顾及物候特征的喀斯特断陷盆地土地覆盖遥感分类

在喀斯特分布区,基岩、植被、裸地等多种地表覆盖交错分布,地物覆盖高度异质,并且呈现出短周期规律性变化和长期动态趋势变化,单一时相的影像进行土地覆盖分类精度非常有限。针对这一问题,本文提出一种顾及物候特征的多时相遥感影像分类策略,利用具有高时间分辨率的MODIS NDVI时间序列产品作为数据源,选择BFAST(Breaks For Additive Seasonal and Trend)方法进行NDVI时间序列的物候分解,采用动态阈值法对时序分解的物候轨迹进行标记,最后将物候标记特征与原始光谱时序综合特征进行组合,选择支持向量机(SVM)分类器进行土地利用覆盖分类,并且对比了不同特征空间下的分类结果。以云南省壮族苗族自治州丘北县和砚山县为研究区进行分类实验,结果表明,BFAST模型可以有效地分解出NDVI时序中的关键物候特征,相比基于单纯光谱特征的分类,物候驱动的喀斯特断陷盆地区土地覆盖分类精度有明显的提升,在NDVI、光谱和物候组合特征空间下,土地覆盖分类精度最高,总体精度和Kappa系数分别为88.94%和0.8693,尤其在灌木林、有林地、石旮旯地与稀疏植被的区分中,SOS、POS和GSG等物候特征具有较强的可分性,表明物候特征在地物识别中的有效性。     

综合环境卫星与MODIS数据的面向对象土地覆盖分类方法

使用面向对象方法对单时相的环境卫星数据进行土地覆盖分类时,几何特征和光谱特征相似的地物无法区分,而MODIS时序数据的空间分辨率较低,不适用于中小尺度的土地覆盖分类。应用面向对象方法,充分利用环境卫星数据的空间、光谱特征和MODIS数据的物候特征建立规则,进行分类,可以有效地解决上述困难。首先对环境卫星数据进行多尺度分割,生成待分类对象;再根据对象的特征,依据由简到难的原则进行分层分类。以双台子河口为例进行土地覆盖分类,总体精度93%,Kappa系数0.92。结果表明,综合环境卫星与MODIS数据的面向对象土地覆盖分类方法应用潜力巨大。     

无人机多光谱影像土地利用信息提取方法研究

以无人机多光谱和倾斜影像为数据源,运用面向对象自动分类的方法,首先利用分型网络演化分割算法(Fractal Net Evolution Approach,FNEA)进行分割实验,确定研究区每个地类最优分割尺度,并结合多光谱影像的光谱特征、纹理特征、空间特征、语义关系以及通过倾斜摄影提取的数字表面模型(Digital Surface Model,DSM)和其衍生的坡度数据等,构建研究区分类规则集,并采用多尺度分割后的多层次信息提取方法,将地物分为3个尺度,在不同尺度下提取相应的地物,总体精度为88.03%,Kappa系数为86.12%,分类结果较好。同时设置对比实验,利用传统的决策树方法分类,其总体精度仅为77.78%,Kappa系数为74.23%。研究表明,针对无人机的高分辨率多光谱影像面向对象的多尺度信息提取方法在信息提取时要优于决策树分类方法,同时验证了该多光谱传感器在信息提取上应用的可行性。     

煤田火区特征的土地覆盖分类方法 ——以乌达煤田火区为例

土地覆盖变化是土地分析与评价和生态环境变化预测的重要科学基础, 通过精确的土地覆盖分类方法 获取高精度的土地覆盖图是研究煤田火区生态环境变化的必要手段。本文以最大似然法、光谱角度法、面向对象 分类法和基于复合分区的分层分类法进行乌达煤田火区土地覆盖分类的方法研究。研究结果表明, 基于复合分区的 分层分类方法分类精度较高, 总体分类精度为92.97%, kappa 系数为0.9155。该方法通过基于地表热辐射特征、热 异常状况、地貌类型, 以及对生态系统扰动状况等的划分, 减少了地物信息的混淆度, 即通过提     

基于面向对象特征提取的BP神经网络分类——以武陵源地区为例

采用面向对象影像分类与BP神经网络分类相结合的方法,对高分辨率无人机影像进行土地利用分类。利用光谱、形状、纹理、对象间关系等影像特征,通过基于面向对象的方法对影像提取特征进行初步分类,再将初步分类结果应用于BP神经网络,结合原影像数据进行进一步分类,提高分类精度、纠正分类错误。结果表明,该方法最终分类结果达到了88.9%的总体分类精度和0.863的Kappa系数,影像分类结果对比传统影像分类方法的总体精度与Kappa系数均有所提高。     

基于无人机遥感的大坡度地质露头岩性分类

针对卫星影像难以获取大坡度地质露头数据、传统分类方法无法有效利用影像信息导致地质露头剖面岩性分类精度较低等问题,本文通过无人机遥感技术获取高精度野外大坡度地质露头数据,并提出了一种多尺度混合特征网络模型。研究结果表明：无人机与贴近摄影测量技术相结合的方法在采集地质露头数据的应用中具有较强的可行性;多尺度混合特征网络模型能够有效地提取无人机多光谱影像中的光谱特征和空间特征,实现了大坡度地质露头岩性的高精度分类。以云台山地质公园某露头为例,本文模型的总体分类精度可达89.91%,Kappa系数可达0.85,相比于传统的机器学习算法SVM和MLC精度提高接近15%,相比于Inception V3和ResNet18总体分类精度提高约10%,相比于Hybrid CNN总体分类精度提高1.5%。     

基于面向对象CART决策树的土地利用分类研究

面向对象的CART决策树分类方法可解决目前流行的监督分类、非监督分类以及模糊分类方法中“同物异谱、异物同谱”引发的漏分、错分问题。该方法融入了形状和纹理特征进行分类,同时运用二级分类体系解决了相似地物因光谱、纹理不同而导致的地物错分问题,分类效果较好。利用楚雄市鹿城镇2013年GF-1号遥感影像进行土地利用分类。结果表明：(1)基于光谱、形状和纹理信息选取的19个特征变量开展面向对象的CART决策树分类,总体精度可达90.22%,其中林地分类的效果最好;(2)二级分类体系解决了耕地、裸地因光谱、纹理特征多样而产生的地物错分问题,总体精度提高了7.06%,Kappa系数提高了8.17%。     

基于决策树的漓江上游土地覆盖分类

针对山区植被分类受地形复杂、植被类型多样、验证数据获取困难等因素限制基于多光谱数据的亚热带山区土地利用/覆盖分类存在困难,探究利用物候信息对亚热带山区植被实施分类的效果。综合运用归一化植被指数(NDVI)、比值植被指数(RVI)、归一化水指数(NDWI),同时考虑到海拔高度对植被类型的影响,建立决策树模型。该模型基于多时相Landsat TM影像,利用了不同地物类型的物候特征和光谱差异,将漓江上游地区分为8种土地覆盖类型。实验结果表明,分类结果总体精度达到86.40%,Kappa系数为0.83。     

结合特征组与分层策略的遥感图像分类研究

针对藏南地区地表覆盖信息获取困难、生产效率低等问题,该文提出一种结合特征组与分层策略的高空间分辨率遥感图像逐层分类方法。依据地理国情普查地表覆盖信息分类标准,结合研究区遥感图像实际的地表覆盖状况,充分挖掘高空间分辨率遥感图像的地物特征信息,建立该地区地物图像特征组,并采用分层策略减弱地物间的相互影响程度,实现研究区遥感图像逐层分类。实验结果表明,文中提出的逐层分类方法能有效提高地表覆盖类别解译效率,分层成果有利于进一步的精细分类。     

基于mGA-SVM算法的高分影像面向对象分类研究

高分辨率遥感卫星影像是获取地物精细类别的重要数据源,快速准确地获取土地利用和土地覆盖分类信息可为土地利用规划、土地管理等提供重要的数据支撑和决策依据。本文开展了高分辨率影像面向对象分类研究,首先,利用多尺度分割方法对高分辨率影像进行分割,基于分割对象,选取不同地物类别样本并计算光谱特征、纹理特征、几何特征。然后,针对特征冗余问题,利用最大相关最小冗余算法选择优先级较高特征,在此基础上结合遗传算法对特征集进行适当扩充(m GA)。在面向对象分类过程中,通过利用遗传算法对支持向量机模型进行快速参数寻优,并在此基础上对分割对象进行分类。最终地物总体精度达到85.93%,Kappa系数为0.828 2。并将分类结果与最近邻分类和随机森林分类结果进行了比较,地物分类精度提高了4.05%和6.81%。实验结果表明:基于m GA特征优化及SVM参数选择进行改进的面向对象的分类方法是有效的。     

面向对象的无人机遥感影像岩溶湿地植被遥感识别

以广西桂林会仙喀斯特国家湿地公园为研究区，以无人机航摄影像为数据源，综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明：针对不同特征变量对岩溶湿地遥感识别的贡献率而言，光谱特征（DOM > DSM） > 纹理特征（DOM > DSM） > 几何特征 > 上下文变量；两个航摄影像数据集的总体分类精度都在85%以上，Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体，是开展土地科学相关研究的重要基础，在遥感大数据背景下，准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件，采用面向对象的多尺度分割法，综合考虑地物在遥感影像上的光谱、形状和纹理特征，建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取，并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%，Kappa系数为0.96，分类精度较高；②基于10 m分辨率影像，综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果，道路提取Kappa系数为0.84；③分类结果在面积和空间分布上都优于FROM-GLC10数据，与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征，分类精度高，对于处理高分辨率遥感数据具有很好的优势。     

Impact of Topography on Accuracy of Land Cover Spectral Change Vector Analysis Using AWiFS in Western Himalaya

The present paper discusses the impact of topography on accuracy for land cover classification and “from-to class change using improved spectral change vector analysis suggested by Chen et al. (2003). Two AWiFS sensor images of different dates are used. Double Window Flexible Pace Search (DFPS) is used to estimate threshold of change magnitude for change/no change classes. The topographic corrections show accuracy of 90% (Kappa coefficient 0.7811) for change/no change area as compared to 82% (Kappa coefficient 0.6512) in uncorrected satellite data. Direction cosines of change vector for determining change direction in n-dimensional spectral space is used for image classification with a minimum distance categorizing technique. The results of change detection are compared (i) Improved CVA with conventional two bands CVA and (ii) Improved CVA before and after topographic corrections. The improved CVA with topographic correction consideration using slope match show maximum accuracy of 90% (Kappa coefficient 0.83) as compared to conventional CVA which show maximum accuracy of 82% (Kappa coefficient 0.6624). The overall accuracy of ”from- to class using improved CVA increases from 86% (Kappa coefficient 0.7817) to 90% (Kappa coefficient 0.83) after topographic corrections. The improved CVA with proper topographic corrections is found to be effective for change detection analysis in the rugged Western Himalayan terrain.     

基于SOM神经网络的城市土地覆盖遥感分类研究

土地覆盖及其变化的研究作为区域及全球环境变化研究所需的极为重要的地表参数,是遥感应用分析的主要内容之一。以往所采用的遥感分类方法主要针对侧重于土地社会属性的土地利用类型的分类研究且很难获得理想的精度。本文在非监督的自组织映射神经网络的基础上进行了一定的改进,构建了有监督的神经网络模型,以湖南省长沙市主城区的土地自然属性为侧重点,对其土地覆盖进行分类。实验结果表明:利用本文所使用的方法得到的分类结果,其总体精度和Kappa系数均高于传统的分类方法得出来的分类结果。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法，它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像，基于GoogleNet模型中的Inception V3网络结构，借助迁移学习方法，构建出遥感分类模型，实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取，并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%，Kappa系数为0.834 2，明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0，而且有效抑制了地物在分类过程中出现的像元混分现象。     

基于决策树分类的地表覆盖遥感信息提取

地处西南的渝北地区地表覆盖类型复杂、土地利用多元化,仅依赖于光谱特征的传统遥感信息提取方法难以获得较高的分类精度。利用决策树分类技术对渝北地区的TM遥感影像进行分类,除光谱信息外还结合地质、NDVI、PCI等多源数据进行实验。结果表明,总精度和Kappa系数分别为88.42%和0.854 7,较传统的监督分类和仅依赖于光谱特征的决策树分类方法有较大提高,这也表明基于多源数据的决策树分类技术对地表覆盖复杂地区的遥感影像分类比较适用,是遥感信息提取的一种有效手段。     

分层分区分景相结合的区域土地利用/覆盖分类方法——以浙江钱塘江流域分类为例

在土地利用/覆盖研究中，对于范围广、地域差别大的地区，仅用同一标准对遥感图像进行分类往往难以得到理想的效果。 本文以浙江省钱塘江流域为例，通过对Landsat TM数据各波段组合，首先提取水层和山层信息，然后采用掩模法提取平原丘陵层信 息，并根据地形地貌和土地利用现状的差异，将平原丘陵层划分为6个区，当所划分区域内各景的影像时相不一致时，再对该区进 行分景处理。最后，分别对每层、每区和每景图像进行训练样本的选择和监督分类。试验结果表明，结合分层、分区和分景的监督 分类方法是一种适合于较大区域土地利用/土地覆盖分类的有效方法。     

运用多尺度图像纹理进行城市扩展变化检测

 应用遥感数据检测城市扩展变化时，单纯基于光谱信息的变化检测法很难取得理想效果。本文将多尺度的纹理与光谱信息结合应用于变化检测，并评价其在检测城市扩展变化中的性能。变化检测采用分类后比较法。研究表明，如果纹理尺度与数据组合合适，与单纯基于光谱信息的检测结果相比，纹理特征与光谱特征结合的变化检测精度显著提高，而多尺度纹理辅助变化检测得到的检测精度最高。研究还发现，纹理辅助变化检测在某些地物类别的边缘会产生假变化信息。     

基于TM影像的面向对象地表覆被信息提取

为验证基于TM影像的面向对象分类方法对复杂地区地表覆被信息提取的可行性,以地处西南地区的渝北为例进行实验。利用样本数据对各个波段的光谱特征进行分析,取得对各波段覆被探测能力的初步认识;基于光谱特征的多尺度分割,运用面向对象分类方法对其分类。面向对象的分类方法总精度和Kappa系数分别为88.42%和0.854 7,将其与监督、非监督分类结果对比分析。结果表明,该方法有效抑制了"椒盐"现象,取得较好的分类结果。     

基于随机森林算法的城市不透水面信息提取——以长春市为例

为了快速、准确地掌握不透水面的空间分布及满足动态变化信息现实需求，本文基于多分类器集成学习的思想，引入随机森林算法，以Landsat8影像为数据源，长春市为实验区，选取光谱特征、纹理测度、空间变换后的独立分量等25个特征变量进行分类研究，根据OOB误差进行重要性分析并试验得出最优的分类模型，实现高精度不透水面信息的提取，最后与传统参数分类法进行比较。结果表明：随机森林算法的总体精度可以达到94%，高出最大似然分类法5.9%，支持向量机算法0.77%，Kappa系数为0.914 3，均方根误差为0.104 3，不透水面的提取精度达95.54%，可以精确地得出所需信息，为城市建设与规划提供有效的专题数据。