MODIS土地覆盖分类的尺度不确定性研究

以空间异质性较强的枯水期鄱阳湖为研究区,以搭载于同一卫星平台、具有同一观测时间和较高空间分辨率的ASTER数据为参照,分析研究了MODIS数据在土地覆盖分类中由空间尺度带来的不确定性。首先基于MODIS三角权重函数,建立了从ASTER到MODIS的尺度转换方法;然后对不同空间分辨率的数据进行土地覆盖分类,并基于误差矩阵和线性模型分析了MODIS土地覆盖分类结果的误差来源。结果表明,空间分辨率和光谱分辨率与成像方式这两类因素对MODIS与ASTER分类结果差异的贡献比例约为(6.6—11.2):2;MODIS像元尺度对研究区水体的分类不确定性影响较低,而对森林的不确定性影响可达63%。由此可见,在基于MODIS数据的土地覆盖分类研究中,空间尺度所产生的不确定性是比较显著的。这些研究结果对于土地覆盖分类及变化检测、尺度效应和景观生态学不确定性研究,有积极的参考意义。     

顾及斑块面积比的国产卫星土地覆盖产品尺度效应研究

尺度转换可获取不同应用需求下的土地覆盖产品最优表达尺度。但现有针对尺度转换伴随的尺度效应斑块级模型研究通常易受斑块分类的影响。因此，本文通过构建跨类型斑块面积比尺度效应模型，进一步探索斑块形态指标在尺度转换中的作用机制，实现对特定尺度土地覆盖产品中各地类面积的预测，为尺度转换方案提供合理性评价。首先利用信息度量技术定义斑块形态指标集，并通过数学变换将尺度纳入形态指标；然后联合斑块形态指标集和尺度转换前后的斑块面积比构建跨类型斑块面积比尺度效应模型。本文利用国家重点研发计划专项项目生产的国产卫星30 m土地覆盖产品对提出的斑块级尺度效应模型进行构建与验证。结果显示，该模型对林地、耕地、草地和不透水面四种地类在90—750 m共12个目标尺度（以60 m为间隔）上的平均预测误差分别为0.036、0.033、0.034和0.035，对目标尺度土地覆盖产品各地类面积具有较好的预测精度，可为国产土地覆盖产品尺度转换提供理论依据，为高精度产品生产提供技术支持。     

地理国情普查数据的空间尺度转换研究

为了实现地理国情普查中不同尺度地表覆盖分类数据的交叉验证,文章选择郑州、西安等10个地理国情普查试点作为试验区,分析了不同地类在精度损失、景观格局等方面存在的尺度效应,并以林地为例,在空间分辨率6~2 000m的范围内,构建了空间尺度转换模型,估测精度可达92.63%。结果表明:地表覆盖分类数据进行尺度转换时,各种地类都会存在相应的精度损失;基于分辨率、景观格局指数构建的尺度转换模型,可以有效校正粗分辨率地表覆盖数据的尺度误差,为地理国情普查与监测中的质量控制提供参考。     

基于最优尺度和规则的高分辨率影像分类研究

高分辨率影像的广泛应用推进面向对象影像分析(OBIA)的发展,而分割作为面向对象分类的关键步骤,其尺度的选择直接关系到地物信息的提取。空间尺度是地物的固有属性,在合适的分割尺度下可以更好地挖掘地物信息。本文结合最大面积法和分割质量评价模型对张山营镇影像进行分割实验,先通过分析对象最大面积初步得到最优尺度范围,后结合分割质量评价模型以确定最优分割尺度层次。在此基础上,综合样本提取的光谱、纹理等特征进行规则训练,最终完成面向对象的土地覆被分类研究。结果显示:基于多层次最优尺度的规则分类方法获得更好的分类结果,其总体精度为88.8%,Kappa系数为0.861,而基于单一尺度的最邻近法总体精度81.4%,Kappa系数0.773,基于单一尺度的规则分类法总体精度为83.2%,Kappa系数为0.85。     

顾及空间自相关的地理国情信息统计格网尺度选择——以植被覆盖信息统计为例

统计格网尺度的不同会带来统计结果的差异,如何选择统计格网是地理国情信息统计的重要工作。本文提出了一种顾及空间自相关的地理国情信息统计格网尺度选择方法。采用地理国情普查数据,在50 m、60 m、70 m、80 m、90 m、100 m、250 m、500 m和1000 m几个尺度下,以植被覆盖信息统计为例,利用面积占优法和中心点归属法两种方法分别进行格网化,得到了不同尺度的植被格网数据;计算植被覆盖面积统计误差,分析不同尺度下植被覆盖信息的空间自相关的变化特征,并利用Moran’s I系数差值进行尺度选择,得到了植被覆盖信息统计格网的适宜尺度。以龙沙区和清涧县作为研究区域,结果表明,在地理国情植被覆盖信息统计时,不同地区的格网统计适宜尺度是不一样的,植被覆盖度中低的龙沙区的适宜尺度为100 m,而植被覆盖度高的清涧县的适宜尺度为250 m。     

空间尺度上推转换对影像信息的影响分析

针对尺度上推转换在不同空间分辨率遥感影像的应用结果中所产生的光谱扭曲和失真现象未受到普遍重视这一现象。以福建省河田盆地马尾松林样区为研究对象,采用同时相的1～16m卫星多尺度观测影像,基于最邻近法、双线性内插法、三次卷积内插法以及像元聚合法4种方法,将原始影像转换生成一系列低分辨率影像,并分别与同尺度真实卫星影像的光谱反射率、植被指数、光谱空间结构和影像产品数值进行对比分析,以定量评估升尺度转换对影像光谱信息的影响。结果表明:伴随升尺度倍数的增加,升尺度转换影像的光谱均值、NDVI以及变化趋势与真实观测尺度影像相比呈显著差异;经不同倍数尺度上推后的影像空间信息量和清晰度逐渐下降,其幅度明显低于真实影像的变化结果。建议通过构建经验统计方程对不同传感器数据进行光谱转换,以充分利用多尺度遥感观测优势并保证结果的准确性。     

面向对象方法支持下的土地利用分类

面向对象的影像分析技术在高分辨率影像地物信息的提取中有着重要应用.利用Sentinel-2高分辨率多光谱影像数据,以合肥市包河区作为研究区域,应用多尺度分割技术将影像分割成对象,并对特征空间进行选择和优化,基于面向对象分类方法提取出研究区域最近邻的六种典型地物,分类结果与面向像元的最大似然分类、支持向量机、神经网络的结果进行比较.结果表明:利用面向对象方法进行土地利用分类的总体精度88.90％,Kappa系数为0.8579,优于三种传统的监督分类方法.证明了面向对象的影像分析技术在土地利用分类中的实用性.     

基于多尺度特征融合和支持向量机的高分辨率遥感影像分类

相对传统的中低分辨率遥感数据而言,高空间分辨率遥感影像同一地物内部丰富的细节得到表征,空间信息更加丰富,地物的尺寸、形状以及相邻地物的关系得到更好的反映,但其光谱统计特性不如中低分辨率影像稳定,类内光谱差异较大,而传统分类方法仅依据像元的光谱值,因此在高分辨率影像分类中,传统方法往往不能获得好的结果。在此背景下,提出了一种多尺度空间特征融合的分类方法,旨在利用不同尺度的空间邻域特征弥补传统方法的不足。其基本过程是：首先针对不同尺度特点,用小波变换压缩空间邻域特征,并结合支持向量机得到不同尺度下的分类结果,然后根据尺度选择因子为每个像元选择最佳的类别。文中QuickBird和IKONOS影像实验证明该算法能有效提高高分辨率影像解译的精度。     

基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例

城市受人类活动影响比较大,结构组成比较复杂,对该区域进行分类研究存在一些问题。甚高分辨率遥感影像,以其丰富的细节信息为城市土地覆被分类研究提供了可能。本文结合使用甚高分辨率QuickBird遥感影像和激光扫描LIDAR数据,论述了利用多尺度、多变量影像分割的面向对象的分类技术对马来西亚基隆坡市城市中心区的土地覆被分类研究。针对特定地物选择合适的影像分割特征和分割尺度、按照合理的提取顺序逐步进行城市土地覆被信息提取。在建筑物的提取过程中构建了归一化数字表面模型nDSM,使用成员函数将建筑物信息提取出来。精度评价结果表明,利用该方法得到了理想的城市土地覆被分类结果,其分类总精度从常规面向对象分类方法的83.04%上升到88.52%,其中建筑物生产精度从60.27%增加到93.91%。     

深度神经网络的高分三号全极化SAR图像分类方法

针对传统极化SAR地物分类方法和基于像素的神经网络分类方法容易受到SAR图像固有斑点噪声影响而出现的破碎孤立点和精度下降问题,该文在考虑了极化SAR图像的基本特征的基础上结合深度卷积神经网络的方法对地表覆盖类型进行了分类研究,利用不同尺度的全极化SAR特征融合RGB图像对GoogLeNet模型进行迭代训练,结合对实验区的多尺度分割结果,对SAR图像做不同尺度下的样本分类,并最终获得整体图像的分类结果。实验证明,此方法能够获得较高的分类精度。     

土地覆盖制图：基于最优化遥感数据的支撑向量机分类

遥感数据具有在不同空间、光谱和时间尺度上获取地表测量信息的能力,使其成为获取土地覆盖信息的一个主要数据源。影像分类即把卫星影像上的相关像元划分给某类已知的土地覆盖类型的过程。支撑向量机（SVMs）是一种土地覆盖分类的新技术。三种常用的SVMs是：基于线性和多项式的SVM以及具有高斯核函数的SVM分类器,分类能否成功地应用有赖于其各自选择的最佳参数。但是海量的遥感数据使得这些参数的确定速度十分缓慢。本文研究了一种新的基于最优化遥感数据压缩技术的SVM分类方法。研究显示用于获取SVM参数的数据量能够在不影响土地覆盖的分类精度的前提下进行压缩。数据压缩成功的应用于多项式和高斯核函数的SVM分类,而线性SVM的分类精度却非常低。     

基于SVM的多源信息复合的高空间分辨率遥感数据分类研究

遥感图像尤其是高空间分辨率（1—4m）遥感图像在土地利用和土地覆盖变化方面有着广阔的应用前景，传统高空间分辨率遥感图像信息提取方法存在精度和分类效率低的不足。本文提出的基于SVM的分类方法，复合光谱、纹理和结构信息等多源数据信息，对IKONOS高空间分辨率图像进行分类，并与最大似然法和单源数据（光谱）SVM分类结果进行定性和定量比较分析。研究结果表明，多源数据复合的SVM高空间分辨率遥感图像分类方法，能够有效解决单源数据信息图像分类效果破碎的问题；总精度达到68．38％，Kappa达到0．5993；对高维输入向量具有高的推广能力；比单源信息的SVM和最大似然方法图像分类精度更高，适合高空间分辨率遥感图像分类。     

基于直方变差图的土地覆盖数据集多尺度精度评价

针对目前精度评价尺度单一的问题,提出基于直方变差图的多尺度精度评价方法,分别在像元尺度和亚像元尺度进行土地覆盖数据集精度评价。在像元尺度利用驻点作为采样工具直接评价数据集精度;亚像元尺度上,则利用非严格定义的驻点和驻点直方变差图对不同面积和空间结构的优势类进行精度评价。并以浙江北部典型区域为实验区,Landsat TM/ETM+为参考数据,对UMD、IGBP DISCover、MOD12Q1-2001、GLC2000、GlobCover2009等5种大尺度土地覆盖数据集进行多尺度精度评价实验。结果表明,多尺度精度评价方法能够全面地评价土地覆盖数据集的精度,提供更加丰富的多尺度精度信息。像元尺度精度评价可在一定程度上消除由于参考数据与数据集间的空间匹配造成的误差,评价结果更加客观;亚像元尺度精度评价能有效反映亚像元尺度优势地物面积及空间结构与精度的关系。     

基于mGA-SVM算法的高分影像面向对象分类研究

高分辨率遥感卫星影像是获取地物精细类别的重要数据源,快速准确地获取土地利用和土地覆盖分类信息可为土地利用规划、土地管理等提供重要的数据支撑和决策依据。本文开展了高分辨率影像面向对象分类研究,首先,利用多尺度分割方法对高分辨率影像进行分割,基于分割对象,选取不同地物类别样本并计算光谱特征、纹理特征、几何特征。然后,针对特征冗余问题,利用最大相关最小冗余算法选择优先级较高特征,在此基础上结合遗传算法对特征集进行适当扩充(m GA)。在面向对象分类过程中,通过利用遗传算法对支持向量机模型进行快速参数寻优,并在此基础上对分割对象进行分类。最终地物总体精度达到85.93%,Kappa系数为0.828 2。并将分类结果与最近邻分类和随机森林分类结果进行了比较,地物分类精度提高了4.05%和6.81%。实验结果表明:基于m GA特征优化及SVM参数选择进行改进的面向对象的分类方法是有效的。     

基于尺度转折点的尺度转换方法研究

如何用一种向上的尺度转换方法使得一幅高分辨率的遥感图像经向上尺度转换后可以生成一幅低分辨率的遥感图像,并且使这幅新生成的图像所描述的地物空间关系、空间格局及破碎程度等信息与实际情况下该尺度下的信息保持一致,损失的信息量最少。如何找到这样一种尺度转换的方法是尺度问题中的核心部分,也是遥感中最终要解决的问题。本文一方面结合景观生态学中有关空间分析和尺度转换的方法及最近提出的基于直方变差图的尺度转换方法,对这些方法加以对比并分析了它们各自的优缺点;另一方面在直方变差图的基础上结合分形理论引入了尺度转折点这一概念。通过各个尺度转折点可以确定各个尺度域。。如何找到不同尺度域之间的尺度转换方法将是本研究的重点。本文拟采用的数据为互联网上的IKONOS天安门地区图像。     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

卫星遥感地表温度降尺度的光谱归一化指数法

针对卫星遥感技术监测地表温度(land surface temperature,LST)存在时空分辨率矛盾这一难题,以TsHARP温度降尺度算法为基础,根据地表覆盖类型的不同,分别选择与LST相关性更好的光谱指数(归一化植被指数,NDVI;归一化建造指数,NDBI;改进的归一化水体指数,MNDWI;增强型裸土指数,EBSI)提出了新的转换模型,并从定性和定量两个角度评价了TsHARP法和新模型的降尺度精度。结果表明:两种模型在提高LST空间分辨率的同时又能较好地保持MODIS LST影像热特征的空间分布格局,消除了原始1km影像中的马赛克效应,两种模型均能够达到较好的降尺度效果;全局尺度分析表明,不管是在降尺度结果的空间变异性还是精度方面,本文提出的模型(RMSE:1.635℃)均要优于TsHARP法(RMSE:2.736℃);TsHARP法在水体、裸地和建筑用地这些低植被覆盖区表现出较差的降尺度结果,尤其对于裸地和建筑用地更为明显(|MBE|3℃),新模型提高了低植被覆盖区地物的降尺度精度;不同季节的降尺度结果表明,两种模型都是夏、秋季的降尺度结果优于春、冬季,新模型的降尺度结果四季均好于TsHARP法,其中春、冬季的降尺度精度提升效果要优于夏、秋季。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体，是开展土地科学相关研究的重要基础，在遥感大数据背景下，准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件，采用面向对象的多尺度分割法，综合考虑地物在遥感影像上的光谱、形状和纹理特征，建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取，并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%，Kappa系数为0.96，分类精度较高；②基于10 m分辨率影像，综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果，道路提取Kappa系数为0.84；③分类结果在面积和空间分布上都优于FROM-GLC10数据，与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征，分类精度高，对于处理高分辨率遥感数据具有很好的优势。     

基于面向对象和规则的遥感影像分类研究

讨论了面向对象和规则的光学遥感影像分类方法。首先利用多尺度分割形成影像对象，建立对象的层次结构，计算对象的光谱特征、几何特征、拓扑特征等，利用对象、特征形成分类规则，并通过不同对象层间信息的传递和合并实现对影像的分类。并以北京城市土地利用分类为例，对该方法进行了验证。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。