基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。     

基于IKONOS影像的海岸带土地覆盖分类

海岸带是一个特殊的地带,有着特殊的地理位置和丰富的自然资源,在人类社会发展中有着极其重要的作用。本文讨论了在海岸带土地覆盖/利用分类中存在的几个问题:①由于缺少控制点,引起的海岸带遥感影像的纠正问题;②海岸带遥感影像的融合问题;③传统海岸带遥感影像的分类问题。通过IKONOS影像和面向对象的分类方法的使用,解决了这几个问题,并进行了实验。     

基于粗糙集规则提取的面向对象树种分类方法

树种分类是林业资源监测中的核心问题,而面向对象的树种分类是目前研究的重点,在面向对象分类方法中,难点在于规则集的建立.本文针对面向对象树种分类问题,以福建将乐国有林场为研究区域,ALOS影像为遥感数据源,探讨面向对象分类规则集的建立并进行树种分类.首先,选择最优的分割尺度,并对影像进行多尺度分割;然后,基于粗糙集进行对象特征的属性约简,从对象的34个特征中约简出最能代表树种分类的13种参数,包括波段比值、亮度值、平均灰度值等;最后建立分类规则集.应用该规则集,对实验区影像进行分类,分类精度达80.4509％,效果较好.实验证明本文所提出的方法可高效地利用遥感图像的信息,提高分类精度,为林业资源调查和植被监测提供了有效的辅助手段.     

基于面向对象决策树算法的半干旱地区遥感影像分类

半干旱丘陵地区地形复杂,地表覆盖物分布复杂多变,这极易导致"同物异谱,异物同谱"现象的产生,给遥感影像分类工作带来极大的不确定性。本文构建了基于多特征的面向对象决策树分类方法,充分利用光谱特征、地形特征、物候特征及像元间的相关性综合提取地物信息。研究结果表明,该基于面向对象决策树遥感分类方法在半干旱地区能够有效提高分类精度,总的分类精度达86.9426%,能够满足非点源污染模拟研究的需要。     

面向对象软件覆盖度量的研究和软件测试工具的实现

面向对象软件测试技术的研究是面向对象方法不可缺少的一环，但是面对面向对象技术所引入的新特点，传统的测试技术已经无法有效地进行测试。因此，结合传统的测试技术，提出了一种新的面向对象软件覆盖度量-基于段的面向对象覆盖度量（object-oriented segment coverage），解决了传统的覆盖度量没有考虑到继承和多态等语言特征对面向对象软件软件测试过程的影响的不足，可以比传统的结构化覆盖度量获得更精确的测试覆盖数据。同时，还分析了一个已实现的、具有高度可重用性和灵活性的面向多种OO语言的测试工具的系统结构。     

针对分层分类和多描述符空间的城镇植被群分类

针对城镇绿化植被受可用土地限制,具有分布零散、结构复杂、植被群类型繁多等特点,以及建筑物和其他设施的阴影遮挡等加剧了植被群分类的困难,经典分类方法常常难以适应需求的困境,该文提出了以分层分割/分类和多描述符空间分类对城镇绿化植被群分类的方法,即采用一次采样,多层分类,利用分类要素间的层次关系,从粗到精依次分类,以降低分类难度和提高精度。通过对这些图斑做层之间关系的逻辑分析,以精度较高的边界取代较低者,可以得到精度较好的目标类图斑。此种方法可用于改善草地、乔灌木、阔叶植被、针叶植被、落叶植被、常绿植被等植被群之间的可分性。仿真测试表明,该算法对于高分辨遥感图像城镇绿化植被群分类具有一定的普适性,划分植被群的总体精度高于85%,比经典单层分类方法提高了5%~10%。     

面向对象的土地覆盖信息提取方法研究

利用遥感方法提取土地覆盖信息时,常用的自动分类方法只能利用遥感数据的光谱信息,而面向对象的分类方法在综合利用遥感数据光谱信息、纹理特征、拓扑关系和加入专题信息进行多尺度分割获取对象后的基础上,通过对对象的目视识别建立模糊判别函数来进行分类。利用面向对象的方法成功提取了三峡库区奉节县中部的土地覆盖信息,得到了较为满意的结果,利用野外采样数据进行验证其精度达89.2%。     

基于GEPSO模型的面向对象遥感图像分类

针对演化算法的寻优能力,提出了基于GEPSO(GEP Optimized by PSO)模型的面向对象遥感图像分类方法.先对遥感图像进行分割,选择特征集,然后利用GEPSO算法为每类图像对象构造一个类中心.构造类中心的过程先利用GEP搜索一个次优解,再根据这个次优解利用PSO搜索最优解.实验结果表明,基于GEPSO模型的面向对象遥感图像分类方法具有较高的分类精度.     

基于信息增益特征选取和覆盖的中文文本分类

本文利用信息增益特征选取和前向神经网络的覆盖算法,对文本进行分词的预处理后,实现文本的自动分类。该方法将信息增益特征选取和覆盖算法充分结合,不但提高了分类速度,还保证了分类的准确度。应用该方法对标准数据集中的文本进行实验,并在不同的维数上与SVM算法,贝叶斯方法的实验结果进行了比较。     

基于对象级分类的土地覆盖动态变化及趋势分析

以广东省东莞市2005~2008年SPOT 5遥感影像为主要数据源,采用对象级分类后比较的变化检测技术,从土地覆盖类型的面积总量、相互转移等方面多层次分析了研究区域4 a土地覆盖的变化情况。在此基础上,利用马尔科夫链模型对该区域未来5 a的土地覆盖动态变化及演变趋势进行了分析和预测,为广东省土地覆盖变化研究提供典型案例分析,以达到全面把握研究区土地覆盖变化规律的目标。结果表明:研究区域的土地覆盖变化基本趋势表现为城镇建设用地总量持续增加以及耕地和园林地面积总量减少,其中城镇建设用地和农业耕地变化幅度较大,其他类型土地变化相对稳定。增加的城镇建设用地主要来源于耕地的人为减少,农业垦殖环境将趋于恶化。研究结果可为研究区合理有效地利用土地以促进土地可持续发展、推进城市化进程奠定决策上的技术基础。     

基于面向对象分类方法的乌苏里江流域中俄跨境区域湿地景观动态研究

选取乌苏里江中下游干流50km缓冲区为研究区,以1989、2000和2013年的Landsat TM、OLI遥感影像为数据源,利用面向对象的分类方法获取湿地信息;在GIS技术支持下,选取斑块类别面积(CA)、面积所占比例(PLAND)、最大斑块面积指数(LPI)、平均斑块面积(AREA-MN)、斑块数(NP)、斑块密度(PD)等景观格局指数,分析了研究区1989~2013年湿地的景观格局动态特征。结果表明:面向对象的分类方法能够准确提取湿地信息,并且有效地避免"椒盐现象";1989~2013年,该区水田、水库/坑塘、运河/水渠、灌丛沼泽增加和河流、湖泊、草本沼泽、森林沼泽减少;大量草本沼泽转为水田为该区湿地变化主要特征;1989年湿地类型以草本沼泽为主,2013年水田的斑块面积略高于草本沼泽斑块面积;湿地景观变化区主要分布于中国一侧的挠力河流域和穆棱河流域;天然湿地景观破碎化程度逐年加深,人工湿地景观趋于聚集,人为干扰是导致湿地景观格局变化的主要动力;中俄两国境内湿地景观变化程度差异显著,中国境内大量天然湿地转为人工湿地;俄罗斯境内的湿地变化微小,天然湿地保存较好。农田垦殖是导致两国湿地景观破碎程度差异的主要原因。     

基于面向对象多端元混解模型的植被覆盖度反演及其时空分布研究北大核心CSCD

近年来湿地的植被退化一直是全球关注的问题,对湿地植被覆盖度进行反演并研究其时空分布特征显得尤为重要。而为了解决植被反演中存在的混合像元问题,提出了基于面向对象的多端元光谱混合分析方法。以扎龙湿地保护区为研究对象,中高分辨率Landsat影像为数据源,从时间尺度和植被覆盖度等级变化层面,研究湿地植被时空变化特征。面向对象多端元混解模型,有效地减少了计算量和混合像元的端元变化,且反演值与检验值相关性较高,均方根误差较小,优于传统多端元混解模型方法,提高了植被覆盖度反演精度。扎龙湿地多年植被覆盖度整体呈现退化趋势,2001～2017年的平均变化速率高于1985～2000年,对于提高全球气候变化情景下植被转移预测精度具有重要理论意义。     

从数码照片中快速提取植被覆盖度的方法研究

植被覆盖度是反映植被基本情况的指标,是农学、生态学等所关心的一个重要参数。获取地表数码照片并进一步提取植被覆盖度已成为一种最具潜力的对植被覆盖度进行地面测量的手段,而如何快速、准确地从数码照片中提取植被覆盖度信息尚缺乏成熟的方法。通过利用NDI法对数码照片的处理,实现了植被覆盖度的快速提取,同时用监督分类法提取相同数码照片的植被覆盖。通过对两种方法及其计算结果进行精度评价和比较表明,用NDI法和监督分类法估计的植被覆盖度都能够达到较高的准确性,结果可信度高,但NDI法要比监督分类法更自动化和快速,在精准农业作业系统等方面极具实用价值。     

基于遥感的植被覆盖度估算方法述评

随着遥感技术的发展,作为描述植被覆盖及生长状况的度量参数--“植被覆盖度”在农业、环境、生态等领域应用越来越广泛。介绍了植被覆盖度的重要作用及研究意义,叙述了其遥感监测方法的研究现状及常用遥感数据源,主要从统计、物理、FCD等模型入手讨论植被覆盖度的遥感估算方法及其优缺点,并对今后研究方向及发展趋势进行了展望。
     

基于面向对象分类的土地利用信息提取及其时空变化研究

基于面向对象的影像分类技术与土地利用变化模型,选取处于剧烈变化环境下的东江流域为研究对象,对其1980~2008年的土地利用变化特征进行了研究。结果表明:(1)面向对象的遥感分类方法在SPOT5高分辨率遥感影像分类中具有较高的精度(总体精度达87.7%),可以有效避免"椒盐现象"发生;(2)1980~2008年东江流域的土地利用方式和空间格局发生了显著变化。耕地面积急剧减少了2 854.4km2,流失的耕地主要转化为了林地、城镇建设用地;园地面积减少了667km2,流失的园地主要转化为了林地;林地面积增加了1 988.7km2,呈波动变化;草地面积比由4.9%缩减为2.0%;水域面积先减少后增加;城镇用地呈快速增长趋势,年增长率高达186.23%。加强耕地保护和适度限制城镇用地增长对区域可持续发展至关重要。     

基于ASTER数据黑河中游植被含水量反演研究

植被含水量是影响植物生长的主要限制因子之一,也是衡量植被生理状态和形态结构的重要参数。应用遥感技术定量估测植被含水量,对于农业旱情监测、作物产量估计和科学研究具有重要意义。基于2012年黑河生态水文遥感试验期间获得的6景ASTER遥感数据和同步观测的研究区生物量观测数据集,选取NDVI、RVI、SAVI和MSAVI 4种植被指数分别与单位面积内植被含水量的关系进行比较分析,建立了不同植被指数的植被含水量反演模型,并对反演结果进行了验证。研究结果表明:4种植被指数均与实测的植被含水量有较高的相关性(R20.846),利用MSAVI反演的植被含水量精度略优于其他3种指数,其均方根误差(RMSE)在0.794kg/m2内。模型较为可靠,可以为大范围获取植被含水量信息提供有效方法。     

土地复垦整理植被覆盖度的遥感评价

随着土地复垦工作的广泛开展,土地复垦整理效果评价日益重要。以湖南益阳中洲土地复垦区为例,选取多源多时相遥感影像数据,利用ERDAS IMAGINE软件实现植被覆盖度的计算分析,结果表明通过土地复垦后该项目区的植被覆盖度比复垦前还要高,与实际情况相符,充分说明利用遥感技术对土地复垦后的植被覆盖度进行评价是可行的。     

基于哨兵2时间序列组合植被指数的作物分类研究

时间序列是一种常用的物候研究方法。为充分利用哨兵2数据在红边波段的丰富信息,本文利用多种植被指数组合成时间序列进行作物分类。将NDVI、EVI、红边NDVI三种植被指数进行组合,构建时序植被指数图像,然后使用支持向量机、随机森林、CART决策树和最大似然4种不同的算法对四种作物、三种林草、裸露地表、水体进行分类。原始分类结果中,总体精度最高的随机森林为87.92%,最低的最大似然为80.07%,在分类细节上,随机森林和支持向量机的边界最清晰,4种分类结果中,农作物的分类精度均高于其他地类,仅次于水体的精度,误差主要来自三种林草的混分,表明时间序列组合植被指数用于农作物分类是可行的。     

Research on Crop Classification Method based on Sentinel-2 Time Series Combined Vegetation Index

Time series is a widely used phenological research method. A new time series vegetation indices which takes full advantage of the red edge information of Sentinel 2 data were used for crop classification to improve the classification accuracy. The NDVI, EVI, and red edge NDVI were combined to construct a time series vegetation index image. Then, four different algorithms (support vector machine, random forest, CART decision tree and maximum likelihood) were used to classify four crops, three forest grasses, bare land, and water bodies. Among the original classification results, the random forest with the highest overall accuracy is 87.92%, and the maximum likelihood with the lowest overall accuracy is 80.07%. In the classification details, the boundaries of random forest and support vector machine are the clearest. Among the four classification results, the classification accuracy of crops is higher than other land types, just smaller than water body. The error mainly comes from the mixture of three forests. It indicates that the time series combined vegetation index is feasible and accurate for crop classification.