亚像元制图适应性分析与评价——以天津市津南区和北京市海淀区土地覆被制图为例

亚像元制图作为一种降尺度分类方法,可利用低分辨率影像获取高分辨率分类图。本文旨在探讨亚像元制图的降尺度分类结果与高分辨率影像分类精度和分类特征上的一致性。实验以天津市津南区和北京市海淀区为研究区,分别对中空间分辨率影像(TM或HJ)进行亚像元制图和对高空间分辨率影像(ALOS或ZY)进行硬分类得到相同空间分辨率的分类结果,从绝对精度、相对精度、空间结构和空间格局上,对2幅分类结果进行分析和评价。实验结果显示:(1)分类精度上,TM和HJ影像的亚像元制图结果,以地面验证样本为参考的绝对总体精度分别为84%和82%,以高分辨率影像(ALOS和ZY影像)硬分类结果,为参考的相对总体精度分别为82%和77%;(2)分类特征上,中空间分辨率影像亚像元制图结果的空间相关性较强、斑块数量较少、聚集度较高,但与高分辨率影像分类结果的总体结构相似,各类别的面积比例基本一致。因此,亚像元制图结果在分类精度和分类特征上与高空间分辨率影像分类结果具有较强的一致性,在缺少高分辨率土地覆被制图时,可将亚像元制图获取的降尺度分类图作为替代数据。     

基于TM影像属性和形态特征的土地覆被制图方法

本文以浙江省中南部地区不同时相30m分辨率的2景TM影像为基本数据,采用面向对象的方法实现了研究区的土地覆被制图。首先,在eCognition软件中采用多尺度分割算法,以光谱信息、纹理特征、几何特征等实现研究区的对象分割,使分割后的对象边界与实际地物边界尽量保持一致,通过建立多层次地物特征规则,进行最优分割尺度下的遥感多层次识别分类;然后,分析可用于分类的属性特征和形态特征,通过对这些特征的统计值对比分析,选取了对象的紧致度、长宽比、MNDWI、LBV等特征构建了决策树模型,实现了研究区1：25万的土地覆被分类;最后,采用目视解译和野外样本2种方式对分类结果进行精度验证,其中,目测随机样点评价得到的总体精度为87.66%,野外样本点评价得到的总体精度为83.38%。研究表明：面向对象的分类方法不仅具有较高的精度,而且图斑与实际地物边界能较好地吻合,很好地避免了混合像元误分的现象,同时能消除像元分类的“椒盐现象”。     

基于谱空间统计特征的高分辨率影像分割尺度估计

多尺度分割是面向对象遥感影像分析的关键性基础步骤,影像分割过程中尺度参数的选择直接关系到面向对象影像分析的质量和精度。本文首先从理论层面将遥感影像分割的尺度界定为基于统计的原始影像全局或局部特征的一种定量化估计,并在算法层面上将多尺度分割算法的尺度参数概括为空间尺度分割参数（类别或斑块间的空间距离）、属性尺度分割参数（类别或斑块间的属性距离）和合并阈值参数（斑块大小或斑块像元数目）;接着,提出了基于谱空间统计的高分辨率影像分割尺度估计方法;最后,以均值漂移多尺度分割算法为例,采用高空间分辨率的Ikonos、Quickbird和航空影像数据,对本文提出的基于谱空间统计的高分辨率影像分割尺度估计方法进行了验证。结果表明,该方法在一定程度上不仅避免了高分辨率遥感影像分割尺度参数选择的主观性和盲目性,还提高了面向对象影像分析的自动化程度,具有可行性和有效性。     

基于空间抽样的区域地表覆盖遥感制图产品精度评估——以中国陕西省为例

地表覆盖数据是研究气候变化、生态环境、地理国情和人文经济等方面不可或缺的基础信息,因此其质量的优劣将直接影响相关决策的可靠性。本文针对我国研制的首套30 m分辨率全球地表覆盖数据产品,通过分析其海量、多维、非均质等空间特点,对传统的制图产品精度评估方法提出了改进：以地表类型进行分层抽样,样本量的计算采用优化模型并以地类所占面积比为权重逐层分配,样本的布设则考虑层内对象之间的空间相关性,在地表数据自然分布的基础上,通过分析空间相关性指数来提高样本的代表性和精度评估结果的可靠性。因此,本文提出针对区域地表覆盖遥感制图产品的空间分层抽样方法,其将精度评估分成抽样方案（样本的定量估计）和布设方案（样本的空间布设）2个部分,并以中国陕西省地表覆盖产品为例进行区域精度评估实验分析,从全区7大类地表类型数据中抽取1467个样本,经过样本检验与精度计算,该区域产品的总体精度为79.96%,Kappa系数为0.74。实验结果表明,本文提出的基于空间抽样的精度评估方法可行可靠,实验区域产品质量较好,并为后续针对全球范围的地表覆盖产品精度评估方法提供了参考。     

复杂场景下小农经营区地块级苹果园模块化制图方法框架

实现复杂场景下地块级苹果园的精准制图,是中国苹果产业精细化管理面临的迫切需求。然而,传统的地块级分类制图框架在处理小农经营区内的大量细碎地块时,可靠性大幅度降低。本文提出一种适用于复杂场景下小农经营区的地块级苹果园模块化制图方法框架。(1)基于模拟人类对目标场景视觉感知的分层策略,从深秋季的单幅超高空间分辨率（Very High Resolution, VHR）影像中提取冗余的候选地块;(2)利用非对称瓶颈网络（Depth-wise Asymmetric Bottleneck Network, DABNet）模型与长短期记忆（Long Short-Term Memory, LSTM）模型,分别从VHR影像与时间序列影像中提取苹果园的空间特征像素与时序特征像素。然后,构建元特征描述特征像素在候选地块中的分布情况,与地块的内在特征共同组成苹果园地块的分类特征;(3)使用随机森林（Random Forest, RF）将候选地块分类为苹果园地块和非苹果园地块。以山东省栖霞市西城镇为研究区,从43238个候选地块中提取出30 292个苹果园地块,分类总体精度达到92.7%。利用RF算法自带的平均...     

遥感土地覆被分类的空间尺度响应研究

不同空间分辨率遥感影像对区域土地覆被类型识别精度的影响是目前土地资源遥感研究中的热点议题。本文基于准同步的卫星传感器影像,以福建省长汀县河田盆地为研究区,结合野外调查的实验样本,依次采用最大似然法（MLC）、支持向量机（SVM）和人工神经网络（ANN）3种分类器,分析土地覆被分类结果在中高空间尺度序列（1~50 m）下的变化响应特征。结果表明：不同空间尺度下的地物分类结果存在显著差异（P<0.05）,其中总分类精度和Kappa系数均随影像分辨率的降低而先升高后降低,并于4 m分辨率处达到峰值,该结果与各类地物光谱反射率的空间尺度变化特征密切相关;而不同分类器对各空间尺度影像分类结果的影响程度差异较大（P<0.05）,其中SVM的分类精度最优,MLC次之,ANN的结果较差。此外,伴随影像空间分辨率的降低,不同土地覆被类型面积提取结果的变化规律不同,导致同类地物在不同空间尺度下的提取结果出现较大差异,表明在使用多源分辨率遥感数据进行土地监测等相关研究时,其伴随的结果误差不容忽视。     

无人机影像的面向对象水稻种植面积快速提取

基于抽样技术的地面调查与遥感影像分类相结合的方法在大范围作物种植面积提取中得到广泛使用。无人机影像具有低成本、高时效、高分辨率的一系列优点,可以快速实现特定区域范围内的农情采样任务。本文以水稻样地为研究对象,采用便携式无人机Mavic Pro进行航拍。对所获取无人机影像进行预处理生成分辨率为3.95cm/pix的正射影像,采用面向对象的思想,目视评价和ESP工具相结合快速选择了最优分割尺度为300,应用了支持向量机、随机森林和最邻近监督分类方法对影像进行了地物分类和水稻面积快速提取。采用目视解译分类结果进行分类结果和面积精度评价,总体精度最高的方法为最邻近分类法,此时水稻分类用户精度为95%,面积一致性精度为99%。研究结果说明了无人机遥感和自动分类能够在平原水稻种植区快速获取样方内高分辨率影像并提取水稻种植面积,弥补了农田被遮挡时地面调查数据的缺失,为大范围水稻种植面积、产量等信息的计算提供样本和验证依据。     

基于NDSI和NDISI指数的SPOT-5影像裸土信息提取

遥感裸土识别制图为水土流失治理工作提供了科学依据。本文以SPOT-5影像为实验数据,提出一种以土壤指数NDSI和不透水面指数NDISI提取裸土的方法。通过热红外波段的亚像元分解技术,将同期120 m分辨率的TM 6波段细化为10 m分辨率的地表温度影像,为SPOT-5影像计算NDISI不透水面指数增加了必要的热红外波段。在此基础上,构建双重指数模型,获得10 m分辨率的裸土数据。研究表明,双重指数模型可较好地解决裸土提取中建筑用地与裸土相混淆的问题,提取裸土的总精度可达95.4%。通过比较10 m的SPOT-5和30 m的TM影像的裸土提取结果,发现影像分辨率的提升可使裸土信息提取结果更加准确、精细。因此,本文为更高分辨率裸土识别制图,提供了一种有效的方法。     

“四同”条件下周口城区高分一号遥感影像分类对比研究

目前大多数面向像元、面向对象遥感影像分类对比研究算法、软件、样本均不同,引入多方面系统误差导致结果一定程度上不严谨。为更准确比较2种分类方法,本文采用面向像元、面向对象2种分类方式,在同软件平台、同分类器、同训练样本、同验证样本,即“四同”条件下对2018年4月17日高分一号周口城区融合影像进行分类对比研究,并完成主、客观评价精度评价。结果表明：① “四同”条件下2种分类方式、CART（Classification and Regression Tree）、SVM（Support Vector Machine）、RF（Random Forests）3种机器学习算法均能识别周口城区主要地物类型,而面向对象的分类效果明显优于面向像元分类,与前人研究结论一致。其中面向像元分类效果最好的是RF算法,总体分类精度为78.02%,Kappa系数为0.72;面向对象分类效果最好的是RF算法,总体分类精度为93.40%,Kappa系数为0.92;② 尽管由于光谱特征相似、分布交叉,单类别建筑用地、交通用地用户精度与生产者精度较低,但面向对象分类较面向像元分类效果明显提升,以RF分类为例,建筑用地生产者精度由56.18%提高至92.13%,用户精度由69.44%提高至87.23%;交通用地生产者精度由72.15%提高至89.87%,用户精度由72.15%提高至92.20%;③ 与前人研究成果比较,本文在“四同”条件下实现了更科学、更严谨的面向像元、面向对象遥感分类方法对比,对后续高分辨率遥感影像分类具有一定参考意义。     

基于决策融合的SPOT-6影像土地覆被分类研究

多分类器决策融合方法在提高遥感影像分类的准确性和可靠性方面已表现出了巨大潜力,但这一过程中对所有像元多次分类会产生巨大的时间代价,为改善这一问题,本文提出了主分类器的概念。在青海湟水流域确定2个试验区,对7种常用的分类器进行评估,排除精度较低的3种分类器后,选择支持向量机（Support Vector Machine, SVM）、多层感知机（Multilayer Perceptron, MLP）、随机森林（Random Forest, RF）和梯度提升树（Gradient Boosting Decision Tree, GBDT）4种不同的分类器,建立决策规则共同对SPOT-6影像分类。为提高分类效率,以精度最高的GBDT作为主分类器对影像分类后,仅对结果中可信度不高的像元使用多分类器共同决策。研究结果表明,2个区域内主分类器独立完成分类的像元分别占38.10%和65.26%,错分率为1.57%和2.18%;多分类器共同决策的区域,相比GBDT的分类结果,总体精度分别高出2.49%和3.66%。整体上看,决策融合使2个区域的总体分类精度分别提高了1.18%和1.09%,能够有效减少分类结果中的“椒盐噪声”,精度更加均衡。相比现有的决策融合方法,主分类器的使用在保证分类精度的同时有利于分类效率的提高及分类结果保持良好的一致性。     

深度学习和遥感影像支持的矢量图斑地类解译真实性检查方法

空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inception_v3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果与矢量图斑原始数据进行叠加分析,自动查找出类别信息不符的分割单元,从而提取出可疑图斑,实现矢量图斑地类解译真实性自动检查,并在徐州市贾汪区青山泉镇和大吴镇的矢量图斑地类解译真实性检查中进行验证。实验结果表明,本文方法在研究区图斑地类解译真实性检查中的精确率和召回率分别高达0.925和0.817,可为矢量图斑地类解译真实性检查提供可靠的技术支撑。     

Scale issues of wetland classification and mapping using remote sensing images: A case of Honghe National Nature Reserve in Sanjiang Plain,Northeast China

Wetland research has become a hot spot linking multiple disciplines presently. Wetland classification and mapping is the basis for wetland research. It is difficult to generate wetland data sets using traditional methods because of the low accessibility of wetlands, hence remote sensing data have become one of the primary data sources in wetland research. This paper presents a case study conducted at the core area of Honghe National Nature Reserve in the Sanjiang Plain, Northeast China. In this study, three images generated by airship, from Thematic Mapper and from SPOT 5 were selected to produce wetland maps at three different wetland landscape levels. After assessing classification accuracies of the three maps, we compared the different wetland mapping results of 11 plant communities to the airship image, 6 plant ecotypes to the TM image and 9 landscape classifications to the SPOT 5 image. We discussed the different characteristics of the hierarchical ecosystem classifications based on the spatial scales of the different images. The results indicate that spatial scales of remote sensing data have an important link to the hierarchies of wetland plant ecosystems displayed on the wetland landscape maps. The richness of wetland landscape information derived from an image closely relates to its spatial resolution. This study can enrich the ecological classification methods and mapping techniques dealing with the spatial scales of different remote sensing images. With a better understanding of classification accuracies in mapping wetlands by using different scales of remote sensing data, we can make an appropriate approach for dealing with the scale issue of remote sensing images.     

土地覆盖的图像融合动态监测

近20年来,关于图像融合应用分析方法,如HIS,PCS,HPF,SFIM,SVR,Wavelet和Brovey等均有新的进展。本文主要是对不同时相的影像进行融合,如Brovey-融合法将不同时相的TM(1986年7月26日)和ETM+(2000年5月4日)的PAN波段影像进行融合,然后对其采用非监督分类和PCS分析,将两时相的土地覆盖变化区域提取出来。同时将两时相影像,用后分类法进行分类提取出变化区域。研究表明融合法具有快速、简便和准确的特点。     

多时相耕地覆盖提取和变化分析：一种结合遥感和空间统计的时空上下文方法

基于多时相影像的耕地提取和变化分析是有效管理和保护耕地资源的重要手段。然而就多时相耕地的分类提取而言,现有方法对于多时相影像中地物的时空特征表达和时空上下文关系建模存在着局限性,导致耕地的提取精度不佳;其次,对于耕地的变化分析,现有方法往往只关注基于行政单元的耕地面积统计变化,而对耕地变化在空间上的相关性分布特点考虑较少。因此,本文首先提出了一种时空上下文分类方法,综合表达和利用多时相影像中地物的光谱、纹理和空间等特征,建模时空维度上地物间在特征和语义上的上下文关系,来提高耕地覆盖分类的精度;其次,基于耕地覆盖的提取结果,在规则格网和行政区划单元上,采用GIS空间统计方法分析耕地变化的空间相关性特点;最后,以北京市顺义区为例,以2015—2019年的多时相Sentinel-2影像为数据源对本文方法进行验证。结果表明,与常见的2种多时相影像分类方法相比,本文方法在多时相耕地分类上精度最高,平均用户精度和制图精度分别达到91.21%和90.53%,所有类别的总体精度为90.79%。这表明本文方法能精确提取多时相耕地覆盖信息。通过对耕地变化的空间分布特点进行分析,发现2015—2019年顺义区耕地变化存在区域聚集现象,主要呈现为集中减少特点,其中赵全营镇、高丽营镇、木林镇和杨镇地区耕地的聚集性减少较为明显,说明这些地区的耕地侵占和减少问题比较严重。     

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。     

Object-oriented Urban Dynamic Monitoring——A Case Study of Haidian District of Beijing

It is crucial to conduct the land use/cover research to obtain the global change information.Urban area is one of the most sensitive areas in land use/cover change.Therefore land use/cover change in urban areas is very im-portant in global change.It is vital to incorporate the information of urban land use/cover change into the process of decision-making about urban area development.In this paper,a new urban change detection approach,urban dynamic monitoring based on objects,is introduced.This approach includes four steps:1)producing multi-scale objects from multi-temporal remotely sensed images with spectrum,texture and context information;2)extracting possible changed objects adopting object-oriented classification;3)obtaining shared objects as the basic units for urban change detection;4)determining the threshold to segment the changed objects from the possible changed objects using Otsu method.In this paper,the object-based approach was applied to detecting the urban expansion in Haidian District,Beijing,China with two Landsat Thematic Mapper(TM)data in 1997 and 2004.The results indicated that the overall accuracy was about 84.83%,and Kappa about 0.785.Compared with other conventional approaches,the object-based approach was advantageous in reducing the error accumulation of image classification of each datum and in independence to the radiometric correction and image registration accuracy.     

Integrating TM and ancillary geographical data with classification trees for land cover classification of marsh area

The main objective of this research is to determine the capacity of land cover classification combining spectral and textural features of Landsat TM imagery with ancillary geographical data in wetlands of the Sanjiang Plain, Heilongjiang Province, China. Semi-variograms and Z-test value were calculated to assess the separability of grey-level co-occurrence texture measures to maximize the difference between land cover types. The degree of spatial autocorrelation showed that window sizes of 3×3 pixels and 11×11 pixels were most appropriate for Landsat TM image texture calculations. The texture analysis showed that co-occurrence entropy, dissimilarity, and variance texture measures, derived from the Landsat TM spectrum bands and vegetation indices provided the most significant statistical differentiation between land cover types. Subsequently, a Classification and Regression Tree (CART) algorithm was applied to three different combinations of predictors: 1) TM imagery alone (TM-only); 2) TM imagery plus image texture (TM+TXT model); and 3) all predictors including TM imagery, image texture and additional ancillary GIS information (TM+TXT+GIS model). Compared with traditional Maximum Likelihood Classification (MLC) supervised classification, three classification trees predictive models reduced the overall error rate significantly. Image texture measures and ancillary geographical variables depressed the speckle noise effectively and reduced classification error rate of marsh obviously. For classification trees model making use of all available predictors, omission error rate was 12.90% and commission error rate was 10.99% for marsh. The developed method is portable, relatively easy to implement and should be applicable in other settings and over larger extents.     

尼泊尔土地覆被遥感制图及其空间格局分析

尼泊尔作为兴都库什-喜马拉雅区域的重要组成部分,是一个从平原到山地再到高原的典型过渡地带,具有多样且复杂的土地覆被类型。开展尼泊尔国家尺度的土地覆被研究,对该国的国土资源管理、生态环境保护具有重要的科学和实践意义,同时也能为中国倡导的“一带一路”国际区域经济合作战略提供基础数据保障。本文选用Landsat TM影像为数据源,基于面向对象与决策树相结合的土地覆被遥感制图方法,生产了尼泊尔全境2010年土地覆被产品（NepalCover-2010）,该产品包括8个一级类和32个二级类。同时,本文基于Google Earth高分辨率影像获取验证样本开展了NepalCover-2010产品的精度验证工作,并进一步分析了该国土地覆被类型的数量结构特征和空间格局特征与地形、气象要素间的关系。研究结果表明：① NepalCover-2010产品一级类总体分类精度达94.83%,Kappa系数为0.94;二级类的总体分类精度达87.17%,Kappa系数为0.85,能够准确地反映尼泊尔土地覆被类型的空间分布格局,是同类土地覆被产品中精度最好的。② 林地是尼泊尔最主要的土地覆被类型,其面积约占尼泊尔国土面积的41%。耕地次之,其面积占比约为25%,其中水田和旱地的面积分布比例约为2:3。③ 地形和气象要素对尼泊尔的土地覆被类型空间分布格局具有显著影响,自南向北随着地势的抬升,各土地覆被类型出现顺序表现出水田、常绿阔叶林、旱地、常绿阔叶灌木林、常绿针叶林、草原、稀疏植被和冰川/永久积雪的垂直地带性特征。     

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。