Sentinel-2A MSI和Landsat-8 OLI数据,采用客观阈值法（0阈值）和随机森林重要性评估法,比较和分析了改进型归一化差值水体指数（Modified Normalized Difference Water Index, MNDWI）、自动水体提取指数（Automated Water Extraction Index, AWEI）和水体指数2015 （Water Index 2015, WI2015） 这3种世界常用的水体指数之间的差异。从水体增强的效果来看,MNDWI增强的水体不仅具有丰富的信息还具有鲜明的对比度,AWEI和WI2015增强的水体信息的对比度相对偏弱。精度验证表明：3种指数提取的水体精度都较高,但MNDWI在3个地区的平均总精度略高于WI2015和AWEI,3者的平均总精度分别为91.83 %、91.16 %和90.07 %。在提取细小水体方面,MNDWI的能力强于其他2种指数,在阴影较为明显的高原山地区域,MNDWI提取水体的效果优于AWEI和WI2015。进一步采用随机森林的Gini指标进行的重要性评估表明,MNDWI在区分水体和非水体的分类中表现出了很强的重要性,尤其在Sentinel-2A MSI数据中表现得更为突出,而WI2015和AWEI的重要性则相对较弱。     

基于Landsat8热红外遥感数据的山地地表温度地形效应研究

地表温度是影响地表能量收支平衡的重要参量,能够综合反演地表的水热交换过程。虽然当前在基于地表温度开展全球或者区域尺度的地表能量平衡研究方面取得一系列的进展,但是面向山地区域尺度的类似研究仍然面临较大的挑战。为分析山地复杂地形对山地地表温度时空分布的影响规律,基于具有较高空间分辨率的Landsat 8热红外数据,以我国西南典型山地为研究对象,定量反演该区域的地表温度空间分布状况,结合SRTM90DEM数据,选择从海拔、坡度和坡向3个关键地形因子角度分析山地地表温度的地形效应特征。结果发现:山地地表温度随地形因子均呈现出十分显著的变化特征。总体而言,地表温度均随着海拔和坡度的升高而降低,而在坡向方面,南坡的温度相比北坡的温度要高。在地形效应分析的基础上,通过开展1km空间尺度地形和地表温度的空间统计分析发现,山地1km尺度下地表温度存在较大的空间异质性,且其影响不可忽略。研究结果表明:开展山地地表水热过程遥感动态监测需高空间分辨率地表温度作为数据支持,以准确描述山地地形因素对地表能量交换过程的影响。     

基于多源遥感数据协同反演森林地表土壤水分研究

土壤水分在土壤监测中是一项重要的指标,对于农业生产、生态环境以及水资源管理有着重要的影响.随着遥感建模与反演理论的不断成熟,其逐渐成为分析土壤指标的重要技术与手段.因此,利用光学影像与雷达影像数据,以大兴安岭地区漠河市为研究区域,分别建立以Landsat 8为数据源的土壤水分反演模型和由Landsat 8影像数据与GF...     

基于WorldView-2的红树林种群分类——以深圳湾为例

本文以WorldView-2多光谱遥感影像数据为数据源,选取深圳湾地区的红树林自然保护区为研究区域,基于ENVI5.3选用神经网络、支持向量机和随机森林三种分类方法对该区域的红树林进行种群分类,并对分类结果进行了对比分析。结果表明:随机森林分类法总体精度为73.6842%Kappa系数为0.6780,优于其余两种分类法。     

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。     

基于机载LiDAR的高寒山区遥感高程数据精度评估

遥感高程数据是获取缺资料地区DEM（Digital elevation models）数据的重要手段。然而,由于高寒山区实地高程测量稀少,难以对多源遥感DEM数据进行统一验证。ICESat-2等新的遥感高程数据在高寒山区也缺乏相应的精度评估。针对此问题,以青藏高原东北缘的冰沟流域作为研究区,采用机载航空遥感获取的大范围LiDAR（Light Detection And Ranging）DEM数据对新产品ICESat-2 ATL06（Ice, Cloud, and Land Elevation Satellite-2, Land Ice Height）、ALOS DEM（12.5 m分辨率）以及新版本SRTM V3（SRTM Arc-Second Global 1 V003）、ASTER GDEM V3（ASTER Global DEM）进行验证,并分析地形因子与均方根误差RMSE的关系。研究结果表明：ICESat-2 ATL06数据在高寒山区的RMSE为0.747 m。由于其较高的精度,可用于验证缺资料地区的其他遥感高程数据。其他遥感高程数据的精度都相对较低,ALOS 12.5 m数据的RMSE为5.284 m;ASTER GDEM V3版本的RMSE为9.903 m。实验所采用的4种遥感高程数据与机载LiDAR DEM均具有较高的相关性,相关系数在0.998与1.000之间。实验还揭示了坡度是影响遥感DEM精度的主要因素。除ICESat-2 ATL06外,其他高程数据的RMSE均随坡度的增大先减小再增大,且都存在一个最佳坡度值。鉴于地形复杂多样的冰沟流域具有青藏高原高寒山区的典型特征,多源遥感DEM数据在该区域的验证结论具有较好的代表性,可为相似地区DEM数据的使用和评估提供重要的知识补充。     

基于决策树方法的云南省森林分类研究

森林分类对于理解森林生态系统结构和功能具有重要意义。由于云南省地形和森林类型复杂,首先按云南省的16个行政区划将全省Landsat TM影像分为对应的16个区域。以TM波段1~5和7,以及由植被指数、缨帽变换、主成分变换、DEM组成的18个变量组,统计训练样本光谱值均值变化和光谱值与频率间的关系。利用交点计算公式计算类间最佳分类界点进而建立决策树,逐一分离各区的所有森林类型,将分类结果合并得到云南省阔叶林、针叶林和针阔混交林类型分布图。最后将分类结果与监督分类中的最大似然比法的分类结果进行对比。结果表明:监督分类的总体分类精度为74.39%,Kappa系数为0.63,决策树方法的总体分类精度为86.61%,Kappa系数为0.80,说明决策树方法可以提取高精度的云南省森林类型,进而为该区域森林叶面积指数和生物量反演等研究提供基础数据支持。     

基于Landsat数据的城市热岛效应研究

介绍了利用Landsat遥感数据反演地面温度的方法;从城市热岛的形成机制、形态结构及时空变化特征3个方面详细分析了Landsat遥感数据在城市热岛效应研究中的应用现状;最后指出了目前研究中存在的不足并对未来的研究提出了展望。      

利用正演计算方法分析地形和噪音对多波段遥感数据的影响

在没有干扰和噪音影响的理想条件下,多波段遥感数据中不同地物在散点图上的位置是一
个点。但在实际情况中,地形和噪音大大地改变了目标分布形状。利用DEM数字高程数据以及太
阳高度角和方位角等参数计算出地表接收到的辐射能量,然后设置已知目标,利用散点图来分析不
同反射率下目标所占的空间位置。再通过增加不同强度的噪音,分析目标在散点图上的变化规律,
以便寻找目标分离的有效特征。     

Rapid Land Cover Classification Using Landsat Time Series based on the Google Earth Engine

Accurate maps of land cover at high spatial resolution are fundamental to many researchs on carbon cycle, climate change monitoring and soil degradation. Google Earth Engine is a cloud-based platform that makes it easy to access high-performance computing resources for processing very large geospatial datasets. It offer opportunities for generating land cover maps designed to meet the increasingly detailed information needs for science,monitoring, and reporting.In this study, we classified the land cover types in Shanxi using Landsat time series data based on the Google Earth Engine Platform. We selected 1 580 sample points be visual interpretation of the original fine spatial resolution images along with Google Earth historical images over six different cover types. We defined training data by randomly sampling 60% of the sample points. The remaining 40% was used for validation. We generated two diffirent types of Landsat composite: (1) one based on median values which is used as the input image for single-date classification; (2)one based on percentile values which is used as input images for time series classification. Random forest classification was performed with two different types of Landsat composites. Random forest classification was performed with two different types of Landsat composites.We visually compared the single-date based to the time series based cover maps of 1990, 2000, 2010 and 2017 in five local areas, and we future compared the results of time series to other products. We aslo performed an accuracy assessment on the land cover classification products. The results shown: (1) The results of time series classification had an overall accuracy of 84%~94%. The time series results improved overall accuracy by 5%~10% compared to single-date results; (2) The result of time series achieves the classification accuracy of products such as CNLUCC, GlobeLand30 and FROM-GLC.The following conclusions were drawn: (1) Cloud computing and archived Landsat data in the GEE has many advantages for land cover classification at a large geographic scale, such as s strong timeliness, short time cycle and low cost; (2) The statistics metrics from Landsat time series is a viable means for discrimination of land cover types, which is particularly useful for the time series classification.     

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。     

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。     

基于特征统计可分性的遥感数据专题分类尺度效应分析

现有的对地观测遥感卫星能够提供从0.61 m到数十公里空间分辨率的遥感数据。通过遥感数据的专题分类得到的专题图的精度不但受遥感数据光谱特征、遥感数据处理和分类过程的影响, 而且受到所用的遥感数据的空间分辨率的影响。遥感数据空间分辨率的变化对遥感专题分类精度的影响受混合像元数目的变化和类内光谱特征变异程度的变化这两个矛盾的因子影响。空间分辨率对分类精度的最终影响决定于这两个矛盾影响因子的净效应。通过分析遥感专题分类中分类特种的统计可分性随遥感数据空间分辨率的变化来分析空间分辨率变化对分类精度的净效应。采用变换的离散度作为特征的统计可分性度量。以TM数据进行土地利用/土地覆被分类为例,首先将原始分辨率的图像以简单平均方法逐步尺度扩展到不同分辨率,然后在原始空间分辨率的图像上,根据该地区土地利用图进行层次随机采样,并以原始分辨率图像上的随机采样位置为掩模,在尺度扩展后的图像上进行同样位置的随机采样,最后在各空间分辨率上分别计算类对间的变换离散度。对变换的离散度随空间分辨率变化的规律进行了分析和定性解释。研究表明,类对间空间邻接结构对类别间混合像元数目随空间分辨率的变化有决定性影响;不同类对之间的最大统计可分性可能发生在不同的空间分辨率;空间分辨率越高,并不一定分类精度越高;不同类别之间的分类需要不同空间分辨率的数据。     

Radarsat-2/SAR和MODIS数据联合反演黄土高原地区植被覆盖下土壤水分研究

以黄土高原半干旱区定西为试验区,利用Radarsat-2/SAR和MODIS数据,将由MODIS NDVI估算的植被含水量(VWC)应用到微波散射Water-Cloud模型中校正植被的影响。采用交叉极化(VV/VH)组合方案对植被覆盖下土壤水分的反演进行初步探讨,结果表明:在植被影响校正前,模型反演土壤水分值出现明显低估现象;校正植被影响后,相关系数R由0.13提高到0.44,且通过α=0.01的显著性检验,标准差SD由5.02降低到4.30,有效提高了模型反演土壤水分的准确度。卫星反演的研究区土壤含水量大部分介于10%~30%之间,与实地考察情况一致,较好地反映出区域土壤湿度分布信息。表明,光学和微波协同遥感反演对于提高农田土壤水分遥感反演精度具有较大的应用潜力。     

遥感图象分类的统计融合方法及性能分析

基于数据层的统计数据融合方法,以提高遥感图象的分类性能为目的,实现了一种新的可调参数的图象分类方法。用这种方法对ＴＭ图象和ＳＡＲ图象进行了一系列的实验,并对实验的结果进行了分析,从而得出关于数据层统计信息融合方法的有益的结论。     

利用陆地卫星TM数据评估森林病虫害

回顾和总结了近十多年来森林病虫害遥感监测的研究进展，介绍了“八五”攻关课题的最新研究成果，充分肯定了陆地卫星TM数据在森林资源质量监测和评估中的应用前景，指出了今后的发展方向。     

Monitoring of cropland practices for carbon sequestration purposes in north central Montana by Landsat remote sensing

We used an object-oriented approach in conjunction with the Random Forest algorithm to classify agricultural practices, including tillage (till or no-till (NT)), crop intensity, and grassland-based conservation reserve (CR). The object-oriented approach allowed for per-field classifications and the incorporation of contextual elements in addition to spectral features. Random Forest is a classification tree-based advanced classifier that avoids data over-fitting associated with many tree-based models and incorporates an unbiased internal classification accuracy assessment. Landsat satellite imagery was chosen for its continuous coverage, cost effectiveness, and image accessibility. Classification results for 2007 included producer's accuracies of 91% for NT and 31% for tillage when applying Random Forest to image objects generated from a May Landsat image. Low classification accuracies likely were attributed to the misclassification of conservation-based tillage practices as NT. Results showed that the binary separation of tillage from NT management is likely not appropriate due to surface spectral and textural similarities between NT and conservation-type tillage practices. Crop and CR lands resulted in producer's accuracies of 100% and 90%, respectively. Crop and fallow producer's accuracies were 95% and 82% in the 2007 classification, despite post-senesced vegetation; misclassification within the fallow class was attributed to pixel-mixing problems in areas of narrow (< 100 m) strip management. A between-date normalized difference vegetation index approach was successfully used to detect areas having “changed” in vegetation status between the 2007 and prior image dates; classified “changed” objects were then merged with “unchanged” objects to produce crop status maps. Field crop intensity was then determined from the multi-year analysis of generated crop status maps.