面向地理国情监测的变化检测与地表覆盖信息更新方法

常态化地理国情监测能够全面、动态地掌握地理国情信息及其变化,为经济建设和社会发展提供数据基础。地理国情普查成果是按照统一规范标准、经过内业解译和外业核查形成的矢量数据。如何在普查成果的基础上,利用多时相遥感影像实现变化信息提取与更新是地理国情监测的关键。针对地理国情普查成果的特点与监测需求,以多时相遥感影像处理分析为基础,构建了针对地理国情监测的变化检测方法体系,提出了像元—对象结合的多时相影像变化检测、基于对象实体统计分析的变化识别方法,实现了综合地理国情普查成果和遥感影像的地理国情变化检测与数据更新。基于像元—对象结合的多时相影像变化检测首先根据传统的变化矢量分析法提取基于像元的变化检测结果,再以地理国情普查的矢量对象为统计单元计算对象内变化像元的比例,以此判断该矢量对象是否发生了变化,并根据变化像元的比例计算其变化强度。基于对象实体统计分析的变化检测方法直接以地理国情矢量为对象进行特征提取和差异构造,再将差异影像进行阈值分割得到基于地理国情对象的变化检测图。最后,根据变化检测结果,对变化区域进行面向对象分割,并从上一期未变化区域选取训练样本训练分类器模型以得到变化区域的地表覆盖类型,将变化区域与未变化区域结合得到更新后的地理国情矢量图。选取江阴市地理国情普查成果和两期高分辨率遥感影像进行试验,结果表明本文提出的方法在准确提取和解释变化区域的同时,明显提高了变化检测和数据更新的效率,可用于常态化地理国情监测。     

主成分分析技术在遥感蚀变信息提取中的应用研究综述

主成分分析是目前遥感蚀变异常信息提取常用方法之一,该方法具有对影像大气校正质量要求不高、实现简单、提取效果好、效果稳健等优点,广受地质工作者的青睐。根据输入影像的数量及类型、主成分分析的次数等,本文将主成分分析分为标准主成分分析、特征向量主成分分析、定向主成分分析、二次主成分分析、不同影像间的主成分分析等5种类型。其中,特征向量主成分分析又可细分为4个波段特征向量主成分分析和3个波段特征向量主成分分析。在上述分类的基础上,系统介绍了各种主成分分析及蚀变信息主分量的选择,尤其是对特征向量主成分分析的Crosta技术和定向主成分分析的软落叶技术进行了详细阐述。并以TM/ETM+、ASTER影像为例,对部分应用主成分分析提取蚀变异常信息的实例进行了分析,认为：在基岩裸露区,不同主成分分析都可以很好地提取铁化、泥化蚀变信息;在中、低植被覆盖区,采用标准主成分分析、Crosta技术、改进的Crosta技术、软落叶技术、“掩膜/抑制干扰信息+主成分分析”等方法可以有效地提取蚀变异常信息;高植被覆盖区多采用主成分分析生成的蚀变信息主分量进行彩色合成,再通过对彩色影像进行目视解译的方式判断蚀变的类型和范围。其中,“掩膜+Crosta技术”、“掩膜+软落叶技术”、二次主成分分析等方法在高植被覆盖区也可以取得较好的应用效果;对于干扰信息种类众多、岩性复杂的地区,可根据干扰信息、岩性种类划分成若干个小区,再根据每个小区实际情况采用不同的蚀变提取方法,最后将每个小区内提取的蚀变信息进行合并。     

面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例

本文对面向对象影像分析方法做了初步的探索和应用研究,通过建立多尺度影像空间和分类规则库对四川理县"5.12"震后的航空影像进行土地覆盖分类,并在此基础上提取了房屋和居民地的空间分布矢量信息。将土地覆盖分类的结果与传统的基于像元的方法进行对比,结果表明:面向对象方法的分析结果更接近于人工解译的效果,对试验区的分类精度也远远高于基于像元的影像分类的精度,有效克服了传统分类方法所存在的"椒盐噪声"问题,与基于像元分类的栅格数据相比,面向对象的方法可直接提取GIS分析的矢量信息,展示了面向对象技术应用于高分辨率影像信息提取的广阔前景。     

多源遥感数据融合应用研究

多源遥感数据融合是遥感技术向纵深发展的必然趋势。本文对多源遥感数据融合算法的应用特点,从基于像元的融合、特征的融合以及决策级融合3个层次上进行了详细的分析,并以河北丰宁县为例,说明遥感数据融合方法在遥感信息提取中的具体应用:对所用数据进行预处理,然后对1999年Landsat TM数据进行主成分变换,前3 个主成分占总信息量的97.8%,主成分逆变换后的结果影像更清晰,层次更丰富。信息提取时选择TM全色和主成分变换后的多光谱数据融合后的影像,波段4、3、2和波段5、4、3的彩色合成方案,并对植被指数和穗帽变换后的绿度指数进行了分析,遥感影像与DEM以及与GIS空间数据的信息融合也可以提高遥感信息提取的精度。最后分析了多源遥感数据融合尚待解决的问题及努力方向。     

改进的分水岭变换算法在高分辨率遥感影像多尺度分割中的应用

由于高空间分辨率遥感影像自身的复杂性,传统的分水岭分割方法难以取得令人满意的效果。本文提出一种改进分水岭变换的高分辨率遥感影像多尺度分割方法,在抑制分水岭过分割现象的同时,还能实现对遥感影像的多尺度分割。该方法充分考虑了高分辨率遥感影像的多光谱和多尺度特性,首先,利用各向异性扩散滤波技术对影像进行平滑滤波,目的是在滤除各种噪声的同时还能保持影像的边缘特征和重要的细节信息;然后,提取影像的多尺度形态学梯度,并从梯度图像中提取标记;接着进行基于标记的分水岭变换;最后,利用改进的快速区域合并算法实现对影像的多尺度分割。实验表明,改进的算法能有效地抑制分水岭的过分割现象,对高分辨率遥感影像有较好的分割性能。     

高空间分辨率遥感影像多尺度分割优化组合算法

高空间分辨率遥感影像能够充分地描述地表覆盖空间异质性,可用于提取地面目标物。然而高空间分辨率在像元尺度的目标提取时易产生"椒盐效应"问题,面向对象的小尺度影像分割也受此效应影响;而大尺度的影像分割造成较小目标的遗漏。本文提出了一种针对高空间分辨率遥感影像的多尺度分割优化组合算法MOCA(Multi-scale-segmentation Optimal Composition Algorithm),基于后验概率信息熵指标选择影像中每个地面目标的最优分割尺度并集成组合,获得高空间分辨率遥感影像的多尺度分割优化组合结果。本文使用F指标和BCI(Bidirectional Consistency Index)两种指标评估地面目标物提取精度,并将MOCA与同类多尺度分割方法进行比较。实验结果表明,本文提出的MOCA算法可实现多个分割尺度的最优组合,并获得较高的地面目标物提取精度。     

综合多层优选尺度的高分辨率影像分割

采用面向对象方法处理高空间分辨率遥感影像时,影像分割质量对后续影像的信息提取结果影响很大。本文主要针对高分辨率影像分割中地物多尺度的问题,提出了一种基于多层优选尺度的高分辨率影像分割算法。该算法首先采用一系列规律变化的尺度对高分辨率影像进行多尺度分割,然后通过单分割层全局标准差的变化与尺度的关系确定一组最优分割尺度。在此基础上,通过各优选分割层之间的包含关系,局部建立多层次对象树,从整体上形成影像森林;通过局部同质性异质性综合评价指数的比较及父层光谱特征的限制来选取多层次对象树中的优势对象,从而获得最终的高分辨率影像分割结果。最后,本文分别采用了Geoeye和ZY3多光谱影像进行了2组分割实验,结果表明本文算法能有效地提高正常分割影像对象的比例。     

大坝变形的奇异谱分析预测

利用奇异谱分析法对大坝变形数据进行分析，提取趋势和周期分量，分析影响因子与各变形分量的相关性。结果表明，大坝变形主要与水位变化和时效因子有关，温度变化对大坝变形的周期成分贡献最大，其次为水位。另外在准确提取信号的基础上,利用奇异谱分析迭代法对大坝变形进行预测，并与多元回归分析方法和高斯过程模型进行对比，发现其预测精度明显高于后两者。     

城市建成区遥感影像边界提取与扩张分析

针对城市建成区提取过程中,仅依赖单一数据源导致精度不够的问题,本文基于面向对象分类方法和利用土地类型信息标准差统计变量,实现遥感影像中城市建城区边界的提取,并以该建成区为依据对河南省虞城县的城区空间扩张特征作了分析。实验中首先采用均值漂移分割算法对高分一号遥感影像实现分割,然后利用决策树分类算法实现土地利用类型分类,最后基于0.1 km × 0.1 km窗口统计土地利用类型标准差信息,获取建成区边界。面向实际应用,以河南省虞城县为例,采用高分一号影像获得虞城县2017年建成区数据,并基于该数据采用多个TM影像提取城区其他年份的建成区边界,实现河南省虞城县城区空间扩张特征分析。结果表明,本文方法获取的建成区边界精度较一般的监督分类提取边界有进一步的提高,精度达到89%。进而说明结合高分辨率影像提取多个年份的建成区数据的可靠性,在城市扩张研究中,对仅利用低空间分辨率提取精度不够问题和仅利用高分辨影像提取效率低等问题提供了较好的解决方案。     

基于经验小波变换的GNSS多路径误差改正

多路径误差是影响GNSS测量精度的主要因素及误差改正难点。将经验小波变换(EWT)算法在分解复杂信号上的优势与GNSS多路径误差的周日重复特性相结合,提出基于EWT的多路径误差提取及改正新方法。将能量熵与相关系数相结合来定义筛选系数,并将其变化显著的点作为含噪分量及信息分量的分界点;通过对含噪分量进行去噪并与信息分量重构的方式建立基于EWT的去噪新方法。模拟和实测数据实验表明,EWT能较好地提取及改正GNSS多路径误差,并且其效果显著优于EMD及小波分析方法。     

历史解译知识引导下组合遥感图谱特征的变化检测方法

高空间分辨率遥感影像为地表变化监测提供了大量细节信息,这使得基于高分辨率影像的变化检测技术成为当前遥感领域的研究热点之一。本文提出了一种历史解译知识引导下组合遥感图谱特征的变化检测方法。首先,通过分割前后时相的组合影像构建空间位置一致的对象,并在提取对象光谱和纹理特征后,引入前期土地覆盖专题图指导2类图谱特征相似度的DS证据融合;然后,利用其历史存档图斑所属区域的优势地类标签指示不同特征相似度的证据差异融合;最后,基于GMM（Gaussian Mixture Mode）模型的二值化方法提取最终的变化区域。实验结果表明,该方法能充分利用历史解译知识指导不同时相高分辨率影像对象特征相似度组合,一定程度上提高了变化检测正确率。     

土地利用变更的遥感应用分析

发现变化区域和变更类型是土地利用变更信息提取的主要任务,随着遥感技术的发展,土地利用变化信息提取的方法趋向于结合高分辨率的卫星影像和现有的影像处理方法来产生变化信息模板。本文全面总结分析了土地利用变更信息获取的技术和方法,并在此基础上进一步研究了基于RS和GIS技术的土地利用变更信息获取技术方法,以及高分辨率遥感影像在土地利用变更信息提取中的应用分析。     

黄河源区玛多县土地利用/覆被及景观格局变化的遥感分析

采用了黄河源地区1977、1990及2003年MSS、TM的3个时相遥感影像,通过人机交互的解译与GIS的空间分析,提取了玛多县3个时期的土地利用/覆被信息。分析了玛多县各地类的数量变化和空间变化特征。另外对景观生态空间分布格局,利用FRAGSTATS软件对玛多县景观级别的动态特征进行了分析。结果表明:玛多县的土地利用/覆被类型以草地为主,占全区总面积77.93%;退化现象十分严重,主要是草地覆盖度的降低以及草地沙化;景观破碎化程度在前期呈下降趋势,而后期呈上升趋势,景观斑块形态越来越偏离规则而变得复杂、多样。     

北京市土地利用动态变化及其预测

土地利用是人类经济活动在地理空间的集中体现。基于GIS的北京市土地利用遥感信息的叠置分析,发现北京市土地利用近15年来变化比较剧烈;以2000年的土地利用为基态,建立Markov模型,对北京市未来土地利用变化进行了预测分析,发现与国务院的要求还有很大差距,建议采取得力措施,加强土地利用管理,有效保护耕地。     

近40年来白洋淀湿地土地覆被变化分析

白洋淀是华北平原上现存最大的天然湖泊,是典型的内陆湿地。最近40年,白洋淀湿地出现了水面萎缩、生态功能急剧退化、生物多样性减小和水体污染严重等生态环境问题。本文利用1964年CORONA侦察卫星影像、1974年和1983年Landsat MSS影像和2002年ETM+影像,对白洋淀湿地的土地覆被变化及其驱动力做了详细分析。结果表明,湿地面积呈减少趋势:1964年为407.3km2,2002年缩减到274.63km²。湿地水面起伏变化大,1964年水面较宽,为346.75km²;到1974的10年间,减少到94.65km²,1983年和2002年水面继续变窄,水面面积分别为67.27km²和46.86km²。引起湿地土地覆被变化的原因包括降雨量的减少、蒸发量的增大、城市发展用水增大、不合理土地利用开发和上游水库、引水工程修筑等。     

基于对象BOW特征的高分辨率遥感影像变化检测方法

针对传统基于像素的变化检测方法的缺点,以及底层特征表现能力不足等问题,提出一种基于对象BOW特征的变化检测方法。首先,将经过预处理操作的两期影像进行波段组合得到组合后影像,再考虑地物光谱特征和几何空间信息对组合后影像进行多尺度分割,获得相对应的对象基元;同时,分别提取两幅影像的底层特征（包括影像各波段的均值和方差以及灰度图像的6种纹理特征）。其次,将对象视作文档,像素的特征向量视作单词,利用BOW模型构建影像对象的中层表达,即对象的BOW特征。最后,通过相似性度量算法比较相应对象的BOW特征,从而识别出影像上的变化区域。本文利用2组WorldView-2影像进行了检验,结果表明本文方法的变化检测结果较为完整,精度优于对比方法。本文方法基本能够满足变化检测的需求,为高分辨率遥感影像上的数据挖掘分析提供了有效的手段。     

Landsat-8影像的LDA模型变化检测

变化检测一直是遥感研究领域的热点,随着遥感技术的不断发展,新型数据源不断涌现,使传统遥感变化检测方法面临新的挑战。本文以Landsat-8影像为主要数据源,使用影像分割算法,设计2期遥感影像的文档-单词映射,将影像中所有的像元作为视觉单词,利用LDA模型将影像文档从单词空间转换到主题空间进行表达。在此基础上,结合实地调查对变化区域进行检测和验证,形成一套面向对象的LDA模型变化检测方法。研究表明：基于图斑的分析可有效消除以像元尺度进行变化检测产生的椒盐现象;利用LDA模型构建的变化检测方法能较好地实现影像文档特征的统一表达,有效去除2期影像相同地物因光谱差异导致的变化误检验;与差值法和波谱角等常规遥感变化检测方法相比,该方法能有效地减少错漏判,提高遥感影像变化检测的正确率,为中高分辨率遥感影像的变化检测提供新思路。     

基于GIS的广州市土地利用遥感动态监测与变化分析

以1997、2003年广州市的Landsat TM影像为基本数据源,在遥感和地理信息系统处理软件的支持下,经过几何纠正、图像裁剪和图像增强处理后,采用最大似然比法结合人工目视解译对影像进行了识别分类,获得了广州市两个时相的土地利用分类数据,并进行了分类精度评价.然后建立了土地利用转移矩阵,并利用数值统计的方法,从不同角度分析了1997～2003年广州市土地利用变化的过程,包括土地利用变化的数量、速度、空间转移及其区域差异等.另外,经济发展、人口的增长、城市化建设等因素是广州市土地利用变化的主要驱动力.     

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。