基于TM影像的抚州地区土地利用/覆盖动态监测及分析

以1988年和2000年遥感影像为数据源，在ERDAS IMAGINE遥感图像处理软件的支持下，获取了抚州地区两期土地利用／覆盖结果分类图。在此过程中确定了抚州地区土地利用／覆盖分类体系和遥感影像解译标志。通过计算机自动分类和分类后人工解译纠错相结合的图像分类提取方案，提高了图像分类提取的效率和精度。动态监测结果表明，从1988～2000年，面积减少的地类为耕地和林地，面积增加的地类为园地、居民点及工矿用地、水域和未利用土地，并对其变化结果进行了分析。     

黑河中游绿洲灌溉区土地覆盖与种植结构空间格局遥感监测

以高空间分辨率、高光谱分辨率CASI航空遥感数据作为采样带,对黑河中游绿洲灌溉区土地覆盖和农作物种植结构空间格局进行遥感监测。设计了分层分类方法,综合采用基于像素和基于对象的2种遥感图像分类方法对航空样带区域进行土地覆盖制图。根据实地土地覆盖类型调查与目视解译,对样带土地覆盖和农作物种植结构的分类结果进行精度评价,总体分类精度为84.2%,Kappa系数为0.793。与样带区域2007年Landsat TM/ETM+土地覆盖产品相比,高分辨率CASI航空数据能够对树木、草地与农作物类别进行有效监测。监测结果表明,中游绿洲灌溉区内接近59.1%的地区为裸地与建筑用地;植被覆盖区域占39.8%,其中,农田34.9%,树木5.3%,草地仅有0.1%;而在农田区域中玉米为大宗作物,分类成数占96.1%。研究结果表明高质量与高分辨率的航空遥感数据能够实现对流域下垫面异质性进行有效监测,为生态—水文过程研究提供高分辨率的下垫面类型信息。     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

基于国产高分辨率光学遥感影像的水体提取

遥感图像中地表水体同山体、建筑物等地物产生的阴影在光谱特征上存在较高的类间相似性,导致提取过程中容易出现混淆和错分的情况。针对此问题,提出一种基于面向对象和人工蜂群的地表水体提取方法。该方法首先对遥感图像进行分割以获取分割对象的光谱、比率、几何形状等统计特征,以弥补高分遥感图像波段数目少,信息量不足的缺陷;并借助人工蜂群算法在解决复杂问题最优化方面的优势,选取水体同阴影二值分类的几何平均正确率作为算法的适应度函数,最终获取地表水体的最优化提取规则。选取厦门市大嶝岛和湖南省资兴市部分区域,基于国产高分一号、二号遥感数据进行水体提取,并与传统SVM分类结果进行比较。实验结果表明本算法提取水体的总体精度和Kappa系数均优于传统SVM分类器,表明该方法可应用于高分遥感图像的地表水体提取。     

基于PCA+RBF的多光谱卫星遥感影像分类

多光谱卫星遥感影像具有波段多,信息量大的特点,传统的分类方法难以达到比较高的精度.这里首先采用主成份分析对多波段遥感图像进行降维,再采用训练后的RBF(radial basis function)神经网络做图像的监督分类.通过对ETM 的遥感数据进行实验,结果表明,这种分类方法的分类精度,明显优于最大似然法、最小距离法等传统的分类方法.同时,与基于像元的RBF神经网络法相比,也有一定的优势.     

一种改进的高分辨率遥感影像分割方法

分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高,而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.      

面向对象的遥感图像分类方法研究

影响遥感图像分类效果的主要因素之一是空间分辨率。通过融合多分辨率遥感图像,引入面向对象的思想,有效地克服了多光谱图像空间分辨率低的问题。该方法由图像分割和分类等一系列技术组成,首先用基于区域分割法则对正射校正SPOT图像进行分割,然后把它作为参考用最大似然法分类器和其他一些经验规则对TM图像进行分类。对土地覆盖图分类进行精度测试,取得了良好的应用效果。     

宝鸡黄土区滑坡遥感调查中遥感数据尺度问题探讨

遥感数据的尺度效应决定了可识别内容与识别精度,同一区域内的遥感数据尺度不同,同样的遥感处理模型或者方法将得到不同的处理结果。以宝鸡黄土区滑坡遥感调查为基础,对不同遥感数据源的滑坡体的最小可识别面积、图斑面积精度测算、最佳及最大成图比例尺、遥感地质灾害解译对比性分析、滑坡遥感解译精度评价等等与遥感尺度有密切关系的问题进行了探讨。研究结果表明,在宝鸡黄土区,调查大、中型以上滑坡的信息,可以采用SPOT-5(2.5 m)融合图像数据,比例尺为1∶25000或1∶50000;调查中型、小型滑坡及较大滑坡体内部结构定量信息,可以采用Quick Bird(0.61 m)融合图像数据,比例尺为1∶5000。     

汶川震区北川县城泥石流源地特征的遥感动态分析

汶川地震导致山地斜坡积累了大量碎屑物质,在降雨作用下极易成为泥石流源地。震后的2008年9月24日一场暴雨导致北川县境内72条沟同时暴发泥石流。本文选择了汶川地震高烈度区的北川县城8条泥石流沟流域为研究区,基于遥感手段开展了震后和相继暴雨后的泥石流源地变化特征。强震后泥石流流域的重要变化是在沟谷内诱发了大量滑坡。通过开展遥感解译和野外调查,重点分析了研究区泥石流源地的滑坡活动。将512汶川地震后的2008年5月18日获取的航空图像与924暴雨后获取的2008年10月14日SPOT图像相比较,发现泥石流源地的地震滑坡面积由1537104m2增加到暴雨后的1912104m2,即汶川高烈度区一场暴雨过程新增滑坡面积达244%。根据SPOT图像解译,暴雨后泥石流沟床中的松散堆积物增大到97104m2。上述研究结果表明汶川震区在强降雨条件下发生泥石流的敏感性特别高。     

神经网络敏感性分析及其在遥感影像分类中的应用

针对基于连接权的神经网络敏感性分析方法中求取敏感性系数的不稳定性,提出一种优化连接权的神经网络敏感性分析方法。首先采用遗传算法根据误差最小化原则对神经网络进行优化,在优化的神经网络模型上进行基于连接权的敏感性分析。以1个数值模拟实例和华盛顿广场地区的遥感图像地物分类为例,验证所提方法的有效性。实验结果表明,所提方法求取输入变量的敏感性系数是稳定有效的,能有效筛选出遥感图像中对分类贡献较大的特征波段,达到降维的同时提高分类精度。     

Fine classification of construction land using high-resolution remote sensing images: a case study in planning restricted zone of nuclear power plant

Detailed construction land information plays a significant role in monitoring planning restricted zone of nuclear power plant and ecological environment protection. This study focuses on developing fine classifying method of construction land in planning restricted zone of nuclear power plant using high spatial resolution GF(GaoFen)-1 remote sensing images. The object-oriented classification method is used in this study; the important process of which is image segmentation and classification. Multi-scale segmentation method, rule-based decision tree, and the nearest neighbor classifier are used in classifying construction land classes, i.e., road, industrial, and residential. An optimal segmentation scale is crucial to image segmentation in object-oriented classification. Instead of laborious trial-and-error experiments for optimal image segmentation, the change rates of the local variance in the homogeneous region are calculated to get the optimal segmentation scales. Multi-level classification strategy is used in the following classification. Rule-based decision tree is used to classify road and water, vegetation and non-vegetation, and industrial and residential. And the nearest neighbor classifier is used to classify cropland and forest within the vegetation land use type. The accuracy assessment result shows that the overall accuracy is 89.67% and Kappa coefficient is 0.85 for object-oriented classification, which is much higher than pixel-based maximum likelihood classifier (overall accuracy is 79.17% and Kappa coefficient is 0.74) and support vector machine classifier (overall accuracy is 74.16% and Kappa coefficient is 0.68).     

An unsupervised multi-scale segmentation method based on automated parameterization

The continuous improvement of the launched satellites’ spatial and spectral resolutions has brought new challenges for remote sensing image segmentation technology. The traditional supervised methods greatly depend on artificial interpretation and reduce the degree of automation and robustness of image segmentation. Therefore, the article proposes a novel unsupervised multi-scale segmentation method for high-resolution remote sensing images based on automated parameterization and it mainly includes three steps, adaptive selection of scale parameter (SP) based on local area homogeneity index J-value, multi-scale segmentation based on the inter-scales boundaries constraint strategy, and region merging based on multi-features. The article makes experiments by multi-group high-resolution remote sensing images of different launched satellites and compares the proposed method with the well-known commercial software eCognition and a traditional supervised method. The results show that the proposed method can locate the object edges more accurately and extract the object outlines more completely, and needs no human intervention in segmentation process, so it can provide a generic and effective unsupervised solution for high-resolution remote sensing image segmentation.     

基于面向对象分类法的川藏铁路沿线大型滑坡遥感解译

川藏铁路位于青藏高原中东部,其地形地貌和地质构造复杂,是我国大型滑坡发育最为密集的地区,严重影响了我国西南地区的人类生命财产安全和重大工程建设。在面上资料分析的基础上,重点以川藏铁路沿线茶树山滑坡、川藏公路102道班滑坡、八宿怒江滑坡、理塘乱石包高速远程滑坡为例,在ENVI51和eCognition软件平台上,利用高分辨率WorldView 2以及Landsat遥感卫星数据,结合野外实地调查,采用基于面向对象分类法对滑坡的遥感信息进行分析研究。结果表明,采用面向对象分类法可以提取出关键信息和目标区域,再结合目视解译,能够得到滑坡的细部信息,提高遥感影像滑坡解译的成功率,特别是对川藏铁路沿线等地质条件复杂区域的滑坡调查工作有重要意义。最后,结合灰度共生矩阵(GLCM)和归一化植被指数(NDVI)对古滑坡和新生滑坡的识别进行探讨。基于灰度共生矩阵和植被指数提出了滑坡遥感信息量判别(GVI)模型,并构建模型的质量函数IGVI;统计样本的结果显示古滑坡的IGVI值明显低于新生滑坡,表明本研究提出的GVI模型可以为识别古滑坡和新生滑坡提供依据。     

基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

基于分形理论的遥感蚀变信息和构造分析研究：以黑龙江多宝山地区为例

矿化蚀变信息提取和构造解译对于成矿预测具有重要意义,分形理论在遥感地质领域可用于揭示隐藏于复杂地形地物信息的精细结构,为遥感矿化蚀变信息提取和解译地质构造的定量分析提供理论基础和新方法。利用Landsat-8 OLI影像与相关的地质资料,基于分形理论研究黑龙江多宝山地区的蚀变信息与构造分形特征。采用“去干扰+波段比值+主成分分析+分形阈值分割”方法对蚀变异常信息进行提取,利用分形理论的盒维数法分别得到线性构造与蚀变信息分维等值线图,分析其空间展布及分形特征;并将构造和蚀变信息叠加与构造、蚀变分维高值区进行对比,同时与成矿地质背景进行比较。结果表明,遥感蚀变分维高值区与蚀变信息密集区一致,构造分形结果与成矿构造空间展布情况一致,叠加信息兼并了两者的优势信息,排除干扰缩小勘查范围,更为有效地突出了成矿有利部位。本文研究尝试了遥感蚀变异常与构造信息叠加的分形特征分析方法,不但可增加遥感信息利用度与精准性,同时分析结果反映其与实际成矿地质背景和勘查成果更加符合,可作为遥感信息综合找矿预测的一种新理论和新方法,也为研究区下一步勘查工作提供理论依据和找矿方向。     

泥石流调查遥感解译新方法研究

文章在分析总结近年来遥感技术在地质灾害调查评价工作应用的基础上,针对存在的不足,就区域小流域泥石流地质灾害调查评价的遥感解译应用,提出了基于虚拟GIS和水文空间分析的遥感解译方法（RSVH）。该方法综合利用虚拟GIS、遥感图像数字处理技术和空间分析技术,将大尺度区域降级为较小尺度的空间逻辑单元。针对各单元应用遥感影像和高精度DEM数据创建三维虚拟场景。同时叠加地形、地质、岩性、土壤、灾害等具有丰富属性信息的图层,较好地解决了大尺度区域范围内遥感解译工作面临的困难。为小流域地质灾害的调查工作提供了新思路。     

WorldView-2卫星矿山遥感监测：以西藏罗布莎地区为例

矿山遥感监测是近年来国土资源部门管理矿产资源开发、整顿和规范矿业秩序的一项重要的矿情调查工作。西藏罗布莎铬铁矿区是我国铬铁矿的主要产区,随着国民经济的快速发展,对铬铁矿石的开采力度和强度在逐年增大。为了更好地促进矿产经济及环境的可持续发展,选用WorldView-2遥感数据,首次深入分析了罗布莎矿山开发过程中不同地物遥感影像特征,建立了各类矿山地物的高空间分辨率遥感解译标志,通过遥感解译与野外查证工作,基本查明了研究区矿山开发状况和矿山地质生态环境现状,并对矿区开发现状与矿山环境进行了统计和分析,基于遥感矿山监测,给出了合理的矿山环境恢复建议。结果表明：WorldView-2作为高分辨率遥感影像,空间分辨率高,包含全色和8个多光谱波段,信息量丰富,解译精度高,在矿山遥感监测乃至更广范围的动态监测中应用可以取得很好的效果。     

基于遥感图像分割和形态学的黄土滑坡后壁自动提取方法

基于黄土滑坡后壁的光谱和形状特征,提出了利用区域生长合并方法分割高分辨率遥感影像,提取滑坡后壁区域,经过二值化构图处理后,获得滑坡后壁主要格架,以表征黄土滑坡的方法。首先充分考虑黄土滑坡后壁在遥感影像中所呈现出的独特光谱特征和半圆状或圈椅状的形状特征,利用区域生长合并的方法,在生长参数为47.5,合并参数49的状态下进行影像分割,获得初步的黄土滑坡后壁形状;其次,填充分割过程中产生的孔洞,对获得的滑坡后壁进行细部构图;最后,采用二值化骨骼提取算法,提取滑坡后壁的主要格架,作为黄土滑坡的标志。该方法是对黄土滑坡遥感解译工作中,滑坡表达方法的改进和提高。     

三峡库区岩性智能分类研究

三峡库区岩体上方覆盖着厚实的土壤和茂密的植被,是高植被覆盖区,岩性信息弱,因此岩性识别和分类困难,没有成熟的方法可循。针对三峡库区进行岩性分析,选择三峡库区巴东城区作为研究区域,采用2000年5月成像的ETM+遥感影像,构造纹理、光谱、植被覆盖等17个分类因子,将遥感影像与地质图叠加,选取1 101个样本点,采用决策树C4.5算法,挖掘出三峡库区巴东县处岩性的解译规则和知识,决策树的学习精度为96.6%,剪枝后精度为95.9%,规则提取的精度为93.1%,提取的规则置信度很高,并基于知识驱动和规则匹配实现了岩性的智能分类,分类精度较高为90.11%;将分类结果与IsoData方法、K-Means方法、马氏距离法、最大似然法、最小距离法、平行六面体方法等6种方法的分类结果进行比较,试验结果证明,决策树方法的分类结果最好,精度明显高于其他6种方法。