基于Sentinel-1B SAR数据的农作物分类方法研究

以欧空局免费资源哨兵1号(Sentinel-1B)时间序列数据为基础,利用不同农作物的后向反射系数——时间序列特征建立随机森林分类器,进行旱地作物分类,探索雷达遥感监测旱地农作物结构的可行性和实用性。研究结果表明:在三江平原地区利用多时相VV极化雷达数据可以区分玉米和大豆作物,分类精度介于65%—68%之间,利用本研究方法可以掌握农作物种植结构分布概况。     

基于多时相多极化差值图的稻田识别研究

提出了一种基于多时相多极化差值图的稻田识别方法,该方法在简化稻田识别算法的同时,仍具有较好的稻田识别精度.以江西省高安地区的早稻识别为例,利用两景ENVISA ASAR交叉极化模式数据(VV/HH)计算了同时相多极化差值图和同极化多时相差值图.由于稻田含有水层和水稻的垂直株型等属性特征,稻田在两时相上VV极化和HH极化后向散射差异都很大,且与其他地物具有明显差别,因此利用同时相多极化差值图可以很好地分辨出稻田来;从时间变化看,HH极化雷达波对水稻生长和稻田的变化比对其他地物的变化更敏感,使稻田分布信息在HH极化多时相差值图中反应突出.而VV极化对地物的时相变化不够敏感.因此,建立最优差值图组合,分别采用阈值分类方法和监督分类方法对差值图组合进行分类提取稻田.通过比较分类结果,认为基于统计分析的监督分类方法更好,其稻田识别的精度达到84.92%.文章最后对提出的稻田识别方法及分类结果进行了分析.     

基于随机森林特征优选的冬小麦分类方法

本文基于多时相Landsat 8 OLI数据,进行综合光谱、植被指数的特征提取与特征选择的方法研究。通过分析光谱与植被指数特征时序变化,提取最佳时相光谱,构建小麦提取特征;采用基于重要性与Pearson相关性的随机森林特征选择算法优选特征。结果表明:利用优选特征分类时,总体精度为89.78%,小麦分类精度为98.33%;与优选前特征的分类结果相比,精度分别提高了2.96%、2.55%;基于重要性与Pearson相关性的随机森林特征选择提高了分类精度和分类器工作效率。     

Landsat-8多时相遥感影像亚热带森林分类

森林类型遥感影像自动制图在森林资源调查中有重要应用,本文以广西壮族自治区金秀县为研究区,基于多时相的Landsat-8数据,采用面向对象的决策树分类方法,对研究区森林类型自动识别进行了研究,分类结果表明:1)单一时相影像森林分类精度中,生长季前期最高,生长季末期次之,非生长季最冷月最低;2)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高。     

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。     

综合多特征的Landsat 8时序遥感图像棉花分类方法

传统的多时相遥感图像分类大多拘泥于单一特征,本文基于多时相的Landsat 8遥感数据,开展了综合多特征的特征提取与特征选择方法研究。综合了NDVI时间序列、最佳时相反射率光谱特征以及纹理特征作为初始分类特征,并采用基于属性重要度的粗糙集特征选择算法对其进行特征约简。分类结果表明:(1)利用初始分类特征,分类的总体精度达到92.81%,棉花提取精度达87.4%,与仅利用NDVI时间序列相比,精度分别提高5.53%和5.05%;(2)利用粗糙集选择后的特征分类,分类总体精度可达93.66%,棉花分类精度达92.73%,与初始分类特征提取结果相比,棉花分类精度提高5.33%。基于属性重要度的粗糙集特征选择不仅提高了分类精度,同时有效降低了分类器的计算复杂度。     

Sentinel-1时序后向散射特征的海岸带盐沼植被分类——以长江口为例

盐沼是中高纬度海岸带区域生产力极高的生态系统,不同种类盐沼植被提供的生态服务功能具有明显差异。围垦、互花米草入侵、海平面上升等人类活动和自然要素复合作用,导致中国海岸带盐沼植被结构和空间分布快速变化。现有光学遥感方法在海岸带区域受潮汐、云雾干扰严重;高光谱、LiDAR等数据方法难以大范围高时效获取盐沼植被信息。本文以长江河口为研究区域,提出了基于植被物候期多时相雷达后向散射特征优选的海岸带盐沼植被分类方法。采用Sentinel-1雷达数据,分析盐沼、潮间森林沼泽、光滩和水体的雷达后向散射全年时序特征。结合盐沼植被物候特点,基于分离阈值法计算典型盐沼植被月际后向散射特征间分离度。根据最优时序雷达分类特征,采用随机森林方法获取盐沼植被种类、结构和空间分布。结果表明：（1）全年VH极化后向散射均值能较好将水体、光滩、潮间森林沼泽与盐沼区分。（2）4月VV极化、11月VH极化与3月VV极化后向散射均值分别为海三棱藨草/藨草、互花米草与芦苇的最优分类特征。（3）基于年际和月际时序雷达最优特征和随机森林分类算法获得的盐沼植被总体分类精度达到85%,Kappa系数为0.80。相较光学遥感,雷达遥感影像可有效获取盐沼植被年际、月际时序雷达后向散射特征,准确得到海岸带盐沼植被空间动态,在海岸带研究中具有较好的应用潜力,可为海岸带生物多样性保护、湿地生态系统功能提升与生态环境管理等提供重要技术手段和数据支撑。     

利用多时相雷达数据进行多云多雨地区的土地利用分类研究

光学遥感数据在多云多雨地区应用受到限制,而具有全天候、全天时的雷达数据在该类地区具有广阔的应用前景。本文采用3期ALOS PALSAR雷达数据对广东省东莞市进行土地利用分类研究。研究结果表明,多时相雷达数据相比单时相雷达数据可以提高土地利用分类精度;剔除土地利用变化信息、融合多时相雷达数据、选择合适的解译标志是多时相雷达数据进行土地利用分类的关键步骤。     

基于多时相Landsat-8的森林生态系统树种精细分类

实时、准确地获取森林生态系统树种类型对森林资源调查与监测有重要意义.本文以吉林省抚松县为中心研究区,利用不同时相Landsat-8影像,讨论森林生态系统各地类在不同时相上光谱特征的差异,结合多时相影像的互补信息并使用支撑向量机(support vector machine,SVM)分类方法对森林树种类型进行分类.结果表明,总体分类精度达到73.67％,Kappa系数为0.65,可以满足实际应用需求.     

兼容多源数据的森林湿地信息提取和比较分析

针对以光谱特征差异为依据,提取森林湿地信息精度低的问题,该文采用兼容多源数据的分类回归树(CART)提取方法,并以大沾河国家森林湿地进行实证研究。基于Landsat8遥感数据、Radarsat-2极化雷达数据和地形辅助数据,采用SPM软件分别构建3种特征变量组合的CART决策树模型,并获取分类规则,最后根据规则对研究区的森林湿地信息进行提取。结果表明:3种特征变量组合中,兼容光谱、纹理、雷达与地形辅助数据的CART决策树的森林湿地信息提取精度最高,用户精度和制图精度分别达到了88.46%和82.14%。研究结果体现了雷达数据与地形辅助数据有助于提取森林湿地信息。     

基于Sentinel-1A数据的临高县早稻面积提取

为了探讨双极化Sentinel-1A雷达影像数据识别提取早稻面积分布信息的能力,在分析典型地物后向散射系数的基础上,沿用极化差分合成孔径雷达(synthetic aperture Radar,SAR)图像和极化比值SAR图像对典型地物分类有着重要作用的思路,提出水体归一化参数,随后采用支持向量机(support vector machine,SVM)分类方法和阈值分类方法选取单时相、多时相水体归一化极化SAR数据(2017年3月10日、3月22日、4月3日、4月15日、4月27日)提取早稻面积。结果表明,阈值分类方法优于SVM分类方法,其总体精度为89.01%,Kappa系数为0.823 1,早稻的制图精度和用户精度分别为92.68%和82.26%;种植面积为1.29万hm~2,与临高县主要的早稻生产基地在空间分布上基本一致。由此可得,多参数的极化SAR数据可以提高识别提取地物的精度,提取早稻面积的最佳监测数据为多时相水体归一化VH极化SAR数据。     

基于目标时域散射特性的土地覆盖类型分类研究

目标散射特性随时间变化的规律称之为目标时域散射特性。目标时域散射特征是利用多时相雷达遥感图像进行目标识别的基础。本研究以广东肇庆为试验区,利用多时相单参数雷达图像进行土地覆盖类型分类研究,分析了试验区内典型植被的结构、形态及其散射机理等特征,总结了各类目标的时域散射特性,区分识别了多种目标,制作了土地覆盖类型分类图.     

水稻时域散射特征分析及其应用研究

通过对肇庆试验区1996年和1997年获取的多时相、多模式雷达卫星（RADARSAT）数据分析,从图像上直接提取地物的后向散射系数,结合实地测量水稻的生长结构参数,建立了水稻生长模型,分析了不同生长周期（从80天到120－125天）4种类型水稻的时域散射特性。利用1997年4月至7月获取的7景标准模式雷达卫星数据,对试验区内三个县和两个行政区共5000km^2面积范围内的作物进行分类和水稻产量预估算,水稻类型分类及面积量算精度达91％。结果表明：利用雷达遥感数据进行水稻种植面积量算和估产需要水稻生长期间三个时相的数据,即插秧期、抽穗期、收割前期。若能够获得多参数雷达图像,可以用插秧期和收割前期的两个时相图像来代替上述的三个时相图像同样可以达到种植面积量算和估产的效果。这一结果充分说明多时相雷达卫星数据对我国南方水稻长势监测及估产具有明显优势和潜力。     

水稻时域散射特征分析及其应用研究

通过对肇庆试验区1996年和1997年获取的多时相、多模式雷达卫星（RADARSAT）数据分析，从图像上直接提取地物的后向散射系数，结合实地测量水稻的生长结构参数，建立了水稻生长模型，分析了不同生长周期（从80天到120－125天）4种类型水稻的时域散射特性。利用1997年4月至7月获取的7景标准模式雷达卫星数据，对试验区内三个县和两个行政区共5000km^2面积范围内的作物进行分类和水稻产量预估算，水稻类型分类及面积量算精度达91％。结果表明：利用雷达遥感数据进行水稻种植面积量算和估产需要水稻生长期间三个时相的数据，即插秧期、抽穗期、收割前期。若能够获得多参数雷达图像，可以用插秧期和收割前期的两个时相图像来代替上述的三个时相图像同样可以达到种植面积量算和估产的效果。这一结果充分说明多时相雷达卫星数据对我国南方水稻长势监测及估产具有明显优势和潜力。     

多时相组合分类法在土地利用动态监测中的应用

介绍了土地利用遥感动态监测的基本概念，简述了遥感土地利用变化信息提取等遥感监测方法．重点探讨了多时相组合分类方法的相关技术。对广西2002年和2003年两个时相的MODIS数据．采用多时相直接分类法对土地利用变化状况进行了遥感动态监测。对不同方式波段组合的试验表明。经过差值、比值处理的波段组合具有较差的试验效果(总体精度只有30％～40％)，而经过PCA变换的波段组合则具有相对较好的试验效果(总体精度超过70％)。     

基于CASE推理的多时相星载SAR影像分类

提出了一种基于案例(CASE)推理的多时相SAR影像分类方法.选用北京地区2000年(4景)和2004年(3景)的多时相Radarsat-1 SAR影像及相应地理基础分类图作为数据进行实验,结果表明,该方法能得到较好的SAR影像分类结果.分类总体精度可望达到85%.     

结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法

针对多时相遥感影像变化检测存在数据不确定性、检测精度不高等问题,提出了一种结合变化向量分析（CVA）和直觉模糊C均值聚类算法（IFCM）的多时相遥感影像变化检测方法. 首先通过CVA构建两个时相遥感影像的差异影像;然后采用直觉模糊C均值聚类算法对差异影像进行聚类得出变化区域和未变化区域;最后对变化检测结果进行二值化处理并进行精度评价. 选取两个时相的高分一号遥感影像和Szada数据集影像作为实验数据. 实验结果表明,采用提出的方法可有效解决传统方法存在的数据不确定性问题,变化检测精度达到了95.92%和92.70%,是一种可行的遥感影像变化检测方法. 研究结果可用于森林动态变化监测、土地复垦利用规划变化分析以及灾损评估.      

雷达遥感图像分类新技术发展研究

总结了雷达遥感图像分类技术的发展过程,指出新的分类技术正朝着采用新特征(如雷达极化信息与干涉信息、多参数极化干涉信息、多时相信息、DEM与地理信息等),应用新理论(如小波理论、分形理论、模糊理论),设计新算法(如改进的最大似然法、上下文分类法、改进的神经网络分类算法等)的方向发展.     

基于随机森林特征选择的森林类型分类

以八面通林业局林场为研究区,选取多时相高分一号WFV影像,提取遥感特征构建多时相特征集合,根据归一化特征重要性排序选出最优特征子集,用随机森林法实现森林类型分类。结果表明:多时相影像的总精度较单时相影像提高了7.95%-15.13%;除纹理特征外,光谱特征结合其他类型特征的分类精度均高于光谱特征分类;基于随机森林特征选择的分类精度最高,利用24个特征进行分类时,分类精度达到83.97%,Kappa系数为0.7749,说明特征选择可降低数据冗余提高精度。     

GF-6影像应用于林地与非林地识别的潜力分析

为研究我国首颗携带红边波段的高分六影像（GF-6）在林地与非林地上的识别贡献,本文选择复杂林地类型的安徽省黄山市作为研究区,采用特征优选（RFE）与随机森林（RF）相结合的方法开展了林地与非林地识别潜力研究。首先根据实地调查、Google Earth影像及林地"一张图"样本数据构建了样本库;然后基于DEM、多时相光谱特征、植被指数、红边指数等特征开展分类,并比较不同模型精度及不同变量的重要度。结果表明：GF-6红边信息对林地非林地识别较为重要,引入红边信息可将总体分类精度提升2%,其他新增波段及地形特征对林地与非林地识别贡献并不明显;多时相数据的运用相比单时相数据可整体提高林地类型的分类精度2.93%~4.1%,单时相分类结果6月最好,9月次之,12月最差;特征优选可以有效减少数据输入维数（46到15）,并取得最高分类精度,在不牺牲精度的同时保证了运算数据量的减少且明确了不同变量的贡献,具有较强的应用意义。