新疆地区土地覆被遥感数据的一致性研究

鉴于新疆地区对中国乃至中亚有着特殊的战略意义,本文针对不同数据源及分类系统在土地覆被数据的空间分布上缺乏互通性问题,结合2010年目视解译土地利用现状遥感监测数据、GlobeLand30和GlobCover2009共3种土地覆被数据,采用类型相似分析、类型混淆分析、混淆矩阵分析、空间一致性分析4种方法开展精度评价及一致性分析,以期对土地覆被数据在中国西北干旱区的适用性及适用范围提供有效建议。结果表明,3种土地覆被数据对新疆地区土地覆被类型构成基本一致,且对裸地类型的辨识度最高;新疆地区中高度一致区域占新疆总面积的95%;3种数据两两对比时,总体精度在64.11%~72.57%之间,其中目视解译数据/GlobeLand 30组合表现出最高水平,且仍有提高空间,反映出目前相同卫星传感器是提升精度评价结果的重要因素之一,且不同分类系统、分类方法、空间分辨率及卫星过境时间等因素对精度评价结果也会产生巨大影响。为解决此类问题,利用多源土地覆被遥感数据的融合技术提高数据精度,或是利用深度学习对遥感影像资料进行精确地解译和判读,将是今后全球土地覆被制图及应用领域的主要发展趋势。     

航空与卫星影像数据多尺度分割对比研究

本文从遥感影像多尺度分割的角度分析了同一地区的航片与QuickBird、IKONOS等卫星数据的分割效果,讨论了不同地物和不同影像的最佳分割尺度,以增强对目标物的检测与识别能力,提高现有航空遥感数据及卫星影像数据应用的精度和效率,并对最终分类结果进行了比较。结果表明航片、QuickBird、IKONOS的最佳分割尺度分别为125、100、75,QuickBird的分类精度最高,航片和IKONOS的分类精度次之。因此可认为,航片在实际应用中,可以代替高分辨率卫星影像。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果要好。     

基于mRMR特征优选算法的多光谱遥感影像分类效率精度分析

在遥感图像分类过程中,进行合理的特征优选操作,将有助于提高分类器的分类效率及精度。本文以淮南地区资源三号卫星多光谱遥感影像数据为例,采用二值离散化、直方图法及F统计法3种计算方法实现mRMR（minimal-Redundancy-Maximal-Relevance）算法特征优选过程。根据3种方法所得到的特征优选结果及全部特征信息,分别采用C5.0决策树和K近邻2种分类器进行图像分类实验,并利用目视解译方法对不同方法组合的影像分类结果进行精度验证。实验结果表明,利用3种计算方法实现mRMR特征优选算法对不同分类器的影响程度不同：在分类效率方面,C5.0决策树分类器可提高36.84%,而K近邻分类器可提高72.05%;在分类精度方面,C5.0决策树分类器能保证分类精度大致不变,总体分类精度可提高0.60%,Kappa系数可提高0.80%,而K近邻分类器总体分类精度可提高4.34%,Kappa系数可提高7.90%。     

基于高分二号卫星影像的城市不透水面提取

受到分类目标趋于多样化和影像因素复杂的影响,基于高分辨率遥感影像提取城市不透水面的方法普遍精度不高。本文旨在探索快速有效地利用高分辨率遥感影像提取不透水面方法。以梧州市高分二号遥感卫星影像为例,采用支持向量机方法应用于不透水面分类中。这种方法首先根据高斯核函数训练出样本空间,然后直接对经过HSL色彩空间变换后的影像进行分类,使得有效特征信息增加进而分类精度提高。实验结果证明了这种方法的有效性。     

基于改进全卷积神经网络模型的土地覆盖分类方法研究

遥感卫星数据是地球表面信息的重要来源，但利用传统的遥感分类方法进行土地覆盖分类局限性大、过程繁琐、解译精度依赖专家经验，而深度学习方法可以自适应地提取地物更多深层次的特征信息，适用于高分辨率遥感影像的土地覆盖分类。文中对高分辨率影像中水体、交通运输、建筑、耕地、草地、林地、裸土等进行高精度分类，结合遥感多地物分类的特点，以DeepLabV3+模型为基础，作出了以下改进：(1)骨干网络的改进，使用ResNeSt代替ResNet作为骨干网络；(2)空洞空间金字塔池化模块的改进，首先在并联的每个分支的前一层增加一个空洞率相对较小的空洞卷积，其次在分支后层加入串联的空洞率逐渐减小的空洞卷积层。使用土地覆盖样本库和自制样本库进行模型训练、测试。结果表明，改进模型在2个数据集的精度和时间效率均明显优于原始DeepLabV3+模型：土地覆盖样本库总体精度达到88.08%，自制样本库总体精度达到85.22%，较原始DeepLabV3+模型分别提升了1.35%和3.4%，时间效率每epoch减少0.39 h。改进模型能够为数据量以每日TB级增加的高分影像提供更加快速精确的土地覆盖分类结果。     

随机森林方法支持的复杂地形区土地利用/土地覆被分类研究

随机森林方法目前已经成为遥感分类机器学习中一种有效方法,探索基于中等分辨率的Landsat卫星数据与随机森林方法相结合对复杂地形区长时间序列数据的获取及土地利用/土地覆被变化及模拟研究是非常有意义的。本文基于Landsat8OLI卫星多光谱数据,采用随机森林分类方法对青海省湟水流域复杂地形区土地利用类型进行了分类研究。针对复杂地形区域的情况,将研究区进行地理分区,根据每个分区的特点,选择相应的地形特征参数,并通过提取Landsat 8数据的光谱信息与纹理信息构建最优特征集,探索随机森林方法在复杂地形区土地利用分类的适用性。结果表明：使用Landsat8OLI数据进行随机森林分类,能较好地得到湟水流域复杂地形区域的土地利用类型结果;光谱、地形及纹理信息的结合在不同分区的表现结果不同。在脑山区光谱与地形信息结合能使随机森林分类效果最佳,总体精度达到91.33%,Kappa系数为0.886;而在浅山区与川水区综合考虑光谱、地形、纹理信息进行随机森林分类效果最佳,浅山区与川水区总体精度分别达到92.09%和87.85%,Kappa系数分别为0.902和0.859;利用随机森林算法进行优化选择纹理特征组合可以在保证分类精度的同时能够快速地提取土地利用类型信息,为复杂地形区土地利用类型的区分提供了实际可行的方法。     

基于卷积神经网络的遥感影像地表覆盖分类

遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。     

“北京一号”卫星数据在长沙市土地利用动态遥感监测中的应用

运用"北京一号"卫星数据进行长沙市2007年度土地利用动态遥感监测,探讨"北京一号"卫星数据处理方法及其在土地利用动态遥感监测中的实用性及效果.结论显示"北京一号"卫星数据利用现有的遥感数据处理方法仍可达到较好的效果,在土地利用中具有很大的应用潜力,可以满足国家每年动态遥感监测的数据要求.     

面向对象和DEM的ZY-1 02C影像湿地提取研究

本文运用面向对象分类与DEM数据相结合的方法,对资源卫星一号02C卫星遥感影像进行湿地提取。探索了基于对象与DEM信息的提取技术,在02C影像湿地的提取应用,对研究我国国产卫星在湿地监测和保护方面有重要的意义。研究结果表明：（1）面向对象的遥感影像信息提取方法,可同时兼顾影像光谱信息及空间信息,适用于02C影像的湿地提取,精度得到明显提高;（2）基于对象与DEM信息的提取方法,使沼泽地与草地相混淆的现象明显减轻,湿地分类精度进一步提高,该方法适用于高分辨率遥感影像的湿地提取研究;（3）基于对象与DEM信息提取的水田、水体、沼泽地及河滩的精度,分别为88.46%、97.44%、86.96%和83.33%,满足资源卫星一号02C遥感影像对湿地进行监测和保护的需要。     

一种基于深度传递迁移学习的遥感影像分类方法

面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。     

基于决策树的多角度遥感影像分类

快速准确地获取土地利用/覆被信息是遥感领域研究的一个热点课题.本文用5种决策树分类器及MISR多角度数据,对塔里木河下游地区进行土地覆被分类研究.通过对不同波段和观测角数据组合形成的6个数据集进行分类比较发现:(1)无论使用哪种分类器,相比于天底角观测方式,多角度观测都能获得更高的分类精度,特别是能显著提高灌木,林地和草地类型的分类精度,说明多角度观测能有效地反映地物的反射异质性信息,更好地区分地物.(2)与MLC分类法相比,决策树算法的分类精度更高,特别是随机森林和C 5.0方法最为突出,说明决策树的分类能力要优于MLC法.使用多角度数据集时,这种差别更明显,说明决策树能更有效地利用多角度信息.(3)4种决策树算法(J48,Random Forest,LMT,C 5.0)使用近红外波段的分类效果好于使用红光波段的分类效果,说明近红外波段能提供更多的地物反射异质性信息.     

土地利用遥感动态监测技术方法介绍

采用遥感技术进行土地利用动态监测是一条行之有效的方法。遥感监测方法多种多样。但为了确定变化类型,要引入遥感图像分类方法。遥感分类方法一直是遥感技术方法研究的重要领域。迄今为止,目视解译仍是成功的分类方法;在今后相当长的一段时间内,目视解译分类与计算机自动分类将协调发展。我国土地利用遥感动态监测方法主要采用目视解译、计算机自动分类及目视解译与计算机图像处理相结合的方法,其中,目视解译的方法一直占有重要地位。随着高分辨率传感器的相继问世,利用多平台遥感数据融合进行监测研究将有利于提高分类、监测精度。我国的土地利用遥感监测研究正深入开展,并将在计算机信息提取及监测方法上取得更大的成果。     

基于不确定性分析的遥感分类空间分层及评估方法

空间分层是准确度量遥感分类不确定性程度及其空间分布的基础与关键。本文提出了一种基于不确定性分析的遥感分类空间分层及评估方法,首先基于随机森林算法获取像元后验概率,确定分类不确定性度量指标;其次,采用模糊C均值进行空间分层;最后,对分层结果合理性进行定性与定量评估,并与同尺度数据产品精度评价结果及后验概率不确定性分层方法进行对比分析。以北京市顺义区Landsat 8 OLI遥感影像数据为例,研究结果表明：① 基于最大概率、模糊混淆指数和概率熵指标将顺义区分为不确定性大、中、小3层,相应的遥感数据层分类精度分别为62.28%、74.96%、79.31%;② 分类不确定性空间分层结果与度量指标大小的空间分布基本一致,错分地类图层与不确定性大层的地类空间分布基本一致;③ 遥感数据和数据产品的各层地类空间特征、层分类精度大小趋势一致,与总体分类精度相比,不确定性大层的层分类精度降低,不确定性小层的层分类精度提高;④ 与后验概率不确定性分层方法相比,本研究不确定性大层的层分类精度降低1.08%,不确定性中层提高3.58%,不确定性小层提高0.16%,q值由0.19提高到0.24,空间分异性更高。证实了研发的遥感分类不确定性空间分层结果的合理性。研究旨在提出适用于遥感分类的不确定性分层方案,用于优化遥感分类训练样本和精度评价验证样本的空间布设。     

POI辅助下的高分辨率遥感影像城市建筑物功能分类研究

城市建筑物是城市的重要组成部分,对城市建筑物进行功能分类可以为城市功能区划分提供有利依据,辅助政府部门对城市规划、土地利用、资源、人口等方面的分布与分配进行管理与决策,有助于推进城镇化建设的可持续发展。仅利用目前的遥感分类技术难以对高分辨率遥感影像的城市建筑物信息进行功能分类,然而将遥感、互联网兴趣点（Point of Interest, POI）数据以及GIS技术有效地结合在一起,可以更为细致地分析城市信息,不仅实现了建筑物功能分类,而且提高了分类的准确率与可信度。本文首先选取卷积神经网络（Convolutional Neural Networks, CNN）方法对高分辨率遥感影像数据进行建筑物提取;然后,对POI数据的城市商服、公建和住宅用地进行核密度分析;最后分别统计每个建筑物3种用地的核密度平均值,并将该值设置为此建筑物的属性值,并结合POI数据的实际情况选择具有最佳功能分类精度的属性值作为阈值提取3种用地信息,从而完成不同功能的城市建筑物分类。精度评价结果表明,该方法对3种用地的提取效果良好,分类精度达到86%以上。     

农业土地利用遥感信息提取的研究进展与展望

农业用地占到全球土地面积近一半,农业土地利用（包括耕地及作物分布、种植制度、土地管理等）变化直接影响到粮食安全、水安全、生态安全和气候变化。遥感已经成为土地利用信息获取的重要手段,近年来中分辨率遥感卫星如Landsat、Sentinel以及中国高分卫星等的免费开放为国内外农业土地利用信息提取提供了前所未有的机遇,取得了一系列重要研究进展。本文从耕地分布、作物类型识别、农业种植制度以及农业土地管理4个角度分析了土地利用信息提取的最新研究进展。结果发现：① 耕地分布产品已经由过去的粗分辨率提升到10~30 m,耕地现状数据较为丰富,但挖掘遥感数据实现耕地变化历史回溯的能力有待加强;② 作物分类方面多采用地面调查数据和卫星遥感（Landsat和Sentinel-2为主）相结合的方式进行,在北美和欧洲得到了业务化运行,但对作物种植面积早期监测的能力有待加强;③ 基于遥感的农业种植制度信息获取（如撂荒）研究多集中在东欧等地区,在中国由于经济和政策因素导致的撂荒、轮作、休耕等现象也十分普遍,但具有针对性的遥感监测研究目前还相对缺乏;④ 农业土地管理措施信息提取方面,区域灌溉面积产品取得了重要进展,但数据的可靠性和准确性仍有待提高。在此基础上,我们结合遥感大数据、深度学习算法、云计算平台的发展对未来农业土地利用信息提取研究进行了展望：① 融合多源数据形成更高维度空间、光谱和时间信息的遥感大数据,提升特征提取和数据挖掘能力;② 机器学习和深度学习算法等智能化方法与基于地理学和物候信息的专家知识方法的耦合;③ 遥感云计算和大数据挖掘等前沿遥感和计算技术的应用。     

基于土地利用现状数据库的土地利用遥感分类本底数据库建设——以山东省泰安市泰山区为例

遥感分类本底数据库和土地利用现状数据库在地类判别标准、精度要求、数据格式和原始底图等方面存在诸多一致性。基于土地利用现状数据库进行遥感分类本底库的建设，大大减少了数据矢量化和外业调查的工作量。由于大部分工作都可以通过计算机来完成，因此作业时间和人力物力投入相应减少，同时确保了遥感分类本底数据库的精度。     

基于土地利用现状数据库的土地利用遥感分类本底数据库建设——以山东省泰安市泰山区为例

遥感分类本底数据库和土地利用现状数据库在地类判别标准、精度要求、数据格式和原始底图等方面存在诸多一致性.基于土地利用现状数据库进行遥感分类本底库的建设,大大减少了数据矢量化和外业调查的工作量.由于大部分工作都可以通过计算机来完成,因此作业时间和人力物力投入相应减少,同时确保了遥感分类本底数据库的精度.     

基于独立成分分析和随机森林算法的城镇用地提取研究

城镇用地信息是联合国2030年可持续发展议程关注的重点之一。城市在世界范围内迅速扩张,快速准确地获取城镇用地信息对于政府决策具有重要作用。城镇土地覆盖信息非常复杂,包括人工建筑、树木、草地、水体等多种地表覆盖类型。基于传统人工测绘获取城镇用地信息费时费力并且难于及时更新。Landsat等遥感卫星数据为城镇用地信息提取提供了丰富的数据源。基于卫星遥感数据提取的城镇用地信息可以为未来城市的建设和管理提供基础的科学决策数据。基于监督分类方法和卫星遥感数据可快速地提取城镇用地信息,然而特征变量的选择对于高精度城镇用地信息提取尤为重要。为研究不同特征变量组合对于城镇用地信息提取的影响,以北京市为研究区,以2017年7月10日获取的Landsat 8 OLI影像为数据源,通过数据预处理、纹理提取、独立成分分析、主成分分析等得到4个维度的29个特征,选取了7种特征组合方案进行城镇用地提取。考虑随机森林算法性能稳定,分类精度高和可以方便进行特征重要性评价等优点,选择其作为监督分类算法以提取城镇用地信息,并进行了精度评定,以确定最优的城镇用地提取特征组合。研究发现：综合利用光谱特征和独立成分分析后的影像特征,提取城镇用地的总体精度为93.1%,Kappa系数为0.86,优于利用其他特征的提取结果;基于随机森林算法对数据进行训练后输出的各变量的归一化变量重要性与特征均值的标准差结果存在相似性,利用随机森林算法的变量重要性估计与特征均值折线图都可以进行变量重要性评价。     

应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类

农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用 Savitzky Golay (S-G) 滤波器对 Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机（Support Vector Machine, SVM）分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明：① 典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;② 通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7% 和0.055;③ 基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。