Impacts of Land Use and Land Cover Changes on Sediment Yield in a Brazilian Amazon Drainage Basin

Land use and land cover changes have as consequences several social, economic, and environmental impacts. The understanding of these changes allows a better planning of public policies in order to map and monitor areas more susceptible to environmental problems. This research presents an analysis of the land use and land cover changes of a watershed region located in the Brazilian Amazon, and an evaluation of their impacts on sediment yield. Land use/land cover maps for each of the analyzed time periods (1973, 1984, and 2005) were compiled using images obtained by MSS/Landsat-1, TM/Landsat-5, and the MODIS/Terra sensors. The sediment yield modeling was performed by dividing the watershed into homogeneous subregions. Each of the subregions received average attributes that were used as input parameters for the Universal Soil Loss Equation. The results revealed that up to 2005, around 40% of the study area was already deforested, replaced by agricultural activities. In some parts of the watershed these changes were responsible for an increase of up to 7 ton/ha in annual average sediment yield. This study was successful in providing an assessment of the magnitude and spatial distribution of the changes.     

Comparison of Sensor Fusion Methods for Land Cover Delineations

This study evaluated spaceborne radar and optical data independently and in combination for land use/cover mapping. Improved classification accuracy was obtained when these discrepant data sets were combined, often with the use of radar-derived measures such as texture. One of the three study sites had a merged sensor accuracy improvement of 18 percent over either sensor independently. Four different methods to combine the two sensor types were compared. The highest classification accuracies did not occur in all study sites with the same procedures for sensor integration. Generally, a procedure with a more equal weighting of the number of bands from each sensor was best, such as three of the Principal Components Analysis (PCA) bands from the optical data with radar texture measures.     

多时相MODIS影像土地覆盖分类比较研究

首先以黑龙江省多时相MODIS影像为试验数据,利用最大似然分类(MLC)、自组织神经网络(SONN)、支持向量机(SVM)以及决策树分类(DTC)等四种广泛使用的分类方法进行了土地覆盖遥感分类研究.并从分类精度、样本数量对分类器的影响、模型复杂度、参数的选择、分类速度等多个方面对4种分类方法进行了深入比较和分析.综合比较得出决策树分类法最优,而经典方法之一的最大似然分类法最稳定.进而将此二法推广到全国范围的土地覆盖分类试验中,并进行精度对比.本文所得出的结论将对于在类似的应用中如何选择合适的分类方法具有一定的参考价值.     

A Hybrid Approach for Land Use/Land Cover Classification

Atlanta has continuously changed its physical landscape as well as its socioeconomic appearance over the past decades. A hybrid image processing approach, which integrated unsupervised, supervised, and spectral mixture analysis (SMA) classification methods, was used to identify urban land use/land cover changes over a decade (from 1990 to 2000) in the Atlanta metropolitan area. During this process, SMA was proven to be an effective analytical approach for characterizing mixed feature areas, such as a metropolitan area. According to accuracy assessment, the classification results were acceptable.     

影像融合技术应用于地表分类之探讨

本论文尝试讨论两个主题：主题一为利用主成分分析PCA方法应用于像元阶层资料融合技术的研究。主题二为应用Dempster-Shafer evidence theory方法于特征阶层数据融合技术的研究。在第一个主题中，由于合成孔径雷达的数据具有全偏极特性，在此选取了对植被较为敏感的HV极化合成孔径雷达数据，与具有光谱特性的光学SPOT数据做数据融合处理以利接下来的地物分类。首先，本研究利用小波转换技术来滤除合成孔径雷达斑驳噪声，在接下来融合步骤中，主成分分析出来的第一部分（PCI）是用做完滤除噪声后的合成孔径雷达取代，在数据融合后，进行地物分类是采用最大似然法来分类融合影像。在第二个主题中，利用全偏极雷达数据的极化特性结合SPOT数据的光谱特性，其主要目的是为了增加分类的精确度。首先使用李式滤波器滤除全偏极雷达数据噪声，接下来同样是使用采用最大似然法来分类融合影像，（不同的在于全偏极雷达影像使用Wishart几率分布，在光学影像采用multivariate Gaussian几率分布）将每个类别中每个像元属于某个类别的几率值计算出来，再利用Dempster-Shafer evidence theory来结合这些类别的机率值。最后产生出一张新的分类影像。实验的结果显示分类的精确度比较于未融合的资料都有明显提升的效果，也证明了此两个数据融合方法对于不同数据特性的融合都是很成功的。     

川西高原土地利用／土地覆盖分类方法

针对川西高原地形地貌以及遥感图像特征等特点,以康定县为例,从影像的预处理到多光谱分类这一过程进行方法研究,引入DEM等辅助信息进行多分类器结合方法处理,分类效果有一定程度的提高,最后讨论了数据分类后处理的方法。     

Comparison and Integration of Radar and Optical Data for Land Use/Cover Mapping

Abstract

This study examined the complementarity of spaceborne radar and optical data for surface feature identification. RADARSAT data sets were assessed independently and in combination with Landsat Thematic Mapper (TM) multispectral data. The primary methodology was spectral signature extraction and the application of a statistical decision rule to classify the surface features for a site near Kericho, Kenya. Relative accuracy of the resultant classifications was established by digital integration and comparison to reference information derived from field visitation. Speckle filtering was a great improvement over the poor results achieved with the unfiltered, original radar data but still not adequate for accurate land cover classification. The extraction and use of Variance texture measures was found to be very advantageous. The overall results were not significant improvements over speckle removal (6% increase) but several individual classes, forest and urban, had excellent results with texture. Combinations of radar with Landsat TM greatly improved results, achieving near perfect classification of all individual classes. The highest overall accuracy was achieved with a merger that included the best individual texture image and six reflectance bands of the TM data. The systematic strategy of this study, determination of the best individual method before introducing the next procedure, was effective in managing a very complex, almost infinite set of analysis possibilities.     

模糊分类在邛崃地区土地利用分类中的应用

随着模糊理论的发展,将模糊分类方法运用于遥感图像土地利用分类是一个很好的选择,本文以邛崃地区2002年的Landsat ETM＋遥感图像为研究对象,基于ENVI软件将模糊分类和最大似然法监督分类的结果与检验数据进行比较,结果表明在一个受各种因素影响并具有模糊性的土地分类问题上（遥感图像的林地、耕地、园地地类识别）,模糊分类较传统的遥感图像分类方法有更好的效果。     

NDVI-Ts空间全国土地覆盖分类方法研究

利用NDVI-Ts空间进行全国土地覆盖分类的方法。该方法利用1995年NOAA 10天合成的ch4、ch5通道亮温，先计算出陆地表面温度(Ts)，然后用最大值合成法计算每月的最大Ts和NDVI，以每月最大Ts和NDVI建立NDVI-Ts空间。根据像素点(NDVI，Ts)在空间中的位置矢量，求出矢量在空间中的方向角度，并作归一化处理，得到温度植被角度(NTVA)。对12个月NTVA做主成分变换提取前三个主分量，辅以全年总NDVI和大于O℃ Ts积温，用模糊K-均值法进行全国土地覆盖分类。研究结果表明，基于NDVI-Ts空间的NTVA与NDVI、Ts一起作为分类特征在土地覆盖分类中具有较高的分类精度，能够取得较好的分类效果。     

多方法的地理国情地表覆盖分类研究

以重庆市永川区为试点,以0.5 m航片为主要数据源,采用基于影像分割辅以人机交互式解译、基于规则库的航片自动解译、全人工的人机交互式解译等多种方法,对地理国情普查的地表覆盖分类进行了研究,对深化完善普查内容和技术标准提出了有益建议。     

关于地表覆盖分类数据检查的思考

开展地理国情普查是从地理的角度全面摸清国情国力基本情况的迫切需要。第一次全国地理国情普查是一项开创性的工作,为确保普查成果质量,国务院普查办组织了6批次过程质量监督抽查,完成了对全国31个省级行政区300余家作业单位普查过程、成果种类与要素的全覆盖检查,在了解和掌握了生产过程质量情况的基础上,查找问题、分析原因,并提出了针对性的整改意见,对确保最终成果的质量提供了有力支持。     

极化干涉SAR数据地表土地类型分类

基于新疆和田地区1994年10月9日和10日SIR-C-L波段全极化雷达数据。首先对极化干涉测量的基本原理和数据处理流程进行了详细的阐述，接着，用Cloude相干最优算法得到了与3种地物散射机制相对应的3个最优相干图。并且就地物相干性对极化的强烈依赖和3种散射机制中地物的最优相干特性进行了分析，具有最高相干值的相位图在提取DEM方面较有利，具有最低相干值的相干图在地物识别方面较有利。最后，在对最优相干系数。后向散射系数和熵进行数据相关性分析基础上，利用得到的最优相干系数，熵和后向散射系数数据进行了土地类型的识别和分类，得到了很好的效果。     

多时相双极化合成孔径雷达干涉测量土地覆盖分类方法

综合采用时相、极化和干涉3种维度的SAR数据进行土地覆盖分类。以黑龙江省逊克县多时相ALOS PALSAR数据覆盖区为研究区,利用不同时相极化SAR、干涉SAR信号对地物特征的敏感性,结合后向散射强度和干涉相干的时变特征进行地物解译,发展了基于多时相、多极化、干涉SAR数据的SVM土地覆盖分类方法。研究结果表明,引入双极化SAR中不同极化(HH-HV)间的相干系数,并结合所选择的时相特征、极化特征以及干涉相干特征进行分类,可解决双极化SAR影像中林地与城市及建设用地的混分问题,得到更高精度的土地覆盖分类结果。     

地表覆盖分类数据的模糊综合评价

当前对测绘产品评价等级的界限划分过于刚性,并常因某一评价指标异常导致评价结果失真.本文以地表覆盖分类数据质量评价为例,分析总结质量要求,构建包括质量因素、权值系数在内的质量模型,引入多层次模糊综合评价方法,设计合理高效的隶属函数,并采用有效度相对指标、单值分布概率对评价结果进行评估.与采用GB/T 18316-2008...     

面向城市地物分类的L波段SAR影像极化特征提取与分析

针对ALOS PALSAR全极化数据提取了多种极化特征,分析其对人工地物、裸地、农田、林地、水体5种典型地物的提取能力。实验结果表明,利用全极化SAR影像提取的极化特征可以较好地区分城市典型地物类型,并且全极化数据的地物区分能力优于双极化数据。对于单一时相的数据分类结果而言,人工地物与其他非人工地物的极化特征差别最大,水体与林地也较容易区分,而裸地和农田容易混淆。     

QuickBird全色与多光谱数据融合方法用于土地覆盖分类中的比较研究

QuckBird提供的高分辨率卫星图像可以制作大比例尺城市土地覆盖分类图.图像融合可以充分利用全色图像的高空间分辨率和多光谱图像的光谱信息,提高目视和自动图像分类精度.在遥感领域应用较多的融合方法有IHS变换、主成分分析、颜色归一化和小波变换等多种方法,从光谱质量和图像分类两个方面进行比较研究,发现进行小波系数调整的小波变换融合方法光谱退化最小,土地覆盖分类精度最高.     

基于土地覆盖分类的植被覆盖率估算亚像元模型与应用

如何利用遥感资料估算植被覆盖率已成为建立全球及区域气候、生态模型的基础工作之一。重点探讨了利用TM资料从植被指数（NDVI）中提取植被覆盖率的方法。根据TM像元为非均一混合像元的特点,提出了基于土地覆盖分类的综合运用“等密度模型”和“非密度模型”计算植被覆盖率的方法,通过对北京市海淀市区的植被覆盖率计算表明,该方法的估算精度可达75.4%,比单纯使用等密度亚像元模型在估算精度上可提高5.8%。可以认为,该方法为大面积植被覆盖率估算提供了一种有效的途径。     

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。