基于植被分区的多特征遥感智能分类

为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息,以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区,研究基于蚁群智能优化算法(ant colony intelligent optimization algorithm,ACIOA)的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段;然后利用归一化植被指数NDVI对实验区数据进行植被分区;最后利用ACIOA算法进行分类规则挖掘,并依据分类规则进行土地利用/覆盖信息的提取。研究表明,基于植被分区的多特征蚁群智能分类的总体精度为88.85%,Kappa=0.86,优于传统的遥感图像分类方法,为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。     

基于MODIS的LAI时间序列谱的地物分类方法研究

利用MODIS数据所反演的每8d一景,全年共46景的时间序列叶面积指数(LAI)图像,分析江西省不同类型地物的LAI时间序列谱,并对地物进行分类。首先,利用最小噪声比变换技术(MNF)将噪声从数据中分离;然后,通过纯净像元指数(PPI)从LAI时间序列谱中提取5类主要地物类型终端单元(Endmember),从而对地物进行分类并制图;最后,结合2000年江西省兴国县1 10万比例尺的土地利用/覆盖矢量图对本研究分类结果进行检验。结果表明,该方法的地物分类精度达到74.45%,其分类方法是有效可行的。     

中分辨率遥感图像土地利用与覆被分类的方法及精度评价

利用TM、SPOT及CBERS-1等中分辨率卫星图像,对土地覆被的专家系统分类方法、居民地的决策树提取方法以及水体的迭代混合提取方法进行了试验,其总体精度达到87.89%,与常用的监督分类方法相比精度可提高7.86%.专家系统分类的结果叠合居民地、水体等易于混分专题信息,可以形成精度较高的土地利用与覆被分类结果。     

基于遥感影像的土地利用分类研究

土地利用信息对于土地利用的动态监测、非点源污染物的迁移、生态环境保护规划和决策都有重要意义。以河南境内的丹江口水库汇水区2007年9月份的TM影像为数据源,结合遥感图像处理软件,利用监督分类方法对该区域的土地利用进行分类,最后利用ArcGIS软件对提取的土地利用信息制作出土地利用专题图。     

基于Sentinel-1A与Sentinel-2A融合的土地利用/覆盖分类研究——以昆明市呈贡区为例

为提高土地利用/覆盖分类精度,本文以昆明市呈贡区为例,融合Sentinel-1A(S1A)与Sentinel-2A(S2A)遥感数据,采用支持向量机(SVM)的监督分类方法对土地利用/覆盖进行分类。对比分析了Sentinel-1A与Sentinel-2A数据在不同组合情况下所有分类结果的总体精度,结果表明:将Sentinel-1A的强度数据、纹理数据与添加植被指数的Sentinel-2A数据融合时分类精度相对较高,总体精度可达93.60%。采用雷达数据与光学数据融合的方法可以在一定程度上提升土地利用/覆盖分类精度。     

都江堰震后土地利用/覆被变化信息提取方法研究

快速和精确评估"5·12"汶川地震后的土地利用/覆被变化对科学减灾、灾后重建及生态环境恢复具有重要意义。常规方法从遥感图像上提取土地利用/覆被变化信息时,多以研究区整体为处理对象,直接对全图像进行分类提取,容易忽略地形地貌和地质构造等背景因素对分类结果的影响。本文以都江堰为试验区,根据地质构造展布特征及地形地貌发育形态将其分成平原区(Ⅰ区)、低山区(Ⅱ区)、中高山区(Ⅲ区)和高山区(Ⅳ区)。对Ⅰ区采用ISODATA方法进行非监督分类;对Ⅱ区和Ⅲ区分别采用最大似然(ML)分类法进行监督分类;对Ⅳ区采用人机交互解译方法进行分类。试验结果表明,基于地理地质环境的分块分类方法是高效、精确的。     

基于地表生物物理参数的土地利用/覆盖遥感分类方法研究——以长沙市以例

土地利用/覆盖分类通常是利用地物的波谱反射特征进行监督或非监督分类,分类结果由于"同物异谱、异物同谱"现象的存在,往往分类精度不高。而植被指数和地表温度作为表征地表覆盖状况的生物物理参数,已成功用于宏观尺度的土地利用/覆盖分类,使得分类结果有所提高,而对于区域尺度的土地利用/覆盖分类却少见报道。本文充分利用TM数据的多光谱特征,从中提取了植被指数NDVI、地表温度Ts、温度植被角度TVA和温度植被距离TVD这四种分类特征进行监督分类,通过对7种组合方案(反射率波段组合、NDVI与反射率波段组合、Ts与反射率波段组合、NDVI与Ts和反射率波段组合、TVA与反射率波段组合、TVD与反射率波段组合、TVA与TVD和反射率波段组合)的分类结果进行比较,得出以下结论:①NDVI、Ts、NDVI和Ts、TVD作为分类特征参与到多波段地表反射率影像分类中,能够提高分类精度,而TVA、TVA和TVD的加入却没有改善分类结果;②总体分类精度受到训练样本与检验样本比例的影响。     

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。     

光谱与纹理信息复合的土地利用/覆盖变化动态监测研究

及时、准确地动态监测地球表面特性对于掌握人类和自然现象之间的关系和相互作用是非常重要的,并为决策的制定奠定基础。传统卫星遥感的土地利用/覆盖变化动态监测方法基本上可分为光谱直接比较法和分类比较法两大类,但两类方法多以光谱信息为基础来提取土地利用变化信息,而忽略纹理等空间信息。本研究中,基于变化向量分析方法,将光谱与纹理两种信息复合计算变化强度,并采用支持向量机法提取变化/非变化信息,通过监督分类确定变化区域内的土地利用/覆盖类型的转移方向,完成土地利用/覆盖动态监测。最后,利用两期TM数据,对海淀区1997—2004年进行土地利用/覆盖变化动态监测,以验证该方法。该方法较分类后比较法在一定程度上减少误差积累,降低了错误类型转化,提取的变化信息总精度达到93.1%,Kappa为0.862,比利用光谱信息双窗口变步长的变化向量分析方法提取出土地利用/覆盖变化信息的精度有一定的提高(总体精度为90.2%,Kappa为0.804)。纹理信息与光谱信息复合,能够更大拉开变化/非变化信息之间的距离,有利于动态变化信息的提取,是该方法能够有效提取变化信息的关键所在。     

光谱特征扩展的时间序列Landsat数据地表覆盖分类

时间序列遥感影像常用于地表覆盖监测及其变化监测。然而,利用时序遥感数据—尤其是中分辨率遥感数据监测地表覆盖变化,其方法基本是先对多期影像分别进行监督分类然后对比分类结果。由于这种方法需要对每期遥感影像单独选择分类训练样本,而对于历史影像,常常难以获得可靠的样本数据。本文基于遥感数据定量化处理,尝试利用光谱特征扩展方法对时间序列Landsat数据进行分类:首先,结合一种新的大气校正方法和相对辐射归一化方法,对时间序列Landsat数据进行定量化处理,以消除各期影像之间的辐射差异,获得地表反射率数据。然后,论文选择一期易于获得分类训练样本的反射率数据作为"参考影像",并结合样本数据提取不同地表覆盖类型的光谱特征。最后,将"参考影像"中提取的地物光谱特征,扩展到所有时间序列反射率数据进行分类。论文利用青藏高原玛多地区的5景Landsat数据对本文的方法进行了验证,结果显示:基于光谱特征扩展的分类方法,可有效对定量化处理后的Landsat数据进行分类,分类总体精度为88.35%—94.25%,分类结果和传统的单景监督分类结果具有较好的一致性。此外,研究也发现,"参考影像"和待分类图像获取时间的季相差异会影响其分类的精度。     

面向对象的沿海地区土地利用/覆被信息提取研究

土地利用/覆被（LUC）可为土地资源领域相关研究提供基础数据。本文构建了面向对象的LUC分类方法，并以沿海特殊土地类型区连云港市为例，应用Landsat 8影像开展了实证研究。结果表明：①总体分类精度达到85.06%，总体Kappa系数为0.83，超过了0.7的最低允许判别精度；②该方法可以有效地减少研究区因南北部区域耕地植被覆盖度不同导致的错分现象，并可以用于盐田与滩涂信息的提取工作；③该方法既可为研究区土地利用相关研究提供符合精度要求的数据，也可为其他沿海地区进行土地利用/覆被信息提取工作提供参考和借鉴。     

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Landsat-8 OLI的西安市土地利用类型遥感分类研究

近年来,由于区域人口的增加和社会经济的快速发展,西安市的土地利用类型发生了明显变化。土地利用分类可为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术为土地利用分类提供了有效的工具。本文以西安市2016年Landsat-8卫星的OLI多光谱数据为基础资料,参考国家土地利用分类标准和西安市土地利用现状,将西安市的土地类型分为建设用地、裸地、水体、草地、耕地、林地6类,采用监督分类中常用的最大似然分类法和决策树分类方法对研究数据进行解译,利用总体分类精度和Kappa系数等指标对各分类精度加以评价,并结合实际用地情况对分类结果进行了总结分析。     

The Utility of Very High Spatial Resolution Images to Identify Urban Objects

Abstract

Landsat MSS, TM and SPOT XS imageries were used in conjunction with unsupervised, supervised and hybrid classilication techniques to classify land cover types in semi‐arid savannas of Mathison Pastoral Station in the Katherine region of northern Australia. Accuracy assessment was based on field data from 246 ground survey sites over a 745‐km² study area. Of 14 land cover classes identified by traditional mapping means, all combinations of imageries and classification techniques differentiated at least seven land cover types. The overall accuracy for these classifications ranged between 43% and 67%. SPOT XS image delivered the best accuracy followed by TM and MSS; unsupervised classification performed better than supervised and hybrid methods. User's and producer's accuracy of individual land units ranged from 0% to 100%. Riparian woodlands, woodland on limestone slopes, shrubland on clay plains, woodland on limestone plains and shadows were the best‐mapped classes. The land units that were associated with undulating hills were not mapped accurately. However, incorporation of a digital elevation model (DEM) in a GIS improved the overall accuracy. The user's and producer's accuracy of dominant land cover types were also enhanced. The classification results and the efficacy of the techniques at Mathison were similar to those found for a nearby semi‐arid area (Kidman Springs) about 200 km from Mathison. However, the overall accuracy was lower at Mathison than at Kidman Springs. Spectral classification masks were developed from the SPOT XS and TM imageries at Kidman Springs, and were applied to classify SPOT XS and TM imageries at Mathison. Initial results showed that the classification mask could be successfully extrapolated to map dominant land cover types but only with moderate accuracy (50%).     

大尺度土地覆盖数据集在中国及周边区域的精度评价

大尺度土地覆盖数据是全球陆地表层过程研究、生态系统评估、环境建模等科学研究的重要基础,研究现有数据集的特点对数据使用者及生产新的数据集都具有指导意义。本研究以中国及周边区域为研究区,根据不同分类体系对地物的定义,研究不同分类体系中对应地物的相关系数,并将所有分类体系转换为IGBP分类体系;然后,从定性和定量两方面分析现有5种土地覆盖数据集(IGBP DISCover、UMD、GLC2000、MOD12Q1和GlobCover 2005)的空间一致性;并利用Google Earth高分影像选取两期验证样本评价5种土地覆盖数据集的精度。结果表明:同种地物在不同土地覆盖数据集之间的空间分布格局差异较大,且不同土地覆盖数据集之间的总体一致性系数较低;5种土地覆盖数据集中,GLC2000的总体精度和Kappa系数均最高,GlobCover 2005的总体精度和Kappa系数均最低。     

基于随机森林的土地利用分类与景观格局分析

基于景观格局分析方法,分别选取8个反映景观格局类型和6个反映景观水平格局指数用于探索土地利用变化状况.实验结果表明:①基于选择合适的训练样本下,对3期遥感影像采用随机森林的监督分类方法,总体精度均在94％以上,kappa系数均为90％以上;②综合来看,研究期内建设用地为优势景观类型.研究区斑块数量增加,破碎化程度有所加...     

A Hybrid Approach for Land Use/Land Cover Classification

Atlanta has continuously changed its physical landscape as well as its socioeconomic appearance over the past decades. A hybrid image processing approach, which integrated unsupervised, supervised, and spectral mixture analysis (SMA) classification methods, was used to identify urban land use/land cover changes over a decade (from 1990 to 2000) in the Atlanta metropolitan area. During this process, SMA was proven to be an effective analytical approach for characterizing mixed feature areas, such as a metropolitan area. According to accuracy assessment, the classification results were acceptable.     

高分辨率遥感影像下沿海地区地表覆盖信息的提取

沿海地区地表覆盖信息是全国地理国情普查的重要内容,遥感影像分类技术为沿海地区地表覆盖信息提供了一种重要方法。本文基于GF-1高分辨率遥感影像,建立了沿海地区地表覆盖分类系统,采用中国测绘科学研究院自主研发的面向对象GLC决策树分类方法和软件进行了地表覆盖分类。通过对某试验区进行分类试验,并结合该区地表覆盖标准分类图进行精度评价,验证了基于高分辨率影像,面向对象GLC决策树分类方法在沿海地区地表覆盖信息提取上的有效性及优越性,其总体分类精度和Kappa系数分别为87.201 8%、0.840 6,均高于SVM分类法。最后提出基于高分辨率遥感影像的沿海地区地表覆盖信息提取流程。     

Spectral angle mapper and object-based classification combined with hyperspectral remote sensing imagery for obtaining land use/cover mapping in a Mediterranean region

In this study, we test the potential of two different classification algorithms, namely the spectral angle mapper (SAM) and object-based classifier for mapping the land use/cover characteristics using a Hyperion imagery. We chose a study region that represents a typical Mediterranean setting in terms of landscape structure, composition and heterogeneous land cover classes. Accuracy assessment of the land cover classes was performed based on the error matrix statistics. Validation points were derived from visual interpretation of multispectral high resolution QuickBird-2 satellite imagery. Results from both the classifiers yielded more than 70% classification accuracy. However, the object-based classification clearly outperformed the SAM by 7.91% overall accuracy (OA) and a relatively high kappa coefficient. Similar results were observed in the classification of the individual classes. Our results highlight the potential of hyperspectral remote sensing data as well as object-based classification approach for mapping heterogeneous land use/cover in a typical Mediterranean setting.