基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

基于分形特征的高标准农田遥感分类方法研究

目前全国高标准农田面积数量已具一定规模,由于人工解译的工作效率较低,如何实现对全国大面积的高标准农田建后利用情况进行实时、精准遥感监测成为亟待解决的问题。由于监测面积大,精度要求高,迫切需要研究一套遥感自动监测方法在全国推广。以广东省东莞地区作为研究区,选择2017年2月15日的高分二号遥感影像,基于分形图像分割并结合BP神经网络对区域高标准农田进行分类,并加以人工解译和实地验证。 结果显示,该分类方法总体精度为 80112 2%,Kappa 系数为0761 1。表明分形图像分割结合BP神经网络的遥感分类方法总体精度较高,能较好地满足高标准农田建后利用情况遥感监测的需求。此方法可以在全国范围推广应用,为高标准农田建成后的实时监管提供技术支撑。     

高分辨率遥感数据处理方法实验研究

近几年高分辨率遥感数据处理与应用研究越来越受到国内外学者的重视,已成为目前遥感应用研究领域的热点和难点之一。首先分析了基于像素的中分辨率卫星数据的遥感数据处理方法,包括:基于统计理论的分类方法和基于光谱信息的非参数理论方法的分类方法。在此基础上,针对高分辨率遥感图像的特点,分析了面向对象的高分辨率遥感数据处理方法。其中,图像分割是最关键的一步,即如何有效地提取出对象特征非常重要。最后,给出了高分辨率遥感数据处理方法相关算法实验,主要进行了几种图像分割算法实验,同时结合植被变化检测,进行了变化检测算法实验。     

基于GF-2卫星数据的矿山开发信息自动提取

我国高分系列卫星数据因具有重访周期短、价格低廉、精度较高的特点,在矿山开发监测工作中得到了广泛的应用。本文在深入了解高分二号卫星数据特征的基础上,以甘肃永登县为例,利用机器学习模型中支持向量机算法(Support Vector Machine,SVM)自动提取矿山开发信息,在处理的遥感影像上进行样本采集,借Matlab平台对样本及影像数据进行归一化、降维处理(PCA)。利用SVM模型进行信息自动提取过程中,选取径向基核函数(RBF),运用量子粒子群算法进行参数寻优,最终对提取结果进行野外调查。查证结果表明利用SVM模型进行矿山开发信息自动提取是可行的。该研究为国产数据在矿山监测应用中提供了新的思路。     

基于DEM和高分辨率遥感影像的“膨胀-融合”式地表沟壑提取

地表沟壑的精细化提取是地形地貌特征的重要内容.针对现有沟壑提取结果中存在断裂区域和伪沟壑区域的情况,提出一种基于DEM和高分辨率遥感影像的地表沟壑“膨胀-融合”式提取方法.该方法综合了D8算法、坡向变率算法和面向对象分类方法的提取结果,首先引入距离制图算法对初始沟壑进行方向性膨胀,然后通过栅格重分类和代数运算进行沟壑融合,剔除伪沟壑区域,最终实现研究区域内沟壑的精细化提取.以GDEM v2数据和高分二号影像数据为数据源,精细化提取了湖北省神农架林区举黑沟至麻湾村一带的地表沟壑.采用随机点验证法对实验区域内的沟壑提取结果进行了精度评价,结果表明该方法的总体精度为92%,能有效弥合数据中的断裂区域,同时剔除伪沟壑区域,达到提高沟壑提取精度的目的.      

基于大数据的遥感图像植被识别方法

植被泛指地球表面的植物群落,包括草地、森林、沼泽等。遥感影像具有宏观性、客观性、精确性、实时性等特点,能够真实地反映地表覆盖物的状态,清晰地展现各种地表覆盖类型的特征及分布情况。传统的基于遥感影像的植被识别采用人工作业的方式,极大地依赖于人的先验知识,且效率极低。随着遥感应用技术的快速发展,很多自动化的植被检测技术被提出。这些方法在特定范围内得到了应用,但同时也存在着一些缺陷。在采用分块原则预处理较大影像数据的基础上提出了一种基于特征融合的SVM分类算法来探讨遥感影像中的植被识别。实验表明,提出的算法具有较好的识别效果和较高的执行速度。     

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。     

基于纹理与成像知识的高分辨率SAR图像水体检测

为了精确地提取水体,首先对高分辨率合成孔径雷达(SAR)图像中农村民房的成像机理进行了分析,接着通过图像纹理检测方法和基于知识的建筑物阴影表达去除了建筑物阴影,最后精确地提取出SAR图像中的水体,说明对高分辨率SAR图像进行信息检测时,传统方法和基于成像机理的知识表达方法能够精确地实现水体目标检测,从而可以进一步对水体进行分析。     

吉林西部多时相遥感数据分类方案的构建及应用

为了深化遥感监测方法在生态环境调查中的应用,本文以吉林西部为试验区,设计了一种多时相遥感数据分类方案。该方案以物候信息为主,结合地物特征变量(植被、水体和土地信息)构建的多维特征空间数据集用于土地覆被分类。该遥感分类方案提取了9种地表覆被类型,结果表明:地表植被季节变化信息和土地利用信息的引入能明显改善土地覆被的分类精度;与基于原始波段的分类方案相比,多时相遥感数据分类方案的分类精度最好,总体分类精度为95.50%,Kappa系数为95.04%。     

基于高分二号的东川蒋家沟地表覆被变化检测分析

东川蒋家沟是被国内外专家誉为"天然泥石流博物馆"的一条泥石流沟,对其地表覆被变化的研究,有助于生态修复方案的优化。首先利用两期高分二号(GF-2)影像数据,采用迭代加权多元变化检测(Iterative Reweighted Multivariate Alteration Detection, IR-MAD)算法获取研究区变化斑块,相较于主成分分析(principal components analysis, PCA)算法和差值算法,实证了迭代加权多元变化检测算法的有效性;然后,通过实验选取多尺度分割的合理参数,确定形状指数为0.1,紧凑度为0.9,分割尺度为150;最后,结合变化区域的光谱特征、几何特征对变化区域进行分类分析。实验结果表明,2015～2017年间,在变化区域中,变化率较大的是荒地和耕地,荒地的占比是在下降的,草地、林地、耕地的占比是依次提高的。     

基于TM影像的水域提取方法研究

在分析洞庭湖ETM＋影像中各种地物光谱特征的基础上,找出水体与其它地物之间的光谱值差异,并用单波段阈值法和多波段增强图阈值法进行水体信息提取,分析了两者优缺点,并提出水域综合提取法,即综合利用单波段TM5和多波段谱间关系（NDW I法）建立起适合于研究区水域的水体提取方法。     

不透水面遥感提取及应用研究进展

不透水面信息的提取方法与应用是近年来城市规划、热岛效应分析、水环境监测和水资源管理等诸多领域的研究热点.遥感技术的发展使不透水面快速准确提取成为可能.从影像特征(光谱、空间几何、时间)选择、分类器(参数、非参数)选择和空间尺度(像元、亚像元尺度)选择3个方面归纳和总结了各种不透水面遥感提取方法原理、应用现状和存在问题,回顾了不透水面在城市化监测、人口估计、水环境监测、热岛效应分析、水文气候建模分析等领域的应用,指出了不透水面遥感提取和应用的发展方向.     

A novel study of artificial bee colony with clustering technique on paddy rice image classification

Rice is a crop of global importance. To predict the area of paddy rice and thus its production, it draws great attraction of using data mining approaches on remote sensing data, which are well accepted. Many approaches based on supervised and unsupervised learning techniques have been developed over the years. Artificial bee colony (ABC) algorithm with a clustering technique is one of the most popular swarm-based algorithms. In this study, ABC algorithm is used to perform the rice image classification based on remote sensing imagery. This study comprises two stages. In the first part of the study, the ancillary information composed from the original spectra is applied to increase the performance of classification. As the other parts of the study, an efficient unsupervised classifier is developed to evaluate the performance of the incorporated ancillary information. This study integrates the ABC algorithm into a clustering process to build a land cover classifier system. On the other hand, a parallel approach using ant colony optimization (ACO) is studied for comparison. Two significant contributions are presented in this study: (1) a paddy rice image classifier is built with ABC algorithm and (2) the outcome of classifier using ABC algorithm outperforms that using ACO algorithm.     

面向高空间分辨率遥感影像的山区地形校正方法

山区地形复杂,遥感影像地形效应明显,易造成"同物异谱"、"同谱异物"现象,增大了遥感地质填图的难度.但前人对适用于复杂地形条件下地质填图的地形校正模型讨论较少,特别是校正高空间分辨率遥感影像时多缺少对应高精度数字高程模型,校正结果易受地形异常影响.在Richter"山区"校正模型基础上引入地形抹平模型,提出"Smoothed山区"校正方法,并与另14种地形校正模型在GF-1、GF-2、SPOT6山区影像上进行对比实验.结果显示,"Smoothed山区"校正模型在山区高空间分辨率遥感影像的校正效果明显优于其他模型,校正结果地形效应减弱,影像信息丰富不失真,并且直接获取地表反射率数据,可为进一步的遥感蚀变提取等工作提供基础数据.该模型适用于复杂地形山区的遥感地质填图.      

基于高分二号卫星数据的煤矿区地质灾害信息提取研究

随着遥感数据获取技术和能力的全面提高,遥感数据呈现出明显的大数据特征。发展适应于遥感大数据的智能分析和信息挖掘技术,成为当前遥感技术研究的前沿。高分二号（GF-2）卫星数据是我国首颗自主研发的亚米级高分辨率卫星数据,具有观测幅宽、重访周期短、高辐射精度、高定位精度等优势,为未来我国地质灾害的长期、动态地监测和研究提供了高精度、稳定可靠的数据源。本文选取安徽谢桥煤矿2015年1月8日的GF-2卫星影像为研究数据,在对煤矿区主要地质灾害遥感地学分析的基础上,采用面向对象的影像分析方法对研究区由采煤活动所诱发的地质灾害信息进行自动提取。结果表明：利用GF-2卫星数据能够有效地识别地质灾害体的位置、范围、形态等空间分布特征;面向对象的自动提取方法对于煤矿区大面积的积水塌陷盆地、小规模的塌陷坑和线性的地裂缝都有很高的提取精度,识别精度达90% 以上;基于逐层剔除的思路构建的提取规则,为GF-2数据在地质灾害调查和大数据分析中的应用提供了很好的技术支持,也为其它地物目标的提取提供了参考,但在特征的选择和阈值的设定上需要具体分析。     

震害遥感快速提取研究——以2003年2月24日巴楚—伽师6.8级地震为例

论述了遥感影像提取震害的研究进展 ,提出了基于GIS和数字图像处理技术的震害遥感快速提取与损失评估的技术途径。在此基础上 ,介绍了巴楚—伽师地震的航空与卫星遥感资料的获取、图像数字处理与震害提取过程 ;描述了地震造成的建筑物震害与地质灾害的遥感图像特征 ;根据以往震害遥感影像统计经验与本次地震震害遥感特征 ,提出了遥感震害分级分类标准和地震烈度划分标准 ,进而得到基于震害遥感影像的伽师地震等震线图。文中对所得到的地震烈度与地面实际调查结果进行了比较。通过遥感信息源空间分辨率要求与信息获取与处理的时效性分析 ,认为我国利用航空遥感与卫星遥感资料获取地震灾情信息已进入实用阶段     

Classify-normalize-classify

Changing atmospheric conditions often result in a data distribution shift in remote sensing images for different dates and locations making it difficult to discriminate between various classes of interest. To alleviate this data shift issue, we introduce a novel supervised classification framework, called Classify-Normalize-Classify (CNC). The proposed scheme uses a two classifier approach where the first classifier performs a rough segmentation of the class of interest (COI) in the input image. Then, the median signal of the estimated COI regions is subtracted from all image pixels values to normalize them. Finally, the second classifier is applied to the normalized image to produce the refined COI segmentation. The proposed methodology was tested to detect deforestation using bitemporal Landsat 8 OLI images over the Amazon rainforest. The CNC framework compared favorably to benchmark masks of the PRODES program and state-of-the-art classifiers run on surface reflectance images provided by USGS.     

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。     

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).     

高分三号山地冰川表面运动提取与分析

冰川表面运动提取在冰川动力学与物质平衡变化研究中具有重要意义。针对当前我国自主遥感卫星数据在冰川运动监测应用中存在的不足,选用GF-3卫星FSI模式下获取的2019—2020年间覆盖亚洲高山区典型冰川的SAR数据,借助并行化偏移量跟踪算法获取了研究区冰川表面流速分布。研究结果表明：优化后的偏移量跟踪算法极大地提高了运行效率;全局形变拟合估计、地形偏差校正及滤波降噪后,冰川运动分布形态更加直观,精度可达0.5 m;通过与准同期Landsat-8影像提取的冰川流速对比以及对非冰川区位移残差的统计分析,验证了GF-3影像在监测不同区域冰川流速结果方面的可靠性及适用性;GF-3影像凭借其良好的空间分辨率,在规模较小、运动缓慢的冰川运动提取方面具有显著的优势,能够更好地体现冰川运动细节信息及其差异性。该研究有助于分析气候变化背景下青藏高原地区冰川的运动规律及其时空演变特征。