遥感影像空间分辨率对城市建筑物高度估算精度的影响

选用WorldView-2、高分二号、高分一号遥感数据,以厦门软件园为研究区,运用面向对象方法及形态学的思想,并结合光谱、阴影和形状约束,构建了适用于不同影像的建筑物及阴影提取流程;运用阴影长度估算法,估算了0.5、1、2m这3种不同空间分辨率建筑物高度;并定量评估影像空间分辨率对建筑物提取精度、建筑物高度估算精度的影响。结果表明:(1)改进的建筑物及阴影提取流程对不同分辨率影像均取得了较高的提取精度,但建筑物提取精度随着遥感影像空间分辨率的降低而略有降低;(2)随着遥感影像空间分辨率的降低,建筑物高度估算精度逐渐降低,但不呈现出线性关系,分辨率从1m上升至0.5 m阶段建筑物高度估算精度提高的速度要高于分辨率从2m上升至1m阶段;(3)GF-1比较适用于高层建筑物的高度估算,GF-2适用于中高层到高层建筑物的高度估算,而WorldView-2对不同高度范围内建筑物的高度均有较高的估算精度。     

面向对象卷积神经网络的耕作梯田提取北大核心CSCD

针对目前高分辨率遥感影像耕作梯田提取方法普遍精度不高的问题,提出一种面向对象与卷积神经网络相结合的方法。以福建省南平市为例,构建面向对象卷积神经网络,利用高分辨率GF-2和ZY-3遥感数据进行耕作梯田精细提取,并对比分析深度学习与传统方法、不同分辨率数据源以及不同分类器对提取效果的影响。结果表明:该方法总体精度达到87.1%,Kappa系数为0.76,与采用低层次特征的随机森林分类对比,总体精度提高了10.2%;分别结合深层次特征与随机森林、XG Boost和Ada Boost分类器,总体精度差异小于2%;该方法基于GF-2影像的提取精度较ZY-3提高了4.6%。此方法可有效表征高分辨率影像梯田对象的深层图像特征,并顾及影像中梯田的边界信息,实现了梯田的精细提取。     

基于面向对象CNN和RF的不同空间分辨率遥感影像农业大棚提取研究

遥感技术已成为快速有效获取农业大棚覆盖信息的重要途径,但遥感影像空间分辨率大小对提取精度的影响具有双重性,选择适宜分辨率影像具有重要意义。以南方农业塑料大棚为研究对象,利用GF-1、GF-2和Sentinel-2形成1～16 m间6个不同空间分辨率影像数据集,基于面向对象影像分析方法（Object-Based Image Analysis,OBIA）,分别利用面向对象卷积神经网络（Convolutional Neural Network,CNN）方法和随机森林（Random forest,RF）方法开展大棚提取,分析提取精度和不同方法下的差异性。结果表明：(1)CNN和RF方法下,农业大棚的提取精度随着影像分辨率降低总体呈下降趋势,在1～16 m的影像上均能检测到农业大棚;(2)相对于RF方法,CNN方法对影像空间分辨率要求更高,在1～2 m分辨率下,CNN方法有更少的漏提和误提,但在4m及更低分辨率下,RF方法的适用性更高;(3)2 m分辨率影像是大棚信息提取的最佳空间分辨率,可经济有效地实现大棚监测。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例，通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异，基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据，构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布，并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比，植被指数差值法水稻识别精度贡献率可提升30%以上，NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72；NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846，实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的，可实际服务于太湖地区农业生产及相关决策支持。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数(NDVI)差值法、归一化水体指数和比值植被指数(NDWI-RVI)差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示:与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

高分辨率遥感影像道路提取

针对实际应用中高分辨率遥感影像道路提取自动化程度低的现状,提出了一种半自动的高分辨率遥感影像道路提取方法。方法采用数据预处理、尺度分割、分类以及形态优化的工作流程,对高分一号遥感影像进行道路半自动提取。数据预处理利用NDWI、DNVI获得道路潜在区域,边缘增强突出道路边缘信息;采用多尺度分割切割道路潜在区域,尺度对比法获得道路最优分割尺度;主要依据道路的光谱特征、形状特征制定分类规则集进行分类;运用形态学开启运算、闭合运算优化道路形态。实验结果表明:在样本区域内提取精度达到90%,整景影像提取精度达到80%,且可推广到具有陕北地区地貌特征的高分一号影像道路快速提取应用中。     

基于三种高分辨率影像样本迁移学习的城市水体提取研究

水体提取是遥感监测城市水环境必不可少的步骤,提取城市中的细小水体目前已成为遥感影像深度学习领域的热点。但是,深度学习需要大量的样本数据集作为输入,而且不同空间分辨率影像往往需要构建不同的样本集。如果影像的空间分辨率差异不大,可以先采用分辨率较低的影像样本训练模型,并加入少量的较高分辨率样本再次训练模型,这种模型可以保证精度和节约时间。研究选用了U-net图像分割模型,针对3种不同空间分辨率——分别为0.5 m、0.8 m和2 m的影像进行样本迁移学习。发现2 m到0.8 m、2 m到0.5 m、0.8 m到0.5 m 3种迁移学习后,提取水体结果对应评价指标F1-score、MIoU、Kappa都在0.80以上。在分辨率差异不大的前提下,这种从较低分辨率样本迁移到较高分辨率影像提取城市水体的方法基本可行,结果精度较好,适用于缺水型城市的水体提取。     

基于GF-1和Sentinel-1A的漓江流域典型地物信息提取

漓江流域是桂林山水的核心,保护漓江流域生态环境已成为国家战略。以漓江流域为研究区域,以GF-1多光谱影像和SAR影像为数据源,采用小波融合算法将GF-1多光谱影像和SAR VV极化的后向散射影像进行影像融合,再利用随机森林算法分别对GF-1多光谱影像、GF-1和Sentinel融合影像构建典型地物高精度识别模型,提取与漓江流域生态环境紧密相关的河流、针叶林、阔叶林、水田、旱地以及居民地等地物类型。研究结果表明:①在95%置信区间内,基于GF-1影像分类的总体分类精度达到96.15%,基于GF-1和Sentinel-1A后向散射系数的影像总体分类精度达到了94.40%;②河流、阔叶林和旱地在基于GF-1多光谱影像的分类精度中分别达到了97.74%、93.20%、90.90%,比基于融合GF-1多光谱和SAR的数据分别高出7.57%、8.96%和1.22%,其余地物类型两者分类精度相近;③GF-1多光谱和SAR数据的融合中,利用了小波变换进行图像融合,发现融合图像的喀斯特地貌突出,增加了地物特征的差异性。     

深度卷积神经网络特征提取用于地表覆盖分类初探

目的 地表覆盖监测是生态环境变化研究、土地资源管理和可持续发展的重要基础,在全球资源监测、全球变化检测中发挥着重要作用。提高中等分辨率遥感影像地表覆盖分类的精度具有非常重要的意义。方法 近年来,深度卷积神经网络在图像分类、目标检测和图像语义分割等领域取得了一系列突破性的进展,相比于传统的机器学习方法具有更强的特征学习和特征表达能力。基于其优越的特性,本文进行了深度卷积神经网络对中分辨率遥感影像进行特征提取和分类的探索性研究。以GF-1的16 m空间分辨率多光谱影像为实验数据,利用预训练好的AlexNet深度卷积神经网络模型进行特征提取,以SVM为分类器进行分类。分析了AlexNet不同层的特征以及用于提取特征的邻域窗口尺寸对分类结果的影响,并与传统的单纯基于光谱特征和基于光谱+纹理特征的分类结果进行对比分析。结果 结果表明在用AlexNet模型提取特征进行地表覆盖分类时,Fc6全连接层是最有效的特征提取层,最佳的特征提取窗口尺寸为9×9像素,同时利用深度特征得到的总体分类精度要高于其他两种方法。结论 深度卷积神经网络可以提取更精细更准确的地表覆盖特征,得到更高的地表覆盖分类精度,为地表覆盖分类提供了参考价值。     

Effects of Different Spatial Resolution of Remote SensingImages on Estimation Accuracy of Urban Building Height

In this study,the remote sensing images of WorldView-2,GF-2,and GF-1,which cover Xiamen Software Park,were selected for study.A building and shadow extraction process suitable for different images was constructed,which applied object\|oriented approach and morphology ideas combined with spectral,shadow and shape constraints.Subsequently,the building heights of three different spatial resolutions of 0.5 m,1 m and 2 m were estimated by using the shadow length estimation method.Finally,the influence of image spatial resolution on building extraction accuracy and building height estimation accuracy was evaluated quantitatively.The main conclusions are as follows：(1) The improved building and shadow extraction process achieves higher extraction accuracy,but accuracy decreases slightly with the decrease of spatial resolution of images;(2) With the decrease of spatial resolution,the accuracy of building height estimation decreases gradually,but it does not show linear relationship.At the resolution increases from 1m to 0.5 m,the accuracy of building height estimation increases faster than the resolution increases from 2 m to 1 m;(3) GF-1 is more suitable for height estimation of high\|rise buildings and GF-2 is suitable for middle and high rise buildings,while WorldView\|2 has higher estimation accuracy for building height in different height ranges.     

基于地物光谱季节曲线特征的毛竹林分布提取

毛竹是我国南方广泛分布的重要竹种,具有良好的生态效益和经济价值。毛竹林与其他森林区分难度大,现有提取方法多直接采用已有的晴空观测,未充分考虑分类时相的影响,限制了提取精度。以浙江省庆元县为例,从地物光谱的季节曲线特征入手,利用MODIS高时间分辨率观测充分挖掘各植被类型光谱季节曲线特征和差异,结合多时相Landsat OLI影像进行分类实验,优选毛竹林与其他植被区分度最大的季相,并采用随机森林方法实现了毛竹林分布的有效提取。结果表明：①初、中秋是区分研究区毛竹林与其他植被的最优时相,夏季次之,春季与冬季较差;②当初、中秋无晴空影像时,结合夏冬季影像的毛竹林提取精度最佳,用户和制图精度分别达到85.57%和78.06%;③10月影像提取毛竹林分布精度最高,用户和制图精度分别达到89.00%和86.91%,与当地森林资源调查数据相比精度优于89.23%。实验表明：在类似亚热带地区毛竹林提取中,应优先选择秋季初、中期影像;若此时期无晴空观测,应优先采用夏季与冬季影像共同分类。     

SEVI指数消除4种十米级空间分辨率卫星影像地形阴影影响的效果评价

为评价阴影消除植被指数(Shadow-Eliminated Vegetation Index,SEVI)对常用十米级不同空间分辨率遥感影像的地形阴影消除效果,采用2019年1月24～25日过境的Sentinel S2B(10 m)、GF-1(16 m)、Landsat 8 OLI(30 m)、GF-4(50 m)4种空...     

基于背包激光雷达的单木材积估测方法研究

背包式激光雷达(Backpack Laser Scanning,BLS)在森林资源调查中具有很大的应用潜力,但在复杂地表情景下,单木材积和林分蓄积量提取精度存在较大不确定性。以广西高峰林场为研究区,利用随机森林方法,基于BLS点云数据对单木材积和样地蓄积量进行估测。首先,对BLS点云进行单木分割,提取单木胸径(DBH)、树高(Htree)、冠幅直径(CD)、冠幅面积(CA)、冠幅体积(CV)、郁闭度(CC)、间隙率(GF)和叶面积指数(LAI)共8个特征参数,并计算56个分层高度指标(高度百分比、累积高度百分比、变异系数、冠层起伏率等)。然后,通过随机森林算法构建单木材积估测模型,并对比各种参数组合的预测精度。得到结果：(1)仅用8个单木结构特征参数进行建模,估测精度为：R²=0.83、RMSE=0.097 m³;(2)加入分层高度指标的模型估测精度有所提升：R²=0.87、RMSE=0.087 m³;(3)通过Boruta算法进行变量筛选,输入参数从64个减少至52个,估测精度差异不大：R     

基于Nyström方法的偏好特征提取

针对电影评分中特征提取效率较低的问题,提出了与QR分解相结合的Nyström方法。首先,利用自适应方法进行采样,然后对内部矩阵进行QR分解,将分解后的矩阵与内部矩阵进行重新组合并进行特征分解。Nyström方法的近似过程与标志点选取的数量以及选取标志点的过程密切相关,选取一系列具有标志性的点来保证采样后的近似性,自适应的采样方法能够保证近似的精度。QR分解能够保证矩阵的稳定性,提高偏好特征提取的精度。偏好特征提取的精度越高,推荐系统的稳定性就会越高,推荐的精度也会提高。最后在真实的观众对电影评分的数据集上进行了特征提取的实验,该电影数据集中包含480189个用户,17770部电影,实验结果表明,提取相同数目的标志点时,该算法的精度和效率都有了一定程度的提高：相对于采样前,时间复杂度由原来的O（n³）减少为O（nc²）（c<<n）;与标准的Nyström相比,误差控制在25%以下。     

基于自动阈值分类的高分辨率影像海陆分界线自动提取

海陆分界线的变化对滩涂面积和湿地系统变化具有指示作用并且影响航运活动,因而需提取海陆分界线。视海陆分界线为陆地（包括淤泥质潮滩）和海水（包括河道）的瞬时分界线。首先,构建近红外—绿—蓝波段的假彩色图像,进行色彩、对比度增强和双边滤波处理;其次,构建海陆分界线提取指数（Sea-land Boundary Extraction Index,SBEI）,并利用自动阈值分析方法,将影像分为海洋和大陆,同时合并陆地碎斑。针对河道伸入陆地的问题,对于宽度为W的河口,采用步长为W+1的膨胀腐蚀的方法消除;最后用Canny算子提取海陆分界线。为验证算法的有效性,选取1m分辨率的高分二号卫星影像,对3种海岸类型进行实验,结果表明此方法的提取精度约为5个像元,相较NDWI和CV模型的提取精度至少提高10个像元。     

基于全卷积神经网络的多源高分辨率遥感道路提取

针对半自动道路提取方法人工参与较多、提取精度不高且较为耗时的问题提出一种基于全卷积神经网络（FCN）的多源高分辨率遥感道路提取方法。首先,对高分二号和World View图像进行分割,用卷积神经网络（CNN）分类出包含道路的图像;然后,用Canny算子提取道路的边缘特征信息;最后,结合RGB、Gray和标签图放入FCN中训练,将现有的FCN模型拓展为多卫星源输入及多特征源输入的FCN模型。选取西藏日喀则地区作为研究区域,实验结果显示,所提方法在对高分辨率遥感影像进行道路提取时能够达到99.2%的提取精度,并且有效地减少了提取所需的时间。     

基于KPCA光谱特征约束的水边线提取算法

为充分利用遥感影像的多波段光谱特征,提高水边线的提取精度,提出了基于核主元分析（KPCA）光谱特征约束的水边线提取模型。利用KPCA变换提取水体样本的光谱特征,采用最大似然法估计特征空间中水体光谱特征概率密度函数的特征参数,进而构建水体的光谱特征项。以测地线活动轮廓（GAC）模型为基础,建立图像数据项。结合光谱特征项和图像数据项建立水边线提取模型。在Landsat TM数据集上进行的水边线提取实验验证了算法的有效性,与GAC模型和基于距离正则化的水平集方法（DRLSE）相比较,该算法提取的水边线,在保证一定运行速度的情况下,更准确。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View,GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band,RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure,FCC）定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号（Sentinel-2A）红边波段,模拟GF-6红边波段特性,并提取相关纹理信息（Texture Information,TI）、植被指数（Vegetation Index,VI）和红边指数（Red- edge Index,RI）,同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors,TF）对FCC估测的影响,利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归（Stepwise Multiple Linear Regressions,SMLR）和支持向量机（Support Vector Machine,SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R²=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R²=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R²=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R²=0.68,RMSE=0.07,并高于SMLR（R²=0.39,RMSE=0.10）和SVM（R²=0.49,RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View，GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band，RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure，FCC）定量反演中的潜力，本研究以GF-1 WFV多光谱数据为基础，添加哨兵2号（Sentinel-2A）红边波段，模拟GF-6红边波段特性，并提取相关纹理信息（Texture Information，TI）、植被指数（Vegetation Index，VI）和红边指数（Red- edge Index，RI），同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors，TF）对FCC估测的影响，利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS）模型，实现了内蒙古大兴安岭根河研究区FCC的定量反演，并对比逐步多元线性回归（Stepwise Multiple Linear Regressions，SMLR）和支持向量机（Support Vector Machine，SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性，R²=0.52，RMSE=0.08；GF-1 WFV+VI+TI估测结果为R²=0.56，RMSE=0.08；GF-1 WFV+RE+RI+TI的精度明显提高，R²=0.63，RMSE=0.07；GF-1 WFV+RE+RI+TI+TF的精度最高，R²=0.68，RMSE=0.07，并高于SMLR（R²=0.39，RMSE=0.10）和SVM（R²=0.49，RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测，且添加红边信息经地形校正后，能有效提高FCC的估测精度。