基于植被分区的多特征遥感智能分类

为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息,以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区,研究基于蚁群智能优化算法(ant colony intelligent optimization algorithm,ACIOA)的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段;然后利用归一化植被指数NDVI对实验区数据进行植被分区;最后利用ACIOA算法进行分类规则挖掘,并依据分类规则进行土地利用/覆盖信息的提取。研究表明,基于植被分区的多特征蚁群智能分类的总体精度为88.85%,Kappa=0.86,优于传统的遥感图像分类方法,为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。     

基于知识的分层综合分类法在土地利用/土地覆盖遥感信息提取中的应用

土地利用/土地覆盖数据的获取是研究LUCC的重要基础工作。随着遥感技术的飞速发展,通过遥感提取土地利用/土地覆盖专题信息已成为LUCC研究必不可少的一步。目前遥感专题信息提取水平相对滞后于遥感数据获取,为了提高遥感数据在土地利用/土地覆盖的应用,寻找一种较好的、具有相对适用性的方法是目前遥感应用的一个迫切要求。本文比较了目前比较常用的几种土地利用/土地覆盖遥感信息提取方法,分别以西部干旱区(柴达木盆地)和东部地区(鄱阳湖地区)为例,提出在GIS支持下基于知识的分层综合分类方法,并通过和其他几种常用方法进行比较分析,得到如下结果:在自然环境相差较大的柴达木盆地和鄱阳湖地区,采用了GIS支持下基于知识的分层综合分类方法的提取精度均要比单独采用最大似然法、纹理分析法、神经网络分类法等方法的总体精度高出25%,Kappa系数高出0.2。由此可以说明了该方法对于土地利用/土地覆盖专题信息的提取是可行的,同时它也具有一定的适用性。     

多尺度空间下的云南山地流域遥感土地利用分类对比研究

以云南山地流域为研究区域，利用实证理论方法及3S（RS、GIS、GPS）技术手段，进行了多尺度空间下多模型的遥感土地利用分类对比研究。结果表明： 率先建立地学主导因子下的遥感地学分异规律，对提高云南遥感土地利用/土地覆盖（LUCC）分类精度效果显著； 遥感分类模型效应与尺度空间有较大的关联性； 对大区域及地形因子和地貌差异大的研究区，构建专家系统模型和推理分类模型是提高遥感分类精度的有效途径。     

利用复合光谱纹理特征进行城市边缘区不透水层提取

城市边缘区是城市化活跃的地区,在遥感影像上呈现出错综复杂、异质强的特征,对该地区不透水层的遥感提取带来一定的困难。本文引用扩展支撑向量机（extended support vector machines,ESVM）的软硬分类方法,结合光谱和纹理特征变化,对正在发生快速土地覆盖变化的城市边缘区的不透水层进行了提取。本文提出的方法将纹理变化作为有效信息表示城市边缘区的变异,并结合软硬分类方法的特征进行了不透水层纯净、混合像元的识别。研究区城市边缘区的试验结果表明,将纹理特征作为描述不透水层的空间特征指数能够将纯净、混合像元的识别效率提高10%,整体分类精度提高1%~5%,优于传统的软分类、硬分类方法。     

基于卫星影像制作土地利用和土地覆盖图的方法试验——全国1∶5万土地利用/土地覆盖图制作试验项目

土地资源是一个国家或地区赖以生产和发展的重要物质基础，利用3S技术和数字化测绘技术对土地资源进行定期调查与动态监测，逐渐成为人们加强对土地资源的合理利用问题研究的重要手段。以1∶5万湖北省武汉市、陕西省韩城市土地覆盖/土地利用图的制作为试验样本，利用遥感和数字图像处理领域的前沿技术——基于Erdas Imagine 8.4的非监督分类、监督分类，辅以人工干预方法，以遥感影像数据（Landsat 7）为数据源，对土地资源的定期调查与快速监测的工艺流程与方法进行了较为深入的研究探讨。     

基于地学分析与遥感智能解译模型的土地覆盖/土地利用分类

全国土地覆盖/土地利用(LC/LU)调查已经成为开展土地利用动态变化预测、土地利用规划及土地管理的一项关键的基础性工作,受到广泛关注和重视。随着遥感技术和各种遥感地学分析解译模型的发展和深入,利用遥感技术获得的影像数据对区域的LC/LU情况及其动态变化进行定期或不定期的监测,成为一种最为迅速可靠和理想有效的手段。论文提出了遥感地学智能解译模型支持下的LC/LU分类体系,并以天津蓟县地区为试验对象,采用多平台遥感数据和辅助地理信息,进行了土地覆盖/土地利用遥感应用研究。     

内陆河流域典型地类面向对象的图像分类试验

利用了基于面向对象的最近邻法分类,比较了最大似然法的分类结果,得出了其不仅适合高分辨率城市遥感影像的分类,而且在中分辨率土地利用/土地覆盖上也有很好的应用.     

基于权重与混合模型的遥感图像分类方法研究

提出了一种基于权重与混合像元模型的遥感图像分类方法。该方法在现有光谱混合模型的基础上,根据实际应用需要确定地类权重,通过地类丰度与权重因子加权平均确定像元的隶属类型,从而实现遥感图像分类。以SPOT-5土地覆盖遥感分类为例,对权重与混合像元模型结合的图像分类方法进行了验证,结果表明,该方法提高了遥感图像分类精度,在一定条件下更具实际意义。     

高分辨率遥感图像分类方法在LUCC中的研究进展

高空间分辨率遥感图像在土地利用/覆盖(LUCC)变化研究中的应用,促进了遥感分类技术的进一步发展,表现在遥感分类对象、分类特征和分类器3个方面。本文对其研究进展情况进行了综述,介绍了具有代表性的分类方法,并对各种方法的特点进行了分析。最后,对遥感分类的相关研究进行了总结和展望。     

分层分区分景相结合的区域土地利用/覆盖分类方法——以浙江钱塘江流域分类为例

在土地利用/覆盖研究中，对于范围广、地域差别大的地区，仅用同一标准对遥感图像进行分类往往难以得到理想的效果。 本文以浙江省钱塘江流域为例，通过对Landsat TM数据各波段组合，首先提取水层和山层信息，然后采用掩模法提取平原丘陵层信 息，并根据地形地貌和土地利用现状的差异，将平原丘陵层划分为6个区，当所划分区域内各景的影像时相不一致时，再对该区进 行分景处理。最后，分别对每层、每区和每景图像进行训练样本的选择和监督分类。试验结果表明，结合分层、分区和分景的监督 分类方法是一种适合于较大区域土地利用/土地覆盖分类的有效方法。     

基于SOM神经网络的城市土地覆盖遥感分类研究

土地覆盖及其变化的研究作为区域及全球环境变化研究所需的极为重要的地表参数,是遥感应用分析的主要内容之一。以往所采用的遥感分类方法主要针对侧重于土地社会属性的土地利用类型的分类研究且很难获得理想的精度。本文在非监督的自组织映射神经网络的基础上进行了一定的改进,构建了有监督的神经网络模型,以湖南省长沙市主城区的土地自然属性为侧重点,对其土地覆盖进行分类。实验结果表明:利用本文所使用的方法得到的分类结果,其总体精度和Kappa系数均高于传统的分类方法得出来的分类结果。     

基于CBERS-02遥感影像的湿地地表覆被分类研究

基于CBERS遥感影像多光谱数据,运用信息量、相关系数及OIF方法,分析了波段数据特征,获得了对影像数据的整体认识。 通过绘制地表覆被类型的样本均值光谱曲线,分析了多种地表覆被类型在5个影像波段中的光谱特征,得出了不同覆被类型在各波 段中的反射特性。基于典型地表覆被类型样本数据,分别针对影像的5个波段及第一主成分、归一化植被指数这两个重要特征,运 用盒须图进一步分析了不同地表覆被类型的分异特性。运用Z-test统计方法,筛选出了区分不同地表覆被类型的最优纹理特征。运 用面向对象分类技术开展了研究区覆被类型分类实验,验证了基于CBERS遥感影像进行内陆淡水湿地区地表覆被分类的可行性,丰 富了地表覆被信息提取方法,拓展了CBERS遥感影像的应用领域。     

Enhanced land use/cover classification of heterogeneous tropical landscapes using support vector machines and textural homogeneity

Land use/cover classification is a key research field in remote sensing and land change science as thematic maps derived from remotely sensed data have become the basis for analyzing many socio-ecological issues. However, land use/cover classification remains a difficult task and it is especially challenging in heterogeneous tropical landscapes where nonetheless such maps are of great importance. The present study aims at establishing an efficient classification approach to accurately map all broad land use/cover classes in a large, heterogeneous tropical area, as a basis for further studies (e.g., land use/cover change, deforestation and forest degradation). Specifically, we first compare the performance of parametric (maximum likelihood), non-parametric (k-nearest neighbor and four different support vector machines – SVM), and hybrid (unsupervised–supervised) classifiers, using hard and soft (fuzzy) accuracy assessments. We then assess, using the maximum likelihood algorithm, what textural indices from the gray-level co-occurrence matrix lead to greater classification improvements at the spatial resolution of Landsat imagery (30 m), and rank them accordingly. Finally, we use the textural index that provides the most accurate classification results to evaluate whether its usefulness varies significantly with the classifier used. We classified imagery corresponding to dry and wet seasons and found that SVM classifiers outperformed all the rest. We also found that the use of some textural indices, but particularly homogeneity and entropy, can significantly improve classifications. We focused on the use of the homogeneity index, which has so far been neglected in land use/cover classification efforts, and found that this index along with reflectance bands significantly increased the overall accuracy of all the classifiers, but particularly of SVM. We observed that improvements in producer's and user's accuracies through the inclusion of homogeneity were different depending on land use/cover classes. Early-growth/degraded forests, pastures, grasslands and savanna were the classes most improved, especially with the SVM radial basis function and SVM sigmoid classifiers, though with both classifiers all land use/cover classes were mapped with producer's and user's accuracies of ∼90%. Our classification approach seems very well suited to accurately map land use/cover of heterogeneous landscapes, thus having great potential to contribute to climate change mitigation schemes, conservation initiatives, and the design of management plans and rural development policies.     

基于北京二号与地理国情数据的林地提取

由于地理国情林地数据不包含实地面积小于400 m²的树木或四旁单排林,若仅利用地理国情的林地数据统计区域森林覆盖率,将对四旁树面积较大地区的林地统计结果产生较大误差。为提取区域内准确的林地覆盖与空间分布状况,本文借助地理国情地表覆盖数据,提出了一种基于北京二号高分辨率遥感影像的林地提取方法。首先,根据遥感影像光谱特征,将研究区按植被、道路、铁路、建筑用地进行地类划分,并基于遥感影像进行各地类的样本提取,通过可分离检验的样本利用最大似然分类提取研究区内植被覆盖范围;然后,借助地理国情地表覆盖数据,使用叠置分析剔除误分、错分地类,得到区域林地的空间分布。试验结果表明：(1)研究区内林地覆盖率为20.3%,尚未满足北京新一轮林地规划需求;(2)地理国情地表覆盖数据内林地面积占提取林地总面积的54.03%,说明在部分地区使用本文方法对地理国情林地数据进行补充是有必要的。通过将试验结果与遥感影像进行目视比对并结合外业调查结果发现,提取的林地空间分布情况与实际分布基本相符。本文为地理国情的应用提供了一种新方法,研究结果可辅助区域的绿色发展规划,有助于构建科学的生态空间格局。     

NWFE结合纹理特征的SVM土地覆被分类方法研究

为提高土地覆被分类精度,采用非参数权重特征提取(nonparametric weighted feature extraction,NWFE)结合纹理特征的支持向量机(support vector machines,SVM)的分类法,对新疆玛纳斯河流域绿洲区2006年的土地覆被进行分类,并将该方法与主成分分析(principal component analysis,PCA)结合纹理特征的SVM分类、原始波段结合纹理特征的SVM分类进行对比。结果表明,NWFE结合纹理特征的SVM分类结果优于其他2种分类结果,不仅反映了土地覆被分布的整体情况,而且使不同土地覆被类型得到较好的区分,总体分类精度达89.17%。     

基于遥感技术的土地利用／覆被变化研究

遥感技术是研究土地利用/覆被变化状况的重要手段之一,目前该技术已有一套较成熟的研究方法,本文从遥感数据选择、图像预处理方法、土地利用/覆被变化遥感分类、土地利用/覆被变化动态信息提取等方面对土地利用/覆被变化遥感动态监测技术进行了系统的论述,最后指出多信息源、综合的信息处理机制将是土地利用/覆被变化遥感动态监测技术发展的必然方向。     

基于证据理论的遥感图像分类方法探讨

遥感图像分类是一项十分重要而且复杂的问题。传统的图像分类方法多数是基于贝叶斯主观概率理论的图像分类方法,由于其在解决不确定性问题上存在诸多缺陷,近年来,将数学的证据理论应用于遥感图像分类已成为新的发展趋势。本文首先介绍了证据理论与贝叶斯主观概率理论对于解决不确定性问题的差异,证据理论的主要定义和算法。文中还重点介绍了证据理论用于模式识别的支持度函数,并将支持度应用于图像分类,得到像元级按大类（如土地利用的城镇用地、耕地、林地和水体）划分的支持度表面,然后进行硬分类叠加,得到初次分类结果,再进行精度评估。如果不满足精度要求,再对各类支持度小于某域值的像元进行二次分类,如此下去,直到达到分类所要求的精度。该方法的主要优点是可以进行分类后的再分类,且精度非常高,而贝叶斯分类不可以进行分类后的再分类,只能重新训练样本进行整体分类,效率低,精度也难提高。该方法理论可靠,实用性强,易操作,有研究潜力。     

利用对象和支持向量机的遥感信息提取方法探讨

土地利用/覆被专题信息的快速、高效、准确提取是遥感图像处理研究的重要方向。传统的遥感分类方法常依靠像元的光谱值,未充分利用影像的空间信息。本文将面向对象影像分割和支持向量机方法相结合,复合光谱和纹理信息,建立了Object-SVM分类模型,并与面向对象的模糊函数和基于像元的SVM方法相比较,探寻区域尺度土地利用/覆被信息提取方法。结果显示,Object-SVM模型有效地提高了遥感图像的分类精度和分类效率,对于区域尺度影像的快速、准确、客观的信息提取具有实际意义。     

唐山市区土地利用的Landsat 8影像分层分类

针对土地利用遥感分类方法多样、分类精度高低不一等问题,该文以土地利用变化明显的唐山市路南区、路北区为研究区域,并以中分遥感影像Landsat 8OLI为信息源,在对地类样本进行可分离性分析的基础上,建立研究区土地利用分层分类体系。通过监督分类实验,选择分类效果最好、分类精度最高的最大似然分类器进行地类初分;通过绘制归一化植被指数(NDVI)、归一化建筑指数(NDBI)、两指数差值(NDVI-NDBI)的曲线及地类光谱特征曲线,建立决策树分类规则,进行地类再分。该方法可以较好地完成多种土地利用二级地类的划分,有助于提高中分影像土地利用分类效率。     

基于最大似然法和SVM法的太湖流域HJ-1B影像分类

以太湖流域作为研究对象,基于环境减灾卫星HJ-1B影像数据,比较利用最大似然法和支持向量机法进行土地利用/覆盖分类的效果。结果显示,SVM法在总体分类精度和Kappa系数上较传统最大似然法有所提高。SVM分类方法对于有限样本的分类表现出优越的性能,改善了传统分类方法的局限性,具有很大的应用潜力。