基于不确定性的大样本集抽样设计

本文研究是针对全球森林覆盖变化检测系统的大训练样本选择的优化问题。样本自动标记系统自动标记了"千万个"代表森林和非森林的像元。为了提高精度和效率,我们需要从千万个样本的大样本集中选择对训练分类器有益的样本。本文提出了两种方法:第一种方法是传统的分层等距离采样;第二种方法是基于不确定性的样本优化,通过研究相同样本间的相似性度量指标、样本不确定性度量指标及样本特征空间分布,来实现基于不确定性的训练样本选择策略。实验通过精度评价验证了基于不确定性的采样策略能比传统的分层等距离采样策略获得好的效果。     

空间分辨率与纹理特征对多光谱遥感分类的影响

多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。     

遥感分类信息不确定性的可视化表达方法

影像分类是遥感技术的重要应用领域之一,而遥感分类信息中则存在着不确定性,如果仅仅对其进行不确定性程度上的数学度量,而忽略其在空间域和时间域上的分布特征,则很难完整准确地描述和理解遥感信息中的不确定性。从视觉感知角度表现不确定性信息是不确定性建模的重要组成部分,而利用现有的计算机可视化技术来表达遥感分类信息的不确定性则是一种直观有效的方法,可以帮助用户更加完整地理解遥感数据及其分类信息中不确定性的大小、分布、空间结构和趋势。我们将不确定性可视化技术分为静态可视化变量、动态可视化变量和特征可视化三种类型。并以我国黄河三角洲地区的Landsat 5 TM遥感影像的分类数据为例,对上述不确定性可视化技术进行讨论及分析。     

基于不确定性迭代优化的山地植被遥感制图

山地因其较高的异质性和特殊的环境特征给遥感科学及其应用带来了诸多问题和挑战。为实现山地植被信息的精准提取,本研究选择部分滇西北山地区域作为研究区开展方法实验,利用高分辨率遥感影像数据和数字高程模型,结合分区分层感知思想,提出一种基于不确定性理论的山地植被型组分类制图方法。首先结合地形对研究区影像进行多尺度分割制作图斑;然后根据图斑特征使用随机森林方法进行分类,将分类结果与对应类别样本间的相似性作为优化目标, 并构建混合熵模型定量计算图斑推测类型的不确定性,据此进行针对性的样本补充和分类模型的迭代优化。实验总体分类精度达90.8%,较迭代前提升了29.4%,Kappa系数达到0.875。在高不确定性区域,该方法相比使用一次性补样和随机补样方法的分类结果,精度分别提高了17%和13%。研究结果表明,通过人机交互的方式,基于不确定性理论为样本库融入增量信息的迭代优化方法能够有效提高植被型组分类的精度,相较于传统的样本选择方法具有更高的效率和更低的不确定性。     

新疆地区土地覆被遥感数据的一致性研究

鉴于新疆地区对中国乃至中亚有着特殊的战略意义,本文针对不同数据源及分类系统在土地覆被数据的空间分布上缺乏互通性问题,结合2010年目视解译土地利用现状遥感监测数据、GlobeLand30和GlobCover2009共3种土地覆被数据,采用类型相似分析、类型混淆分析、混淆矩阵分析、空间一致性分析4种方法开展精度评价及一致性分析,以期对土地覆被数据在中国西北干旱区的适用性及适用范围提供有效建议。结果表明,3种土地覆被数据对新疆地区土地覆被类型构成基本一致,且对裸地类型的辨识度最高;新疆地区中高度一致区域占新疆总面积的95%;3种数据两两对比时,总体精度在64.11%~72.57%之间,其中目视解译数据/GlobeLand 30组合表现出最高水平,且仍有提高空间,反映出目前相同卫星传感器是提升精度评价结果的重要因素之一,且不同分类系统、分类方法、空间分辨率及卫星过境时间等因素对精度评价结果也会产生巨大影响。为解决此类问题,利用多源土地覆被遥感数据的融合技术提高数据精度,或是利用深度学习对遥感影像资料进行精确地解译和判读,将是今后全球土地覆被制图及应用领域的主要发展趋势。     

一种基于移动窗口的城市绿度遥感度量方法

针对城市绿度空间分布特征难以描述且合理性难以度量的问题,在基于多光谱遥感数据和激光雷达数据（LiDAR）获取高精度城市建筑物与绿地信息的基础上,本文提出一种基于移动窗口的城市绿度遥感度量方法。其通过遍历研究区像元,建立了移动窗口内的城市绿地面积与固定窗口面积之间的关系,计算了中心像元的绿度指数,并与传统的格网法、缓冲区法进行了比较。研究结果表明：该方法建立的绿度指数,能很好地反映城市居民在区域内接触城市绿地的概率及其空间分布特征,与格网法和缓冲区法相比,有效避免了格网法产生的边缘效应,并解决了缓冲区法空间不连续性的问题,实现了区域范围内任意点的城市绿度度量。该方法为城市绿地度量、城市规划、管理提供了一种新视角。     

多尺度纹理及多光谱影像协同的遥感岩性识别方法

岩性识别是遥感图像分类的难点,也是遥感地质应用的难点和热点。从遥感地质应用的实际需求出发,以西昆仑地区侏罗纪沉积岩地层为例,通过尺度转换提取高分遥感图像的多尺度纹理信息,采用波段叠加的方式协同多尺度纹理信息与ASTER影像多光谱信息进行岩性识别方法研究。利用WorldView 2全色数据进行向上尺度转换,形成空间分辨率分别为0.5,2,5,10,15,30 m 6种尺度图像数据,基于灰度共生矩阵提取各尺度上的纹理信息;将不同尺度的纹理信息分别与ASTER多光谱数据叠加形成协同数据;采用监督分类方法对研究区协同数据进行岩性分类。结果表明:①岩性纹理信息对空间尺度表现出依赖性,纹理信息量及含义随空间尺度不同而变化;②每套特定岩层因其独特的几何空间结构特征(厚度、产状、夹层、互层等)都有与之相适应的最佳纹理尺度,且该最佳尺度下纹理与光谱的协同效应最大;③纹理信息与多光谱数据形成的协同数据能有效提高岩性分类的精度,分类精度提高的程度与纹理计算的尺度相关。研究区岩性分类结果显示当纹理尺度为10 m时,与仅基于ASTER纯光谱分类结果相比,精度提高了约6.9%。?      

遥感影像混合像元的分解——基于加权后验概率的支持向量机分类算法

混合像元是遥感影像中普遍存在的现象,对此,本文提出基于加权后验概率的支持向量机进行影像混合像元分解。该分类算法可判定端元种类的同时得到每种地物的后验概率,从而进行非线性模型的混合像元分解。由于加权后验概率的支持向量机分类算法能够减少分类器受土地覆盖类型模糊样本点的干扰,因此,改善了非线性混合像元分解模型的精度。首先,由样本点计算得到核函数参数值,然后,计算影像中每一种土地覆盖类型的后验概率,将其作为各个两类支持向量机分类器的权系数并求得多类后验概率值,确定影像每一种土地覆盖类型并得到丰度值。本文采用TM多波段遥感影像验证该方法的可行性,实验区位于我国东北部的大兴安岭中北段地区,土地覆盖类型包含农田、居民地、水体、荒地等。将本文提出的混合像元分解方法结果与标准支持向量机模型分解的结果对比表明,以加权后验概率的支持向量机遥感影像混合像元分解方法精度优于标准支持向量机模型。     

基于LCZ的城市热岛强度研究

城市热岛强度是城市热岛研究和应用中的一个重要度量指标,但其科学计算一直是该研究的难点。目前常用的基于气象站的城乡温差计算法,由于在代表城区与郊区温度的选择上存在困难,较难准确客观地计算热岛强度。为此,本文在LCZ分类体系的基础上,结合卫星遥感影像数据,将其应用于福州市的城市热岛研究中,以科学地计算城市热岛强度。研究表明,采用分层分类和人工目视解译相结合的方法能较好地实现LCZ的遥感分类,并确定出分别代表城市和郊区的地表温度,据此计算得到2015年9月27日福州的城市热岛强度为6.73 ℃,热岛效应十分显著。进一步将分类结果与遥感地表温度影像叠加,可有效地区分各地类的热特性,全面反映城市热岛的分布状况。     

Google Earth Engine支持下的江苏省夏收作物遥感提取

江苏省是农作物种植大省,国家统计局统计数据显示,江苏省近10年冬小麦、冬油菜的总播种面积分列全国第五、第七,快速准确地获取冬小麦和冬油菜的空间分布对于该省的农业发展具有重意义。基于单机的传统遥感分类能够准确获取农作物的空间分布信息,但是耗时较长。随着地理大数据与云平台、云计算的发展,Google Earth Engine（GEE）作为一个基于云平台的全球尺度地理空间分析平台,为快速遥感分类带来了新的机遇。本文基于GEE,使用Sentinel-2数据快速提取了江苏省2017年冬小麦与冬油菜的空间分布。首先,利用GEE获得覆盖江苏省119景无云质优的Sentinel-2影像;其次,在此基础上分别计算了遥感指数、纹理特征、地形特征,并完成原始特征的构建与优化;最后,分别试验了朴素贝叶斯、支持向量机、分类回归树和随机森林4种分类器,比较了各分类器的分类精度,并提取了冬小麦与冬油菜的空间分布信息。得出以下结论：①GEE能够快速完成覆盖江苏省影像数据的去云、镶嵌、裁剪及特征构建等预处理,较本地处理具有明显优势;②J-M距离值位于前两位且大于1将特征数量从28个压缩到11个,有效压缩了原始特征空间;③光谱+纹理+地形特征组合训练,朴素贝叶斯、支持向量机、分类回归树、随机森林的平均验证精度分别为61%、87%、89%、92%。     

关键生育期冬小麦和油菜遥感分类方法

农作物空间分布的遥感识别是地理学、生态学和农学等多学科研究的前沿和热点,多源遥感数据在其中发挥着重要的作用。本研究结合冬小麦和油菜的种植及生长特点,以安徽省合肥市为研究区域,利用ZY-3、Sentinel-2和GF-1等多源遥感影像数据,以高程、坡度等数据为辅助信息,结合以多尺度分割、最邻近法和阈值法等为主要步骤的面向对象的分类方法,提取研究区合肥市冬小麦和油菜种植的空间分布信息。结合来自于GVG农情采样系统和Google Earth高分辨率影像上获得的地面验证数据进行分类精度验证,计算得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出分类的总体精度为94.43%,Kappa系数为0.914。结果表明,本研究提出的方法能够有效地区分在冬小麦和油菜的混种区域里两种作物种植区域的空间分布,且这种多种策略相结合的分类方法体系,能够适用于其它区域甚至是更加大尺度上的作物分类。     

亚像元制图适应性分析与评价——以天津市津南区和北京市海淀区土地覆被制图为例

亚像元制图作为一种降尺度分类方法,可利用低分辨率影像获取高分辨率分类图。本文旨在探讨亚像元制图的降尺度分类结果与高分辨率影像分类精度和分类特征上的一致性。实验以天津市津南区和北京市海淀区为研究区,分别对中空间分辨率影像（TM或HJ）进行亚像元制图和对高空间分辨率影像（ALOS或ZY）进行硬分类得到相同空间分辨率的分类结果,从绝对精度、相对精度、空间结构和空间格局上,对2幅分类结果进行分析和评价。实验结果显示：（1）分类精度上,TM和HJ影像的亚像元制图结果,以地面验证样本为参考的绝对总体精度分别为84%和82%,以高分辨率影像（ALOS和ZY影像）硬分类结果,为参考的相对总体精度分别为82%和77%;（2）分类特征上,中空间分辨率影像亚像元制图结果的空间相关性较强、斑块数量较少、聚集度较高,但与高分辨率影像分类结果的总体结构相似,各类别的面积比例基本一致。因此,亚像元制图结果在分类精度和分类特征上与高空间分辨率影像分类结果具有较强的一致性,在缺少高分辨率土地覆被制图时,可将亚像元制图获取的降尺度分类图作为替代数据。     

面向对象的森林植被图像识别分类方法

 森林植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取森林植被的类型,本文以门头沟区森林植被占主要土地覆被类型为研究对象,选择HJ-1影像面向对象提取不同地物信息。由于研究区地形复杂,采用多尺度分割方法,对不同地物设置不同分割参数,实现不同地物分层提取。根据光谱、纹理及几何等特征选择合适的特征参数,构建隶属度函数,逐级提取研究区的土地覆被类型,并与传统的最大似然法进行对比。结果表明:面向对象的分类方法在门头沟区森林植被二级信息提取的精度为83%,与传统方法相比有了较大的提高。     

Object-oriented crop classification based on UAV remote sensing imagery

UAV remote sensing images have the advantages of high spatial resolution,fast speed,strong real-time performance,and convenient operation,etc.,and have become a recently developed,vital means of acquiring surface information.It is an important research task for precision agriculture to make full use of the spectrum,texture,color and other characteristic information of crops,especially the spatial arrangement and structure information of features,to explore effective methods for the classification of multiple varieties of crops.In order to explore the applicability of the object-oriented method to achieve accurate classification of UAV high-resolution images,the paper used the object-oriented classification method in ENVI to classify the UAV high-resolution remote sensing image obtained from the orderly structured 28 species of crops in the test field,which mainly includes image segmentation and object classification.The results showed that the plots obtained after classification were continuous and complete,basically in line with the actual situation,and the overall accuracy of crop classification was 91.73%,with Kappa coefficient of 0.87.Compared with the crop planting area based on remote sensing interpretation and field survey,the area error of 17 species of crops in this study was controlled within 15%,which provides a basis for object-oriented crop classification of UAV remote sensing images.     

MULTI—SOURCE REMOTE SENSING IMAGE FUSION BASED ON SUPPORT VECTOR MACHINE

Remote Sensing image fusion is an effective way to use the large volume of data from multi-source images.This paper introduces a new method of remote sensing image fusion based on support vector machine(SVM),using high spatial resolution data SPIN-2 and multi-spectral remote sensing data SPOT-4.Firstly,the new method is established by building a model of remote sensing image fusion based on SVM.Then by using SPIN-2 data and SPOT-4 data ,image classify-cation fusion in tested.Finally,and evaluation of the fusion result is made in two ways.1)From subjectivity assessment,the spatial resolution of the fused image is improved compared to the SPOT-4.And it is clearly that the texture of the fused image is distinctive.2)From quantitative analysis,the effect of classification fusion is better.As a whole ,the re-sult shows that the accuracy of image fusion based on SVM is high and the SVM algorithm can be recommended for applica-tion in remote sensing image fusion processes.     

多时相耕地覆盖提取和变化分析：一种结合遥感和空间统计的时空上下文方法

基于多时相影像的耕地提取和变化分析是有效管理和保护耕地资源的重要手段。然而就多时相耕地的分类提取而言,现有方法对于多时相影像中地物的时空特征表达和时空上下文关系建模存在着局限性,导致耕地的提取精度不佳;其次,对于耕地的变化分析,现有方法往往只关注基于行政单元的耕地面积统计变化,而对耕地变化在空间上的相关性分布特点考虑较少。因此,本文首先提出了一种时空上下文分类方法,综合表达和利用多时相影像中地物的光谱、纹理和空间等特征,建模时空维度上地物间在特征和语义上的上下文关系,来提高耕地覆盖分类的精度;其次,基于耕地覆盖的提取结果,在规则格网和行政区划单元上,采用GIS空间统计方法分析耕地变化的空间相关性特点;最后,以北京市顺义区为例,以2015—2019年的多时相Sentinel-2影像为数据源对本文方法进行验证。结果表明,与常见的2种多时相影像分类方法相比,本文方法在多时相耕地分类上精度最高,平均用户精度和制图精度分别达到91.21%和90.53%,所有类别的总体精度为90.79%。这表明本文方法能精确提取多时相耕地覆盖信息。通过对耕地变化的空间分布特点进行分析,发现2015—2019年顺义区耕地变化存在区域聚集现象,主要呈现为集中减少特点,其中赵全营镇、高丽营镇、木林镇和杨镇地区耕地的聚集性减少较为明显,说明这些地区的耕地侵占和减少问题比较严重。     

CSD和CDD结合下的最优遥感特征指数集构建及其在湿地信息提取中的应用

依托中分辨率成像光谱仪完整的数据序列和丰富的光谱信息,遥感特征指数在湿地生态系统发展变化的状态、趋向和规律研究方面发挥着不可替代的优势。传统类间距离判别的遥感特征指数选取中常存在过分依赖数据统计特征、入选指数与目标地类间生态学意义不明确、分类模型普适性差等局限性。基于此,本研究以河北省白洋淀湿地自然保护区为例,提出类可分离性距离判别（Class Separation Discrimination,CSD）与类间距离判别（Class Distance Discrimination,CDD）相结合的方法构建最优遥感特征指数集,并采用QUEST算法和马氏距离判别法构建分类决策树模型用于白洋淀湿地信息的提取研究,尝试克服传统类间距离指数选取中的不足。结果表明：运用CSD和CDD相结合的方法所选取的遥感特征指数在研究区湿地信息提取过程中的总体分类精度达到了91.32%,Kappa系数0.88,较传统的分类与回归树（Classification and Regression Tree,CART）方法,分类精度提高了1.67%;其次选取的最优指数与待提取的湿地类型均具有明确的生态学意义,如挺水植物在立地干湿交替条件下的潴育化过程决定了氧化铁比率IO可成功的将混分的耕地和挺水植物进一步分离;进一步将基于研究区2017年OLI影像构建的CSD和CDD相结合方法与CART方法的模型分别应用于研究区2019年OLI影像进行分类,基于CSD和CDD相结合方法构建的模型分类总体精度和Kappa系数分别为：86.97%、0.83,基于CART方法构建的模型无法满足分类需求,研究结果较好地证明了基于CSD和CDD相结合方法构建的模型在年际之间具有良好的适用性和稳定性。总之,CSD和CDD相结合的方法在不降低湿地信息提取精度的基础上,有效避免了传统遥感特征指数选择方法的局限性,提高了分类模型的普适性,是遥感特征指数选择算法和决策树相结合在湿地信息提取方面的有益尝试。     

面向对象和DEM的ZY-1 02C影像湿地提取研究

本文运用面向对象分类与DEM数据相结合的方法,对资源卫星一号02C卫星遥感影像进行湿地提取。探索了基于对象与DEM信息的提取技术,在02C影像湿地的提取应用,对研究我国国产卫星在湿地监测和保护方面有重要的意义。研究结果表明：（1）面向对象的遥感影像信息提取方法,可同时兼顾影像光谱信息及空间信息,适用于02C影像的湿地提取,精度得到明显提高;（2）基于对象与DEM信息的提取方法,使沼泽地与草地相混淆的现象明显减轻,湿地分类精度进一步提高,该方法适用于高分辨率遥感影像的湿地提取研究;（3）基于对象与DEM信息提取的水田、水体、沼泽地及河滩的精度,分别为88.46%、97.44%、86.96%和83.33%,满足资源卫星一号02C遥感影像对湿地进行监测和保护的需要。     

深度学习和遥感影像支持的矢量图斑地类解译真实性检查方法

空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inception_v3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果与矢量图斑原始数据进行叠加分析,自动查找出类别信息不符的分割单元,从而提取出可疑图斑,实现矢量图斑地类解译真实性自动检查,并在徐州市贾汪区青山泉镇和大吴镇的矢量图斑地类解译真实性检查中进行验证。实验结果表明,本文方法在研究区图斑地类解译真实性检查中的精确率和召回率分别高达0.925和0.817,可为矢量图斑地类解译真实性检查提供可靠的技术支撑。