基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

一种全极化高分SAR与中分光学影像融合方法

针对全极化SAR(synthetic aperture radar,合成孔径雷达)与中分光学影像的融合问题,提出基于主成分分析(PCA)与HSV(hue,saturation,value,色调、饱和度、明度)色彩空间变换的遥感影像融合方法。对全极化SAR四个极化波段进行主成分分析,提取第一主成分,将中分光学影像变换到HSV空间,第一主成分替换V分量,用新的V分量逆变换到RGB空间,得到全极化SAR与中分光学的融合影像。通过利用Radarsat-2全极化SAR与TM/ETM+中分光学影像开展融合实验,结果表明,该方法优于传统融合方法(PCA变换、HSV变换、小波变换等)的单极化SAR与光学影像融合结果,能够有效利用全极化SAR的纹理信息,提高影像解译能力。     

基于光谱特征空间的监督分类中包络线去除效能评价

对覆盖黄河口滨海湿地的PROBA CHRIS高光谱遥感影像进行包络线去除变换,采用6种常用的基于光谱特征空间的监督分类算法对变换前后的影像数据进行滨海湿地典型地物分类,通过目视对比分析和定量分析相结合的方法分析比较变换前后的分类结果,评价包络线去除方法对该类算法影响的效果和能力。结果表明,包络线去除方法能够提高部分监督分类算法针对滨海湿地典型植被类型的区分和识别能力;但由于滨海湿地内具有面积较大的裸滩和浑浊水体,这两类地物在影像中的光谱特征相近,而包络线去除方法并不能解决二者的误分问题,因此并不能提高该类算法针对CHRIS高光谱遥感影像的总体分类精度。     

高分辨率全极化合成孔径雷达数据海冰二次分类方法研究

随着高分辨率全极化合成孔径雷达(synthetic aperture radar, SAR)影像的大量出现, 传统分类方法因所得分类结果中包含斑点噪声, 导致分类精度大大降低, 因而利用基于伴生关系的二次分类方法对辽东湾RADARSAT-2卫星的海冰SAR影像进行分类, 并将所得分类结果与专家解译分类结果和经典的基于H-α分解的Wishart监督分类结果进行对比, 证明本方法可以消除斑点噪声的影响, 同时具有较好的视觉效果和较高的分类精度。     

航天遥感多源数据的复合信息及其应用研究--以黄河口为例

阐述了遥感多源信息复合的理论与技术依据,指出TM与SAR影像复合可实现优点的合成,旨在丰富地物的特征信息,提高目标分类精度,特别是有利于对滨海动态的监测与新生地貌体所关联的泥沙输移和海洋动力作用等隐伏信息,并以近期黄河口沙嘴演变的遥感影像作为例证.     

基于点云与影像融合的黄河三角洲互花米草提取方法

针对卫星遥感技术在对滨海湿地互花米草监测时受分辨率、气候条件等多种因素限制存在一定局限性且通过单一的影像数据提取互花米草时精度不稳定的问题,提出了基于无人机点云与影像融合的面向对象互花米草提取方法。以黄河三角洲自然保护区为研究对象,获取了该区域的点云和多光谱影像。先将地面滤波后提取的植被点云与多光谱影像进行特征组合优化,然后对融合影像采用FNEA算法进行多尺度分割后采用基于改进的最近邻算法进行面向对象分类,最终得到的互花米草生产者精度和用户精度分别达到了82.53%和86.43%,较未融合点云的提取精度分别提高了22.34%和7.66%,分类结果的总体精度从89.54%提升至92.61%,且融合点云后影像能够有效区分两种生长状态的互花米草,表明本文提出的方法能够有效提高互花米草的提取精度。     

SAR与光学影像融合增强方法和效果分析

基于Radarsat-2全极化SAR、GF-1多光谱、Landsat-8多光谱影像,利用PCA变换、HSV变换等方法,分析了同空间分辨率的SAR与光学全色影像的信息量,并评价了其分别与Landsat-8多光谱影像的融合结果。结果表明:全极化SAR影像较全色影像的亮度高,图像标准差、信息熵及平均梯度总体趋于一致,信息量相当;融合影像目视效果相近,且SAR融合影像较光学融合影像包含的信息量更为丰富,利用高分全极化SAR影像替代光学全色影像开展海岸带遥感监测是可行的。     

基于GA-BP神经网络的临洪河口湿地土地覆盖分类算法研究

针对传统分类方法易受到"同物异谱"和"同谱异物"影响，致使河口湿地覆盖分类精度较低的问题，提出一种基于遗传算法优化BP神经网络分类算法。以江苏省临洪河口湿地为研究区，选用哨兵Sentinel-2影像，经辐射校正、大气校正和图像裁剪等预处理后，构建基于自适应遗传算法优化的BP神经网络算法开展临洪河口湿地土地覆盖分类研究，并与传统BP神经网络、支持向量机和随机森林算法进行精度比较。研究结果表明：遗传算法优化后的BP神经网络算法开展河口湿地土地覆盖分类的总精度为96.162 7%，Kappa系数为0.952 0；与传统BP神经网络、支持向量机和随机森林分类算法的分类总精度相比，分别提高了7.359 7%、11.677 9%和6.042 4%；对应的Kappa系数也相应提高了0.090 8、0.118 0和0.074 8；有效解决了河口湿地土地覆盖分类精度低的问题。遗传算法优化后的BP神经网络可实现河口湿地土地覆盖的高精度分类，促进湿地资源的合理开发和保护，为实现海洋生态文明建设提供技术支撑。     

滨海湿地土地覆盖面向对象分类及变化监测

基于1973—2018年期间的6期遥感影像数据,利用面向对象的分类方法提取江苏盐城湿地珍禽国家级自然保护区核心区的土地覆盖分类信息,进而利用土地转移矩阵分析近45年来盐城保护区核心区土地覆盖变化规律。研究表明:在1973—2018年期间,研究区土地覆盖类型由海到陆依次为海水、光滩、河流、米草、碱蓬、茅草、芦苇和养殖区。土地覆盖变化总体上表现为:光滩大面积减少,变化类型是光滩→碱蓬群落→米草群落,主要集中在研究区中部地区。茅草群落自2008年消失,变化类型是茅草群落→芦苇群落→养殖区,主要集中在研究区的西南和西北部地区。碱蓬群落明显减少,主要转变为芦苇和米草群落,集中在研究区中部地区;西部靠近海堤的变化类型是碱蓬群落→芦苇群落,东部靠近光滩的变化类型是碱蓬群落→米草群落。养殖区大面积增加,集中在研究区西南部地区;芦苇群落明显增加,集中在研究区西部和西北部地区。结果分析认为,盐城滨海湿地保护区核心区土地覆盖类型在近45年来变化显著,尤其是人工湿地养殖区的分布范围明显增加,这可能对滨海湿地生态系统健康与可持续发展造成一定影响,应尽快改变滨海湿地保护区核心区的开发利用方式。     

基于极化散射特征的极化合成孔径雷达海冰分类方法研究:以渤海海冰分类为例

海冰监视监测的关键是提取海冰类型,准确提取海冰类型对于评估海冰冰情、保证航海及海洋作业安全具有重要的意义。利全极化合成孔径雷达影像(SAR)的优势,提取海冰的极化散射特征;在此基础上结合二叉树分类思想,开展极化SAR海冰类型的分类算法研究,提高SAR海冰分类精度;与传统的海冰分类方法相比较,验证了本方法的有效性。     

Discrimination of coastal wetland environments in the Amazon region based on multi-polarized L-band airborne Synthetic Aperture Radar imagery

This study assessed the use of multi-polarized L-band images for the identification of coastal wetland environments in the Amazon coast region of northern Brazil. Data were acquired with a SAR R99B sensor from the Amazon Surveillance System (SIVAM) on board a Brazilian Air Force jet. Flights took place in the framework of the 2005 MAPSAR simulation campaign, a German-Brazilian feasibility study focusing on a L-band SAR satellite. Information retrieval was based on the recognition of the interaction between a radar signal and shallow-water morphology in intertidal areas, coastal dunes, mangroves, marshes and the coastal plateau. Regarding the performance of polarizations, VV was superior for recognizing intertidal area morphology under low spring tide conditions; HH for mapping coastal environments covered with forest and scrub vegetation such as mangrove and vegetated dunes, and HV was suitable for distinguishing transition zones between mangroves and coastal plateau. The statistical results for the classification maps expressed by kappa index and general accuracy were 83.3% and 0.734 for the multi-polarized color composition (R-HH, G-HV, B-VV), 80.7% and 0.694% for HH, 79.7% and 0.673% for VV, and 77.9% and 0.645% for HV amplitude image. The results indicate that use of multi-polarized L-band SAR is a valuable source of information aiming at the identification and discrimination of distinct geomorphic targets in tropical wetlands.     

基于双极化SAR图像的U-Net海冰多分类模型

北极多年冰在近几十年有明显的减少趋势,与北极海冰的厚度、体积和夏季最小海冰范围的减少密切相关。合成孔径雷达(synthetic aperture radar, SAR)具有全天时、全天候成像能力,基于SAR卫星影像的海冰分类对监测北极多年冰具有重要意义。基于深度学习U-Net模型,以SAR图像的双极化信息为模型输入,构建了像素级的海水、一年冰和多年冰多分类模型。与已有SAR图像海冰分类方法(支持向量机、随机森林和卷积神经网络)进行对比,基于双极化SAR图像的U-Net海冰分类模型的准确率、平均重叠度和Kappa系数,分别达到了90.73%、0.831和0.849,优于其他对比模型,分别提升了4.08%～19.04%, 0.063～0.321和0.111～0.335。此外,针对SAR图像水平-垂直极化(horizontal-vertical polarization, HV)有明显的条状热噪声和水平-水平极化(horizontal-horizontal polarization, HH)受入射角效应而亮度不均匀的特点,设计敏感性实验,研究HV噪声、入射角和灰度共生矩阵(gray leve...     

联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例

本文基于CHRIS高光谱遥感影像，发展了一种结合地物光谱特征和多纹理空间特征信息，采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类，并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据，联合光谱特征和K-L变换的纹理特征信息，采用DCNN模型方法展现了高的分类精度，精度高达99%；2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%，相比于使用全纹理特征信息的精度提高了4.15%；3）基于验证图像，发展的DCNN分类方法精度优于其他算法，DCNN方法总体分类精度为84.64%，Kappa系数为0.80；4）相比于浅层分类方法，本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡，保持了主要地物类型的分类精度几乎不变，同时提高了滩涂和农田的精度。基于DCNN模型，潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。     

基于SAR极化比和纹理特征的海面溢油识别方法

针对海洋表面SAR影像的特点，采用基于灰度共生矩阵的纹理特征方法是提取海面溢油信息的常用方法，但实际海洋表面复杂的信息使得SAR图像上产生类似溢油现象的暗斑区域，这导致在利用纹理特征方法提取溢油信息时存在虚警率，降低了溢油信息的提取精度。基于RADARSAT-2 SAR四极化影像，本文提出基于SAR极化比影像的纹理特征识别方法对海面油膜进行识别提取。结果显示，基于SAR极化比影像的纹理特征识别方法可以有效且准确地提取海面溢油信息，相比于VV极化影像的纹理特征识别方法，溢油监测过程中的虚警率降低了17.96%，溢油监测总体精度达到96.83%。     

近30年来江苏海岸带土地利用/覆被变化研究

海岸带土地利用/覆被变化(LUCC)研究可用于量化反应环境变化和人类活动的影响,为海岸带开发与利用提供决策参考依据。以江苏海岸带为研究对象,选取1978~2007年5期Landsat MSS/TM影像作为数据源,建立遥感分类系统,采用分层分类监督分类方法获取研究区5期序列LUCC数据,进而计算分析江苏海岸带近30年的土地利用/覆被变化的结构演变,系统研究了近30年来的LUCC的变化数量以及变化速率。研究结果表明:(1)从土地利用结构上看,近30年来,江苏海岸带土地利用类型以耕地、城镇建设用地、农村建设用地为主,虽然耕地占比近年来有所减少,但是仍然高达70%以上;(2)从土地利用变化来看,江苏海岸带土地利用变化最为显著的是城镇建设用地,无论是变化数量和变化速率都非常显著,同时大量沿海新围垦土地多为建设用地。     

基于显著性分析的SAR溢油图像中暗斑区域检测方法研究

为了提高合成孔径雷达(syntheticapertureradar,SAR)图像中海上溢油的检测精度,设计了一种图像显著性和均值偏移分割相结合的暗斑检测方法,验证了该方法在SAR溢油图像暗斑识别中的有效性,为溢油区域的准确检测奠定了基础。针对SAR溢油图像中暗斑区域在人类视觉中属于感兴趣区域的特性,利用图像显著性检测方法对整幅SAR图像进行处理生成显著性图像,然后利用均值偏移方法在SAR图像的Lab空间将图像分割成不同区域,最后在显著性图像上利用每个区域的平均显著性值与动态阈值之间的关系确定溢油图像中的暗斑区域。实验结果表明,该方法不需要人工交互,且能够有效地提取出SAR图像溢油中的暗斑区域。     

基于最优特征集的HY-1C卫星海岸带成像仪影像海冰分类方法研究

基于海洋一号C（HY-1C）卫星海岸带成像仪（CZI）遥感影像,提出了一种基于最优特征集的支持向量机海冰分类方法。分别提取CZI影像的光谱特征和纹理特征,采用基于距离可分性的判据进行特征选择,得到最优特征集,以最优特征集作为支持向量机分类器输入,分别对3期辽东湾海域CZI影像开展海冰分类实验和结果分析。结果表明:本文方法得到的海冰分类结果精度优于仅利用光谱特征或纹理特征的海冰分类精度;基于本文方法的3期影像的海冰分类精度均较高,2020年12月19日、2021年1月10日与2021年1月16日的海冰分类总体精度分别为93.67%、91.75%、84.89%,均在80%以上;利用海冰分类结果图估算海冰面积,发现3期辽东湾海冰面积依次增大,最大约为11 998.98 km2。     

全极化合成孔径雷达近岸风场反演研究

Coastal winds are strongly influenced by topology and discontinuity between land and sea surfaces. Wind assessment from remote sensing in such a complex area remains a challenge. Space-borne scatterometer does not provide any information about the coastal wind field, as the coarse spatial resolution hampers the radar backscattering. Synthetic aperture radar （SAR） with a high spatial resolution and all-weather observation abilities has become one of the most important tools for ocean wind retrieval, especially in the coastal area. Conventional methods of wind field retrieval from SAR, however, require wind direction as initial information, such as the wind direction from numerical weather prediction models （NWP）, which may not match the time of SAR image acquiring. Fortunately, the polarimetric observations of SAR enable independent wind retrieval from SAR images alone. In order to accurately measure coastal wind fields, this paper proposes a new method of using co-polarization backscattering coefficients from polarimetric SAR observations up to polarimetric correlation backscattering coefficients, which are acquired from the conjugate product of co-polarization backscatter and cross-polarization backscatter. Co-polarization backscattering coefficients and polarimetric correlation backscattering coefficients are obtained form Radarsat-2 single-look complex （SLC） data.The maximum likelihood estimation is used to gain the initial results followed by the coarse spatial filtering and fine spatial filtering. Wind direction accuracy of the final inversion results is 10.67 with a wind speed accuracy of 0.32 m/s. Unlike previous methods, the methods described in this article utilize the SAR data itself to obtain the wind vectors and do not need external wind directional information. High spatial resolution and high accuracy are the most important features of the method described herein since the use of full polarimetric observations contains more information about the space measured.This article is a useful addition to the work of independent SAR wind retrieval. The experimental results herein show that it is feasible to employ the co-polarimetric backscattering coefficients and the polarimetric correlation backscattering coefficients for coastal wind field retrieval.