城市绿化现状高分辨率卫星数据遥感图像分类探讨——以石家庄市城市绿化现状遥感图像分类处理为例

本文主要应用IKONOS高分辨率卫星数据，依据城市建筑物、城市道路、植被的波谱特征，对城市绿化现状遥感调查分类进行了深入的探讨，通过非监督分类和监督分类，试图达到自动分类识别的目的。就石家庄市城市绿化现状遥感调查分类结果而言，分类效果令人满意。     

高光谱遥感图像的单形体分析方法

将n个波段的高光谱图像像元与n维空间里的散点联系起来，结合凸体几何中单形体概念研究高光谱遥感图像纯净像元提取方法，实现图像的地物精确分类识别及像元波谱分解。寻找高光谱遥感图像n维空间里的单形体并认知分析单形体是该研究方法的重要环节。通过MNF(minimum noise fraction)变换和PPI(pixel purity index)计算技术寻找到单形体，基于单形体进行像元分解分析单形体，并结合应用实例和SAM(spectral angle mapper)分类技术完成高光谱图像地物精确分类制图，验证了该研究方法的可操作性。该研究方法的优点在于不需要用户提供地物波谱信息，用于制图和波谱分解的终端单元可由图像本身得到，并由用户控制分类制图和波谱分解的详细程度。     

在GIS支持下的遥感影像分类,判读与制图系统

在ＧＩＳ支持下的遥感影像分类、判读与制图系统闫守邕，全刚，张前，肖春生，周艺，王世新（中国科学院遥感应用研究所）笔者所在地理信息系统（ＧＩＳ）研究室为了满足重大自然灾害遥感快速分析评价等多方面应用的需要，探索解决遥感（ＲＳ）与ＧＩＳ等技术集成的途径，...     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于遥感分类图的机助制图研究

实现遥感信息机助制图是加速遥感应用的重要技术手段。以ＴＭ图像的初级分类图为依据，根据分类图像的特点，结合专题地图的制图原则，介绍了用分层滤波法进行图像的综合取舍，并与ＧＩＳ相结合，实现快速自动成图的过程和方法。对于提高图像专题分析的技术水平，快速及时地提供资料，以及促进遥感与地理信息系统的结合进行了探索。     

图象信息分类制图的区域参数应用研究

利用空间遥感信息，在地理信息系统的支持下，开展电子制图研究，是现代图象图形学发展的一个重要方向。本文介绍了应用于图象识别分类与制图的区域参数的涵义与功能。它是改进图象分类精度和提高制图质量的基本保证。重点论述了空间信息区域参数研究的理论与方法，其中包括地理相关辅助数据分析法和基于知识的区域参数研究方法；同时，结合盐碱地等类型的识别、分类制图，对其区域参数，作了地学分析和应用研究。     

基于多时相ENVISat ASAR数据的冬小麦识别方法——以北京通州试验区为例

ENVISat ASAR数据在水稻识别和制图中应用研究比较深入,但对该数据用于小麦识别和制图的技术方法的研究还比较缺乏。以北京市通州区为试验区,研究了利用多时相ENVISat ASAR数据进行冬小麦识别的技术方法。应用GPS实测定位和基于高分辨率World View-1影像解译等手段获取分类精度检验数据,结果表明多时相ASAR数据可用于我国北方冬小麦的识别,对小麦—非小麦两类型的识别总精度为82.64%。     

基于季相变化特征的撂荒地遥感提取方法研究

在我国西南地区耕种条件差,地块比较破碎,地块类型比较复杂,中低分辨率遥感数据难以满足撂荒地提取的需要。选取贵州修文县为试验区,基于高分辨率卫星遥感数据（哨兵2号）,探索单期或多期影像在中国西南地区的撂荒地检测能力,构建撂荒地遥感监测方法,为今后我国西南地区撂荒地统计调查提供参考。结合野外调查数据,在划分不同撂荒地类型基础上,综合遥感影像的光谱特征、植被指数特征以及多时相植被指数变化特征分析,优选不同类别撂荒地遥感提取敏感特征集,利用CART决策树分类方法,提取不同类型的撂荒地。结果表明：①单个时相对不同类型的撂荒地识别能力差异显著,基于单时相影像,难以开展撂荒地高精度遥感监测提取;②不同时相的植被指数变化特征对撂荒地的识别能力较强,其中比值植被指数优于差值植被指数和归一化植被指数;③以贵州修文县为例,开展了撂荒地空间分布制图及撂荒面积统计分析,修文县撂荒地面积约为6 460 hm²,占修文县耕地面积的13%;④基于多时相高分辨遥感数据,通过季相变化特征构建的撂荒地检测方法,能够满足我国西南地区撂荒地高精度遥感监测提取,为大范围撂荒地遥感调查和制图提供技术参考。     

遥感影像超分辨率制图研究进展

尺度问题是土地覆盖分类中的一个核心问题,向下尺度转换又是其中的难点。混合像元分解可以得到亚像元尺度的类别组分百分比,但无法求得亚像元的具体位置。遥感影像超分辨率制图是由粗空间分辨率的影像得到高空间分辨率分类结果图的技术,可用于地表分类向下尺度转换,近年来该技术已成为遥感影像分类和尺度转换领域的研究热点。对超分辨率制图研究进展做了详细论述,从超分辨率制图的发展和研究现状、主要方法、精度评价等几方面进行了详细阐述,并分析了当前超分辨率制图算法存在的主要问题,以及可能的研究重点和发展空间。     

光学一数字混合方法在遥感中的应用

本文综述光学/数字混合方法在我国遥感研究中的应用，着重介绍了光学功率谱分析方法在海洋调查、地物识别、航片筛选，森林树种识别以及卫星图片分析等遥感领域的应用研究现状，指出了这一技术的发展方向.     

卫星遥感技术在林业中的应用

介绍了国内外利用卫星遥感技末进行森林植被制图，森林蓄积量调查，森林质量监测所取得的最新应用研究成果。     

黄土高原防护林区TM数据的土地利用／覆盖分类方法研究

利用陆地卫星５号专题制图仪（ＴＭ）ＣＣＴ数据，对位于黄土高原防护林区的山西省隰县进行了大面积（面积为１４００ｋｍ＾２）的土地利用／覆盖的计算机自动分类研究。提出了在地形破碎的黄土高原防护林做遥感图像自动分类的方法和步骤，即把无监分类和有监分类有机结合的混合分类方法，提高了分类精度，使遥感数据能够在实际应用中真正发挥其覆盖面广、周期短的特点。     

黄土高原北部风沙危害与治理

黄土高原的综合治理与开发已列入国家规划,现正在进行能源重工业、化工基地建设和水土保持工作。“七·五”期间,国家把黄土高原地区的全面考察列入国家科技攻关重点项目,包括利用遥感技术进行黄土高原资源与环境的遥感调查与系列制图。这次遥感调查有两个鲜明的特点,其一,是在大面积,多专业,按不同比例尺进行系列制图;其二,是把区域综合治理的需要和遥感技术应用紧密结合。其中,黄土高原重点治理区遥感调查与系列制图是在包括了位于陕晋蒙黄河峡谷两侧严重水土流失区,共有80平方公里进行大中比例尺遥感系列制图。本文所涉及的范     

土壤光学遥感的理论、方法及应用

本探讨了土壤光学遥感基础理论，分析了土壤质地、湿度、有机质和氧化铁含量以及土壤结壳等主要因素对土壤光谱特征的影响，归纳了主要的土壤遥感信息处理分析技术，总结了遥感技术在土壤资源制图、土壤地球化学制图、土壤盐碱化、土壤侵蚀等方面的应用，并展望了新型遥感技术在土壤研究中应用的广阔前景。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

土壤遥感自动识别分类专家系统的设计与实现

一、前言自1992年美国NASA成功地发射第一颗陆地资源卫星以来,多光谱扫描图像(MSS图像)将过去惯用的土壤航测制图技术大大向前推进了一步。不仅能使判读的土壤属性增加,有利于识别土壤类型,而且磁带记录的数字图像(CCT)可以送入计算机进行处理,为土壤遥感自动识别分类,提供了可能。特别是1982年第四颗陆地资源卫星携带的专题制图仪获得的TM图     

ITC简介

ITC是荷兰的一所应用航空航天遥感和地球科学国际学院,英文全称是:Interational Institute for Aerospace Survey and Earth Sciences。该学校已成为一个国际性的航空航天考察和地球科学教育培训的科研机构,并以它的航空摄影、航测制图、航片解释而著称。现在该学校开设了土地调查、评价、地质地貌和水文,森林调查等应用地学课程,并且近年又增设了地理信息系统、应用遥感和信息系统技术于土壤、地籍、城市和自然资料管理等方面的课程,其课程已经现代化,并对新技术的应用给予足够的重视。在应用遥感方面对传统的手工技术和数字化技术都给予了充分注意。     

多类别遥感图像的复合分类方法

多类别识别对于遥感图像分类的实用化具有重大意义。本文提出一种由多层神经网络与无监督分类相结合的复合分类方法。第一步用多层网络对几个大类进行有监督分类，第二步将网络输出作为无监督分类的输入，对遥感图像进行细分，使得可识别的类别数从原来的１０类提高到３０类。对ＳＰＯＴ遥感图像识别的结果表明，该算法能适应多类别识别任务的要求。     

土壤遥感自动识别分类与制图专家系统的研究——国家基金课题通过成果鉴定

中国科学院新疆地理所遥感应用室和中国科学院新疆物理所数字图像处理室共同承担的国家自然科学基金资助项目--“土壤遥感自动识别分类与制图”研究业已结题,并通过了中科院新疆分院的鉴定。目前,计算机土壤遥感制图是计算机遥感制图效果较差的专业之一,这主要是由于土壤的同土异谱与异土同谱、背景信息干扰、土壤表面状态变化以及现行分类软件简单化等因素所造成的。利用现行的计算机自动分类制图方法所得到的分类精度在60-70%之间。该课题所研制的专家系统抛弃了现行的仅以遥感数据为依据以空间集群为手段的分类方法,改用以反映土壤光谱特征的遥感图像信息和反映成土条件的非遥感图像信息为论据,并设计出具有土壤专家解译遥感图像的分析、推理和决策能力的推理决策器