基于Sentinel-1A雷达数据和Sentinel-2A多光谱数据特征融合的地物分类

基于光学影像受云雨等不良天气的影响,导致在地物分类时易造成数据信息缺失,而雷达影像作为主动式成像,能够较好地克服这一缺陷。笔者选取长春市净月开发区部分地块为研究区域,分别采用最小距离、最大似然和支持向量机3种分类方法,以Sentinel-1A雷达影像和Sentinel-2A多光谱影像为数据源,基于特征融合,提高地物分类精度。结果表明:特征融合后影像的地物分类精度较单一的光学影像有明显提高,且与最小距离和最大似然相比支持向量机分类精度最高。在无云层覆盖的情况下,融合后支持向量机分类精度达到97.94%,较光学影像提高8.11%;在有云层覆盖情况下,融合后支持向量机精度达到77.29%,较光学影像提高12.5%,尤其对水域和建筑区的识别精度有较大提高。     

基于极限学习机的GF-2影像分类

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。     

基于高分2号遥感影像的监督分类方法探讨——以东川区小江的河谷地带为例

伴随着无接触式测量技术的逐步发展,特别是高分二号(GF-2)卫星的出现,使得高分影像在各类实业工作中的应用更为广泛。为探索监督分类中更适用于高分影像中高原山区河谷地带的地物信息提取的方法,以GF-2卫星影像为数据源、云南省东川区小江主流域的河谷地带为研究区进行实验,运用监督分类中3种主要分类方法,对比分析各方法在原理、精度及适应性等方面的差异,并总结他们各自的优缺点。研究表明,相较于最大似然法和最小距离法快速提取山区流域的地表覆被信息,支持向量机方法的分类精度更为可靠,更能高效提取高原山区河谷地带的地物信息。     

集成多时相ETM+影像的证据推理湿地遥感分类

选择黑龙江省扎龙湿地自然保护区作为研究区,开展了基于Dempster-Shafer理论的证据推理方法(ER)湿地遥感空间分类研究,提出了一种针对ETM+多波段遥感影像的计算证据支持度的新算法,利用证据推理方法集成研究区5个时相的ETM+影像。研究表明,证据推理方法能有效集成多时相ETM+影像实现湿地空间分类,其总体分类精度比基于任一单时相影像的最大似然法(MLC)分类精度都高,提高幅度约为2%~12%。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89. 17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96. 70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

引导滤波联合局部判别嵌入的高光谱影像分类

高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而,高光谱遥感影像具有波段数量较多和空间分辨率较高等特点,给分类任务带来一定的挑战。为了提高分类精度,充分利用影像的空间信息和像素间的局部信息,提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先,对高光谱遥感影像进行归一化,利用主成分分析方法实现特征提取,将提取的第一主成分影像作为引导图像;其次,采用引导滤波分别提取各波段影像的空间特征;然后,将提取的空间影像特征进行叠加,通过局部Fisher判别分析完成低维嵌入;最后,将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明：在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下,其总体分类精度分别提高到98.28%和99.45%;对比其他相关方法,该方法能够获取更高的分类精度。该方法在低维嵌入的同时,有效利用了影像的空间信息,改善了分类效果。     

遥感影像的分类与识别技术在土地资源调查中的应用

遥感图像记录了地物在空间域、时间域、光谱域的变化信息。利用图像的分类技术 ,能够识别土地利用类型。计算机遥感分类识别原理 ,是利用地物的光谱能量特征差异性和结构特征差异性来识别地物信息。根据北京某地遥感图像实例资料 ,将土地利用类型分为监督分类、非监督分类、最大似然法分类、神经网络分类等。不同的分类方法有各自的特点且分类结果也有一定的差别 ,其中神经网络分类与真实情况最为接近     

卫星遥感影像在稀土矿山动态监测研究

通过对福建蛟洋矿山多期卫星影像数据进行比对分析,建立稀土矿山地物解译标志,提取研究区稀土矿开采现况。结合两期影像,运用"最大似然分类法"提取信息分析,进行动态变化监测。研究表明,卫星遥感影像能满足稀土矿山开采动态监测,对我国南方地区稀土矿山动态监测应用具有典型意义。     

开采沉陷遥感监测中多维纹理特征影像分类方法

为提高采用遥感影像监测开采沉陷演化的准确性,探讨了基于多维纹理特征的影像分类方法。首先提取影像的多维纹理特征:局部方差、局部平均梯度、局部能量和局部信息熵,然后将其与地物光谱值一并作为人工免疫算法中样本的特征向量,利用免疫算法的选择、克隆、变异算子进行自学习得到全局最优聚类中心,从而提高影像分类精度。对淮南煤田进行开采沉陷遥感监测,结果表明,该方法分类总精度为88.26%,Kappa系数为0.853,优于传统的Parallelepiped和Maximum likelihood分类方法。      

支持向量机在遥感数据分类中的应用新进展

支持向量机是一种基于统计学习理论的新型机器学习算法,它通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.随着应用面的不断扩大,支持向量机在遥感领域也得到了广泛关注.该算法已经成功的应用于遥感数据的土地覆盖、土地利用分类,多时相遥感数据的变化检测,多源遥感数据信息融合等,并且在高光谱遥感数据处理中得到了广泛应用.综述了支持向量机算法在遥感数据分类中的应用.首先对支持向量机的理论进行简要介绍,进而综述了该算法在不同遥感问题中的应用进展,最后阐述了新型支持向量机算法的发展以及在遥感中的应用.     

Landslide susceptibility assessment using SVM machine learning algorithm

This paper introduces the current machine learning approach to solving spatial modeling problems in the domain of landslide susceptibility assessment. The latter is introduced as a classification problem, having multiple (geological, morphological, environmental etc.) attributes and one referent landslide inventory map from which to devise the classification rules. Three different machine learning algorithms were compared: Support Vector Machines, Decision Trees and Logistic Regression. A specific area of the Fruška Gora Mountain (Serbia) was selected to perform the entire modeling procedure, from attribute and referent data preparation/processing, through the classifiers' implementation to the evaluation, carried out in terms of the model's performance and agreement with the referent data. The experiments showed that Support Vector Machines outperformed the other proposed methods, and hence this algorithm was selected as the model of choice to be compared with a common knowledge-driven method – the Analytical Hierarchy Process – to create a landslide susceptibility map of the relevant area. The SVM classifier outperformed the AHP approach in all evaluation metrics (κ index, area under ROC curve and false positive rate in stable ground class).     

地下结构孕险环境危险性预警的改进SVM模型

针对地震作用下孕险环境样本数据有限、复杂非线性等特点,提出了一种基于最小二乘支持向量机的地下结构孕险环境危险性预警方法。围绕地震后效应的地下工程区域孕险环境危险性预警目标和特征参数,设计孕险环境危险性问题的向量机表示形式,提出孕险环境危险性支持向量机训练工作机制,利用支持向量机结构风险最小化原则和非线性映射特性,建立基于最小二乘支持向量机的地下结构孕险环境危险性预警模型及其算法组件,并利用遗传算法优化其惩罚函数和核函数参数,隐式表达孕险环境危险性与其影响因素之间的非线性关系。结果表明,模型具有有效的小样本学习能力,具有较高的拟合和预测精度,明显优于神经网络等预测模型。     

耦合PCA-SVM算法的金矿矿床规模预测分析研究

判断矿床(点)的类型是矿床勘探中的重要内容,传统预测金矿成矿规模的方法不仅耗时耗力,而且所需的经济成本较大。为提高矿床规模的勘探效率和准确度,揭示元素与金矿成矿规模的潜在联系,文中提出了耦合主成分分析(principal component analysis,PCA)和支持向量机(support vector machine,SVM)算法的预测分析PCA-SVM(principal component analysis-support vector machine)方法。该方法先通过主成分分析提取数据中的主要特征,再将主要特征带入支持向量机算法,从而训练出最优分类器以预测金矿成矿规模。文中共使用了3 812个金矿样本数据用于学习训练和预测分析,训练准确率为92.3%,测试准确率为88.7%,分别比直接使用支持向量机算法高出14.3%和17.1%。基于PCA-SVM的预测模型,不仅消除了人为主观因素的影响,而且有效提高了勘探过程中矿床预测的准确率和矿床勘探的效率,为地质勘查工作提供依据。     

A comparison of different land-use classification techniques for accurate monitoring of degraded coal-mining areas

Classification of different land features with similar spectral response is an enigmatical task for pixel-based classifiers, as most of these algorithms rely only on the spectral information of the satellite data. This study evaluated the performance of six major pixel-based land-use classification techniques (both common and advanced) for accurate classification of the heterogeneous land-use pattern of Jharia coalfield, India. WorldView-2 satellite data was used in the present study. The land-use classification results revealed that Maximum Likelihood classifier algorithm performed best out of the four common algorithms with an overall accuracy of about 84%. The advanced classifiers used in the study were Neural-Net and Support Vector Machine both of which gave excellent results with an overall accuracy of 91% and 95%, respectively. It was observed that use of very high-resolution data is not sufficient for obtaining high classification accuracy, selection of an appropriate classification algorithm is equally important to get better classification results. Advanced classifiers gave higher accuracy with minimal errors, hence, for critical planning and monitoring tasks these classifiers should be preferred.     

Application of PSO-LIBSVM in Recognition of Potassium Salt Deposits

The shortage of potassium salt seriously restricts the development of China's agriculture. Increasing the exploration and development of potash will help improve the self-sufficiency of potassium in China. With rich potassium salt resources, Sichuan basin is one of the most important research areas for potash exploration and development in China. Polyhalite is an important solid potassium salt mineral in Sichuan basin, often intercalated in rock minerals such as anhydrite, rock salt and dolomite. Aiming at the problem that conventional log interpretation methods are difficult to accurately identify polyhalites, this paper proposed a new Support Vector Machine (SVM) recognition method based on Particle Swarm Optimization (PSO) to classify polyhalites in Sichuan basin. Based on particle swarm optimization and support vector machine theory, combined with logging interpretation theory, the effective data sensitive to polyhalite logging response were selected as input samples to generate training sets and test sets randomly. The Radial Basis Function (RBF) parameters were optimized by particle swarm optimization, and the classification and prediction model of polyhalite was established. Compared with mud logging results, the recognition accuracy of SVM model based on particle swarm optimization reached 97.5758%, which is obviously better than that of SVM model optimized by cross validation method in recognition accuracy and speed. The results show that the model has broad application prospects in potash exploration in Sichuan basin.     

PSO-LIBSVM在钾盐矿层识别中的应用研究

钾盐的紧缺严重制约了中国农业的发展,加大钾盐的勘探开发力度有助于提高我国钾盐的自给自足能力。四川盆地钾盐资源丰富,是我国目前重要的钾盐勘探开发研究区域之一。杂卤石作为四川盆地最重要的固态钾盐矿物,常夹杂在硬石膏、岩盐和白云岩等岩层中。针对常规测井解释方法难以精确识别杂卤石的问题,因此,提出一种新的基于粒子群算法(PSO)优化的支持向量机(SVM)杂卤石识别方法开展四川盆地杂卤石的分类识别研究。以PSO和SVM理论为基础,结合测井解释方法,选择对杂卤石测井响应灵敏的有效数据作为输入样本,随机产生训练集和测试集,并采用PSO优选出径向基核函数参数,建立杂卤石分类预测模型。与录井结果对比,基于PSO的SVM模型识别准确率达到了97.5758%,在识别精度和速度上明显优于交叉验证方法优化的SVM模型。结果表明,该模型在四川盆地钾盐勘探中具有广阔的应用前景。     

Slope stability analysis: a support vector machine approach

Artificial Neural Network (ANN) such as backpropagation learning algorithm has been successfully used in slope stability problem. However, generalization ability of conventional ANN has some limitations. For this reason, Support Vector Machine (SVM) which is firmly based on the theory of statistical learning has been used in slope stability problem. An interesting property of this approach is that it is an approximate implementation of a structural risk minimization (SRM) induction principle that aims at minimizing a bound on the generalization error of a model, rather than minimizing only the mean square error over the data set. In this study, SVM predicts the factor of safety that has been modeled as a regression problem and stability status that has been modeled as a classification problem. For factor of safety prediction, SVM model gives better result than previously published result of ANN model. In case of stability status, SVM gives an accuracy of 85.71%.