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。     

基于TM影像属性和形态特征的土地覆被制图方法

本文以浙江省中南部地区不同时相30m分辨率的2景TM影像为基本数据,采用面向对象的方法实现了研究区的土地覆被制图。首先,在eCognition软件中采用多尺度分割算法,以光谱信息、纹理特征、几何特征等实现研究区的对象分割,使分割后的对象边界与实际地物边界尽量保持一致,通过建立多层次地物特征规则,进行最优分割尺度下的遥感多层次识别分类;然后,分析可用于分类的属性特征和形态特征,通过对这些特征的统计值对比分析,选取了对象的紧致度、长宽比、MNDWI、LBV等特征构建了决策树模型,实现了研究区1：25万的土地覆被分类;最后,采用目视解译和野外样本2种方式对分类结果进行精度验证,其中,目测随机样点评价得到的总体精度为87.66%,野外样本点评价得到的总体精度为83.38%。研究表明：面向对象的分类方法不仅具有较高的精度,而且图斑与实际地物边界能较好地吻合,很好地避免了混合像元误分的现象,同时能消除像元分类的“椒盐现象”。     

无人机影像的面向对象水稻种植面积快速提取

基于抽样技术的地面调查与遥感影像分类相结合的方法在大范围作物种植面积提取中得到广泛使用。无人机影像具有低成本、高时效、高分辨率的一系列优点,可以快速实现特定区域范围内的农情采样任务。本文以水稻样地为研究对象,采用便携式无人机Mavic Pro进行航拍。对所获取无人机影像进行预处理生成分辨率为3.95cm/pix的正射影像,采用面向对象的思想,目视评价和ESP工具相结合快速选择了最优分割尺度为300,应用了支持向量机、随机森林和最邻近监督分类方法对影像进行了地物分类和水稻面积快速提取。采用目视解译分类结果进行分类结果和面积精度评价,总体精度最高的方法为最邻近分类法,此时水稻分类用户精度为95%,面积一致性精度为99%。研究结果说明了无人机遥感和自动分类能够在平原水稻种植区快速获取样方内高分辨率影像并提取水稻种植面积,弥补了农田被遮挡时地面调查数据的缺失,为大范围水稻种植面积、产量等信息的计算提供样本和验证依据。     

基于NDSI和NDISI指数的SPOT-5影像裸土信息提取

遥感裸土识别制图为水土流失治理工作提供了科学依据。本文以SPOT-5影像为实验数据,提出一种以土壤指数NDSI和不透水面指数NDISI提取裸土的方法。通过热红外波段的亚像元分解技术,将同期120 m分辨率的TM 6波段细化为10 m分辨率的地表温度影像,为SPOT-5影像计算NDISI不透水面指数增加了必要的热红外波段。在此基础上,构建双重指数模型,获得10 m分辨率的裸土数据。研究表明,双重指数模型可较好地解决裸土提取中建筑用地与裸土相混淆的问题,提取裸土的总精度可达95.4%。通过比较10 m的SPOT-5和30 m的TM影像的裸土提取结果,发现影像分辨率的提升可使裸土信息提取结果更加准确、精细。因此,本文为更高分辨率裸土识别制图,提供了一种有效的方法。     

面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例

本文对面向对象影像分析方法做了初步的探索和应用研究,通过建立多尺度影像空间和分类规则库对四川理县"5.12"震后的航空影像进行土地覆盖分类,并在此基础上提取了房屋和居民地的空间分布矢量信息。将土地覆盖分类的结果与传统的基于像元的方法进行对比,结果表明:面向对象方法的分析结果更接近于人工解译的效果,对试验区的分类精度也远远高于基于像元的影像分类的精度,有效克服了传统分类方法所存在的"椒盐噪声"问题,与基于像元分类的栅格数据相比,面向对象的方法可直接提取GIS分析的矢量信息,展示了面向对象技术应用于高分辨率影像信息提取的广阔前景。     

基于谱空间统计特征的高分辨率影像分割尺度估计

多尺度分割是面向对象遥感影像分析的关键性基础步骤,影像分割过程中尺度参数的选择直接关系到面向对象影像分析的质量和精度。本文首先从理论层面将遥感影像分割的尺度界定为基于统计的原始影像全局或局部特征的一种定量化估计,并在算法层面上将多尺度分割算法的尺度参数概括为空间尺度分割参数（类别或斑块间的空间距离）、属性尺度分割参数（类别或斑块间的属性距离）和合并阈值参数（斑块大小或斑块像元数目）;接着,提出了基于谱空间统计的高分辨率影像分割尺度估计方法;最后,以均值漂移多尺度分割算法为例,采用高空间分辨率的Ikonos、Quickbird和航空影像数据,对本文提出的基于谱空间统计的高分辨率影像分割尺度估计方法进行了验证。结果表明,该方法在一定程度上不仅避免了高分辨率遥感影像分割尺度参数选择的主观性和盲目性,还提高了面向对象影像分析的自动化程度,具有可行性和有效性。     

复杂场景下小农经营区地块级苹果园模块化制图方法框架

实现复杂场景下地块级苹果园的精准制图,是中国苹果产业精细化管理面临的迫切需求。然而,传统的地块级分类制图框架在处理小农经营区内的大量细碎地块时,可靠性大幅度降低。本文提出一种适用于复杂场景下小农经营区的地块级苹果园模块化制图方法框架。(1)基于模拟人类对目标场景视觉感知的分层策略,从深秋季的单幅超高空间分辨率（Very High Resolution, VHR）影像中提取冗余的候选地块;(2)利用非对称瓶颈网络（Depth-wise Asymmetric Bottleneck Network, DABNet）模型与长短期记忆（Long Short-Term Memory, LSTM）模型,分别从VHR影像与时间序列影像中提取苹果园的空间特征像素与时序特征像素。然后,构建元特征描述特征像素在候选地块中的分布情况,与地块的内在特征共同组成苹果园地块的分类特征;(3)使用随机森林（Random Forest, RF）将候选地块分类为苹果园地块和非苹果园地块。以山东省栖霞市西城镇为研究区,从43238个候选地块中提取出30 292个苹果园地块,分类总体精度达到92.7%。利用RF算法自带的平均...     

综合多层优选尺度的高分辨率影像分割

采用面向对象方法处理高空间分辨率遥感影像时,影像分割质量对后续影像的信息提取结果影响很大。本文主要针对高分辨率影像分割中地物多尺度的问题,提出了一种基于多层优选尺度的高分辨率影像分割算法。该算法首先采用一系列规律变化的尺度对高分辨率影像进行多尺度分割,然后通过单分割层全局标准差的变化与尺度的关系确定一组最优分割尺度。在此基础上,通过各优选分割层之间的包含关系,局部建立多层次对象树,从整体上形成影像森林;通过局部同质性异质性综合评价指数的比较及父层光谱特征的限制来选取多层次对象树中的优势对象,从而获得最终的高分辨率影像分割结果。最后,本文分别采用了Geoeye和ZY3多光谱影像进行了2组分割实验,结果表明本文算法能有效地提高正常分割影像对象的比例。     

不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响

高光谱遥感由于其精细的光谱分辨率,在定量分析物质成分上独具优势,因此广泛应用于提取蚀变矿物信息.探讨了不同空间分辨率高光谱遥感数据对蚀变矿物信息提取的影响,采用最邻近插值法、双线性插值法和三次卷积插值法３种重采样方法对美国 Cuprite矿区空间分辨率为２０m 的 AVIRIS影像做空间尺度扩展,分别扩展到空间分辨率为２５,３０,３５,４０,４５,５０m.采用SAM 分类方法从不同空间分辨率影像中提取蚀变矿物信息,使用混淆矩阵评价提取结果.一方面比较不同重采样方法对后期蚀变矿物信息提取精度产生的影响;另一方面比较不同空间分辨率对高光谱遥感影像蚀变矿物信息提取精度的影响.结果表明:①采用不同的重采样方法做
空间尺度扩展,会影响后期蚀变矿物信息提取的精度,但是数值变化相对较小.相比之下,最邻近插值法重采样下影像蚀变矿物信息提取的精度稍好一些.②在中等空间分辨率(２０~５０m)范围内,基于５０m 空间分辨率的高光谱影像,蚀变信息提取的总体精度和 Kappa系数较２０m 的明显下降.其中最邻近插值法重采样下的总体精度和 Kappa系数分别下降了７．９４％,０．０９;双线性插值法重采样下的总体精度和 Kappa系数分别下降了６．８７％,０．０８;三次卷积插值法重采样下的总体精度和 Kappa系数分别下降了６．６８％,０．０８.较高空间分辨率影像的总体精度和 Kappa系数整体上均高于较低空间分辨率的情形.      

高空间分辨率遥感影像多尺度分割优化组合算法

高空间分辨率遥感影像能够充分地描述地表覆盖空间异质性,可用于提取地面目标物。然而高空间分辨率在像元尺度的目标提取时易产生"椒盐效应"问题,面向对象的小尺度影像分割也受此效应影响;而大尺度的影像分割造成较小目标的遗漏。本文提出了一种针对高空间分辨率遥感影像的多尺度分割优化组合算法MOCA(Multi-scale-segmentation Optimal Composition Algorithm),基于后验概率信息熵指标选择影像中每个地面目标的最优分割尺度并集成组合,获得高空间分辨率遥感影像的多尺度分割优化组合结果。本文使用F指标和BCI(Bidirectional Consistency Index)两种指标评估地面目标物提取精度,并将MOCA与同类多尺度分割方法进行比较。实验结果表明,本文提出的MOCA算法可实现多个分割尺度的最优组合,并获得较高的地面目标物提取精度。     

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。     

一种面向对象的像元级遥感图像分类方法

本文提出一种面向对象的像元级分类方法(混合模型),并将其与单纯的以像元和面向对象的两种方法同时应用于分辨率分别为30m和0.5m的环境星CCD数据和航空影像进行对比分析。分类结果中不同地物类别之间光谱可分性的大小,很大程度上可反映分类结果的可靠性。若地物类型之间的光谱差异大,说明分类方法能将光谱差异大的地物很好地划分,显示出较可靠的分类结果;相反,如果分类结果中地物类型光谱差异小,则反映分类方法不够可靠。鉴此,本文通过计算分类结果中不同类别所对应的原始遥感影像像元之间的J-M(Jeffries-Matusita Distance)距离来度量分类结果中地物之间的光谱可分性,并用J-M距离比较分析了3种图像分类方法对2种不同分辨率影像的分类结果中各个类别之间的光谱可分性的变化。分析结果表明,混合模型不但能够得到较连续的分类结果,同时能够保持分类结果中类别之间的可分性。本文对分类结果进行了精度验证,结果发现混合模型的分类精度较其他2种方法要高。2种不同分辨率的遥感影像分析结果得到相同的结论,表明该模型适用于中分辨率和高分辨率影像。     

“四同”条件下周口城区高分一号遥感影像分类对比研究

目前大多数面向像元、面向对象遥感影像分类对比研究算法、软件、样本均不同,引入多方面系统误差导致结果一定程度上不严谨。为更准确比较2种分类方法,本文采用面向像元、面向对象2种分类方式,在同软件平台、同分类器、同训练样本、同验证样本,即“四同”条件下对2018年4月17日高分一号周口城区融合影像进行分类对比研究,并完成主、客观评价精度评价。结果表明：① “四同”条件下2种分类方式、CART（Classification and Regression Tree）、SVM（Support Vector Machine）、RF（Random Forests）3种机器学习算法均能识别周口城区主要地物类型,而面向对象的分类效果明显优于面向像元分类,与前人研究结论一致。其中面向像元分类效果最好的是RF算法,总体分类精度为78.02%,Kappa系数为0.72;面向对象分类效果最好的是RF算法,总体分类精度为93.40%,Kappa系数为0.92;② 尽管由于光谱特征相似、分布交叉,单类别建筑用地、交通用地用户精度与生产者精度较低,但面向对象分类较面向像元分类效果明显提升,以RF分类为例,建筑用地生产者精度由56.18%提高至92.13%,用户精度由69.44%提高至87.23%;交通用地生产者精度由72.15%提高至89.87%,用户精度由72.15%提高至92.20%;③ 与前人研究成果比较,本文在“四同”条件下实现了更科学、更严谨的面向像元、面向对象遥感分类方法对比,对后续高分辨率遥感影像分类具有一定参考意义。     

融合高度特征的高分遥感影像多尺度城市建筑类型分类

城市区域建筑类型信息在城市功能区识别、城市环境变量反演等应用领域具有重要作用。本文提出一种融合高分辨率遥感影像高度特征的多尺度城市建筑类型分类方法。首先利用语义分割模型识别高分辨影像中建筑和阴影对象;然后借助建筑对象及其阴影信息在卫星成像时的几何关系估算建筑高度;最后基于多尺度图像分析思想,提取一系列表征建筑对象的高度、空间结构、几何等多尺度特征,利用机器学习方法进行建筑类型分类,并进一步分析不同粒度的建筑类型分析单元对分类结果的影响。选取福州市主城区国产高分二号高分辨率影像进行实验验证。结果表明：① 基于所提方法的建筑类型分类总体精度达到82.98%, kappa系数为0.77,分类精度优于本文中未加入高度信息的分类方法和单一尺度分类方法;② 引入高度特征有效提高了中低层居民楼和高层商住两用建筑类型的分类精度,较未加入高度特征的分类结果,总体精度提高了11.28%;③ 融合多个尺度的图像特征可有效减少粘连建筑误分为密集型建筑的情况,较单一尺度分类方法,总体精度提高了2.77%。在精细的数字表面模型数据缺失下,利用高分辨影像阴影信息可为建筑物高度估计提供一种有效的策略,提高城市建筑类型分类精度。此外,融合多粒度图像特征可提升城市区域复杂建筑类型的表征能力,进而提高分类精度。     

遥感土地覆被分类的空间尺度响应研究

不同空间分辨率遥感影像对区域土地覆被类型识别精度的影响是目前土地资源遥感研究中的热点议题。本文基于准同步的卫星传感器影像,以福建省长汀县河田盆地为研究区,结合野外调查的实验样本,依次采用最大似然法（MLC）、支持向量机（SVM）和人工神经网络（ANN）3种分类器,分析土地覆被分类结果在中高空间尺度序列（1~50 m）下的变化响应特征。结果表明：不同空间尺度下的地物分类结果存在显著差异（P<0.05）,其中总分类精度和Kappa系数均随影像分辨率的降低而先升高后降低,并于4 m分辨率处达到峰值,该结果与各类地物光谱反射率的空间尺度变化特征密切相关;而不同分类器对各空间尺度影像分类结果的影响程度差异较大（P<0.05）,其中SVM的分类精度最优,MLC次之,ANN的结果较差。此外,伴随影像空间分辨率的降低,不同土地覆被类型面积提取结果的变化规律不同,导致同类地物在不同空间尺度下的提取结果出现较大差异,表明在使用多源分辨率遥感数据进行土地监测等相关研究时,其伴随的结果误差不容忽视。     

基于决策融合的SPOT-6影像土地覆被分类研究

多分类器决策融合方法在提高遥感影像分类的准确性和可靠性方面已表现出了巨大潜力,但这一过程中对所有像元多次分类会产生巨大的时间代价,为改善这一问题,本文提出了主分类器的概念。在青海湟水流域确定2个试验区,对7种常用的分类器进行评估,排除精度较低的3种分类器后,选择支持向量机（Support Vector Machine, SVM）、多层感知机（Multilayer Perceptron, MLP）、随机森林（Random Forest, RF）和梯度提升树（Gradient Boosting Decision Tree, GBDT）4种不同的分类器,建立决策规则共同对SPOT-6影像分类。为提高分类效率,以精度最高的GBDT作为主分类器对影像分类后,仅对结果中可信度不高的像元使用多分类器共同决策。研究结果表明,2个区域内主分类器独立完成分类的像元分别占38.10%和65.26%,错分率为1.57%和2.18%;多分类器共同决策的区域,相比GBDT的分类结果,总体精度分别高出2.49%和3.66%。整体上看,决策融合使2个区域的总体分类精度分别提高了1.18%和1.09%,能够有效减少分类结果中的“椒盐噪声”,精度更加均衡。相比现有的决策融合方法,主分类器的使用在保证分类精度的同时有利于分类效率的提高及分类结果保持良好的一致性。     

基于TRMM降水数据的空间降尺度模拟

本研究以黑河流域为例,通过在不同空间尺度上建立降水与影响因素的关系并选择最优尺度以此进行降尺度,建立了基于地理加权回归（GWR）与高精度曲面建模方法（HASM）相结合的跨尺度统计降尺度方法,对TRMM降水数据进行了降尺度模拟。最后,结合站点观测数据采用交叉验证法对降尺度结果进行了验证。结果表明,与传统的降尺度方法相比,考虑最优尺度的降尺度方法在一定程度上提高了降尺度结果的精度,同时表明对跨尺度过程中产生的误差进行修正可进一步提高结果精度。本研究所提出的方法可用于粗分辨率降水数据的降尺度模拟,可为站点稀疏地区或地形复杂地区高分辨率高精度降水数据的获取提供方法上的支持。     

分形定量选择遥感影像最佳空间分辨率的方法与实验

遥感影像观测尺度是遥感信息提取研究的重要内容之一,也是遥感信息提取的焦点。以往,遥感影像尺度特征的分析大多基于地统计学,其主要体现遥感影像中的线性特征,而实质上遥感影像中既存在线性特征,又存在非线性特征。因此,在深入剖析遥感影像尺度效应及分形特征机理的基础上,本文探讨了分形理论定量选择遥感影像最佳空间分辨率（也称最佳像元观测尺度）的方法。以IKONOS全色影像的建筑用地、耕地、林地为研究对象,分别使用FBM、DBM、TPM 3种分形维数计算模型,实现了3种地物在不同空间分辨率下分形维数的计算。实验结果表明,每种地物的分形维数是随空间分辨率的增大,总体呈下降趋势,且在某些特征空间分辨率上会出现拐点。从遥感影像尺度效应分析可知,遥感影像空间格局随尺度的不同,其内部结构也不同。且随着尺度的增大,很多细节将会被忽略,影像的粗糙度也随着降低。而分形维数是目前为止描述对象自相似性和不规则度的唯一基本量化值,其直观上与物体表面的粗糙程度相吻合。因此,这些拐点对应的分形维数对地物的最佳空间分辨率的选择具有一定指示意义。通过本文研究可知,使用分形理论方法研究遥感影像最佳空间分辨率（或最佳像元观测尺度）,打破以往观测尺度方法研究范畴,从不同角度去分析遥感影像观测尺度问题对GIS研究与地学应用具有一定的理论和指导意义。     

GF-1影像和OLI影像协同土地利用模糊分类方法研究

针对高分辨率遥感数据进行土地利用类型分类时出现的“同谱异物”现象,以及中分辨率遥感数据划分土地利用类型时受空间分辨率限制产生的“混合象元”问题,本文以高分一号数据(GF-1)和Landsat-8数据(OLI)为例,提出了一种协同利用高分辨率遥感数据和中分辨率遥感数据进行土地利用类型模糊分类的方法。首先,利用主成分变换的方法分别对GF-1纹理信息和OLI光谱信息进行压缩和增强,并将增强后的纹理信息和光谱信息进行特征协同;然后,根据各地物类型的光谱、纹理特征,对特征协同数据进行60、80、100共3个尺度的分割;最后,根据地物类型间的光谱特征和纹理特征的差异,构建各地物类型的模糊逻辑隶属度函数,实现对影像土地利用类型的模糊分类。实验结果表明,主成分变换的方法有效地将研究区GF-1和OLI数据的光谱、纹理信息压缩、增强,为面向对象分类中分类特征的选取提供了一种思路;同时,本文方法成功划分了研究区土地利用类型,并获得了较高分类精度,总体分类精度达到93.52%,对其它高空间分辨率与高光谱分辨率遥感数据协同分类研究具有一定借鉴意义。     

克里格法的土壤水分遥感尺度转换

 尺度效应往往会制约着定量遥感反演的精度,对地学信息进行空间尺度转换是生产实践的必然要求,而常用的尺度转换模型多利用光谱数据进行差值计算,不适合升尺度和降尺度转换。由于土壤含水量数据具有区域变化量的随机性和结构性特点,本文以15m分辨率的ASTER图像像元为基本单元,采用点克里格法完成ASTER 15m至7.5m分辨率的土壤含水量数据降尺度转换,从分维数的相似程度上来看,转换结果是合理的;并利用块状克里格法对地面实测样点数据进行点到7.5m分辨率的面数据升尺度转换,将升尺度和降尺度转换结果与实测样点均值相比较,结果表明:7.5m分辨率的实测样点土壤水均值误差在1.5782-5.019之间,块状克里格法获取的升尺度土壤含水量数据与点克里格法获取的降尺度土壤含水量数据之间误差则为1.2825-5.0481,可见克里格法考虑了点与周边的关系,所获得的土壤含水量值要优于未考虑空间异质性的土壤含水量平均值。