Assessing the performance of two unsupervised dimensionality reduction techniques on hyperspectral APEX data for high resolution urban land-cover mapping

Despite the high richness of information content provided by airborne hyperspectral data, detailed urban land-cover mapping is still a challenging task. An important topic in hyperspectral remote sensing is the issue of high dimensionality, which is commonly addressed by dimensionality reduction techniques. While many studies focus on methodological developments in data reduction, less attention is paid to the assessment of the proposed methods in detailed urban hyperspectral land-cover mapping, using state-of-the-art image classification approaches. In this study we evaluate the potential of two unsupervised data reduction techniques, the Autoassociative Neural Network (AANN) and the BandClust method – the first a transformation based approach, the second a feature-selection based approach – for mapping of urban land cover at a high level of thematic detail, using an APEX 288-band hyperspectral dataset. Both methods were tested in combination with four state-of-the-art machine learning classifiers: Random Forest (RF), AdaBoost (ADB), the multiple layer perceptron (MLP), and support vector machines (SVM). When used in combination with a strong learner (MLP, SVM) BandClust produces classification accuracies similar to or higher than obtained with the full dataset, demonstrating the method’s capability of preserving critical spectral information, required for the classifier to successfully distinguish between the 22 urban land-cover classes defined in this study. In the AANN data reduction process, on the other hand, important spectral information seems to be compromised or lost, resulting in lower accuracies for three of the four classifiers tested. Detailed analysis of accuracies at class level confirms the superiority of the SVM/Bandclust combination for accurate urban land-cover mapping using a reduced hyperspectral dataset. This study also demonstrates the potential of the new APEX sensor data for detailed mapping of land cover in spatially and spectrally complex urban areas.     

露天矿边坡稳定性监测方法研究现状及进展

边坡稳定性监测是有效预警滑坡的重要手段,本文在总结国内外文献资料的基础上,从不同的技术手段、不同的使用范围分析了边坡稳定性监测方法的利弊及其适用性,监测技术实现了从点到面、从坡体表面到坡体内部、从人工测量到自动化和智能化监测、从近距离监测到远程监控等方向的转变和发展。针对边坡稳定性监测技术研究中存在的问题,提出了采用空-天-地-内一体化监测,实施多源监测数据融合,以及稳定性动态评价和远程监测一体化交互的观点,以提高边坡稳定性预警的可靠性和远程监测的时效性,为降低矿山的生产成本,保障矿山的安全实施提供重要的技术支持,也为相关领域的研究提供参考。     

多源道路智能选取的本体知识推理方法EI北大核心CSCD

大数据时代道路数据来源日益增多,跨数据源的道路选取面临巨大挑战。本文针对数据语义不一致问题,提出一种基于本体知识推理的多源道路选取方法。首先,将1∶5万基本比例尺地形图道路数据作为基础案例,将四维图新导航电子地图和开放街道地图中的道路数据作为试验数据,基于stroke计算道路等级、长度、连通度、接近度、中介度特征项,提取特征项概念并构建本体;然后,从语义特征项和数值特征项两方面计算本体概念相似性,建立基础案例与试验数据间的关联关系;最后,基于本体和语义网规则语言定义本体通用、语义特征、数值特征三类选取规则,实现跨数据源道路选取的过程性知识推理。试验表明,本文方法可基于本体概念相似性度量消除语义差异,同时利用语义网规则语言进行知识推理,可实现多源道路数据向基本比例尺数据的智能选取。     

耦合GF-2遥感影像与街景影像的广州市城中村识别

及时准确地获取城中村的空间分布及其环境质量信息对于优化城市空间、改善人居环境具有重要意义。本文以广州市越秀区为例,提出了耦合GF-2高分遥感影像和百度街景影像的城中村识别方法。首先,从街景影像中提取越秀区的街道空间品质特征;其次,在对高分遥感影像预处理并进行多尺度分割的基础上计算光谱、形状、纹理、场景特征和建筑结构5类共计23个特征;最后,融合两种影像的特征用于构建随机森林分类器进行城中村识别。结果表明,基于高分影像和基于街景影像的城中村识别整体精度分别为94.5%和85.7%,Kappa系数分别为0.58和0.31,而两者融合后的分类精度和Kappa系数为96.1%和0.67;其中基于街景影像获取的度量街道空间品质的5个指标贡献了31.6%的特征重要性。鸟瞰视野高分影像和人本视角街景影像提供的信息综合互补,构建了更有区分度的特征空间,减少了城中村的错分现象。本文证实了高分影像和街景影像在特征尺度的融合提升了城中村识别精度。街景影像中的信息可以融入到高分遥感影像等数据源中,辅助进行城中村等非正规居住空间的识别。     

基于多源多时相遥感数据的稀土开采状况与地质环境问题监测

稀土矿床开采导致矿产资源极大损失,并造成植被破坏、水土流失、环境污染等严重的地质环境问题。本文选取韶关新丰、清远英德交界区域为研究区,采用2010年到2012年3期不同来源的遥感影像为数据源,在建立解译标志的基础上,采用人机交互解译方法提取各年度的稀土开采状况、矿山地质环境问题及恢复治理情况,并进行野外实地验证。监测结果表明,研究区稀土开采图斑较多,但均已停采,矿山地质环境问题较为严重,且大多未进行有效治理。研究发现,基于多源多时相遥感数据的遥感调查手段,既能利用不同时相数据的时效性优势,又能发挥不同分辨率数据识别各类矿山地物和地质环境要素的能力,有效监测稀土矿区的整体状况和变化情况,为国土、环保等相关部门进行矿政管理和地质环境综合治理决策提供科学依据。     

山东省县域生态效率测算与时空特征分析

基于多源遥感数据提取投入产出数据,采用考虑非期望产出的超效率EBM模型对2000—2015年山东省县域生态效率进行测度,在此基础上采用核密度估计、空间自相关等方法对山东省县域生态效率的时空特征进行分析。研究表明：①山东省县域生态效率呈现波动式发展趋势;高值区与低值区存在显著空间分化,胶东半岛与济南都市圈构成高值集聚区,鲁西北、鲁西南、鲁南地区形成低值连绵带;②山东省县域生态效率无明显的两极分化现象,处于高值区、低值区的县域生态效率值变化较大,生态效率空间非均衡性逐渐扩大;③山东省县域生态效率存在显著空间正相关,且空间集聚性呈现增强态势;县域生态效率存在空间俱乐部趋同特征。     

基于高分辨率PS-DInSAR的城郊地表沉降监测

随着城市的扩张,大型城市的郊区逐步成为新的工业生产及居民中心,为满足生产及生活用水需求,地下水被大量开采,进而导致地表沉降。目前对地表沉降的监测多集中在城市区域,城郊的地表沉降较少受到关注。本文提出使用高分辨率永久散射体（PS）雷达盖分干涉（PS-DInSAR）技术对大型城市郊区的沉降进行监测。选取某市城郊为实验区,使用覆盖该区的16幅高分辨率TerraSAR影像为数据进行PS-DIn-SAR沉降建模和解算,获取了谈区大范围的高分辨率沉降信息。谈市效区最大年沉降速度达到62mm/a（即年沉降量）,平均沉降速度为24mm/a。分析表明,该区域的不均匀沉降与地下水的开采密切相关。     

高分辨率图像辅助提取高光谱图像端元

现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。     

一种新的基于PCA变换多源遥感影像像素级融合方法

在多源遥感影像融合中，基于传统PCA变换的多源遥感影像融合的光谱分辨率受到较大影响。提出了一种新的基于PCA变换的多源遥感影像像素级融合方法，通过在传统PCA变换融合算法基础上引入小波变换融合，保留了多波段遥感图像光谱特性的有用信息，进一步提高融合后遥感影像的效果。给出实验的融合结果，并与传统PCA变换方法进行对比，证明了该方法的有效性。