基于天绘一号卫星影像的水体信息提取对比研究

针对天绘一号卫星高分辨率影像,采用面向对象分类方法对怀柔水库区域进行水体信息提取,在多尺度分割的基础上,统计地物的光谱信息、形状因子和亮度均值等,建立水体信息的特征集,充分利用高分辨率的特点提取水体信息,同时选取了参数相近的SPOT和RapidEye两幅国外高分影像进行对比研究,使用相同方法进行水体提取,对实验过程和结果进行了对比分析。针对提取结果,采用野外采样和矢量图分析两种方法综合进行精度评价,根据采样数据得到的精度分别为96.97%,95.45%,92.42%,分析实验结果的矢量图,其中天绘影像水体提取面积为5 537 412.5㎡,SPOT影像为5 398 225㎡,RapidEye影像为5 053 262.5㎡,对实际水域的面积覆盖分别达到了101.40%,98.85%,92.54%,天绘影像的整体精度较高,但在细节表现上较为模糊,主要误差来自于对湿地的误分。实验制定了适用于天绘影像的水体提取方法和规则,分析不同因素对分割与分类结果的影响,同时,我们比较了天绘影像与国外同级别高分影像的优劣性,为天绘影像的进一步应用提供了参考。     

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。     

航空与卫星影像数据多尺度分割对比研究

本文从遥感影像多尺度分割的角度分析了同一地区的航片与QuickBird、IKONOS等卫星数据的分割效果,讨论了不同地物和不同影像的最佳分割尺度,以增强对目标物的检测与识别能力,提高现有航空遥感数据及卫星影像数据应用的精度和效率,并对最终分类结果进行了比较。结果表明航片、QuickBird、IKONOS的最佳分割尺度分别为125、100、75,QuickBird的分类精度最高,航片和IKONOS的分类精度次之。因此可认为,航片在实际应用中,可以代替高分辨率卫星影像。     

基于HJ-1A/B CCD数据的河南省平原绿化分析

平原绿化在未来农林发展中具有重要地位。本文利用环境卫星(HJ-1 A/B)多时相数据,选择河南省6月冬小麦收割后的CCD数据,直接去除第二季作物,并利用4月份第一季作物播种前的CCD数据,剔除了一季作物,以及[(NDVI_4月≥0.22)与(NDVI_6月≥0.35)]提取平原绿化的信息,其与26个主要城市城区绿化信息进行的相关分析达到显著水平(R²=0.9166)。因此,该区的平原绿化解译效果好,而南部信阳市以一季水稻为主的地区及“水稻-冬小麦”过渡区,解译效果较差。除信阳外,由HJ-1卫星解译的河南平原绿化总面积6909.8 km²,占2010年河南省森林面积20.53%。     

一种面向对象的水体变化检测方法研究

水体信息是地理国情普查体系是重要内容之一,基于高分辨率遥感影像的有效提取,对于掌握我国的水体现状和空间分布情况具有重要意义。基于传统遥感提取地物方法的局限性,文章结合高分辨率影像所包含的空间结构信息,提出一种面向对象的水体变化检测方法。通过实验认证,认为该方法有效可行。     

面向对象的煤矸石堆场SPOT-5影像识别

煤矸石是一种在成煤过程中与煤层伴生的黑灰色固体废弃物,不仅会污染环境,而且会严重损害附近居民的身体健康,目前已经成为矿区生态环境的主要影响源之一。因此,实时、准确、快速地获取煤矸石堆场的位置、形状和面积等信息,对于环境监测与管理具有重要的意义。本文以内蒙古鄂尔多斯市东胜区为试验区,将试验区内的典型地物分为：植被、水体、阴影、裸地、建筑、道路、排土排矸场、露天煤矸石堆场、堆煤场及煤渣、采煤坑和其他共11类。本文采用SPOT-5高分辨率遥感影像,面向对象提取研究区内的煤矸石堆场信息,并进行识别精度评价,精度达到89.47%。将面向对象的分类结果与最大似然分类方法的分类结果进行比较,结果表明,面向对象的提取方法可更好地应用于煤矸石堆场信息的自动提取,大幅度提高精度和效率。     

GF-1影像地物最优分割尺度确定方法与评价

GF-1卫星是中国高分辨率对地观测系统的第一颗卫星,在土地利用变更调查、土地利用动态监测等方面发挥重要作用。在面向对象的信息提取研究中,传统最优分割尺度方法得到的往往是某一个确定数值。以GF-1影像为实验影像,分别利用均值方差法、最大面积法、面积比均值法等方法,对影像常见地物进行最优分割尺度研究,得到最优分割尺度区间,采用eCognition软件ESP工具进行分割结果评价,在这个区间都能得到较好的分割效果。     

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。     

面向自然资源调查的红树林精细化智能提取方法研究

红树林信息精细化智能提取是自然资源调查监测工作中亟待解决的关键技术。当前,红树林提取工作主要依靠人工目视解译,提取效率不高、精度较差。本文提出一种面向自然资源调查的红树林精细化智能提取方法,首先基于海量多源高分辨率遥感影像,结合多尺度优化分割技术,半自动化构建海量红树林样本集;然后结合语义分割网络,引入双注意力机制,优化训练策略,研发红树林自动化提取算法模型,经过后处理得到精细、完整的红树林提取结果。经过实验验证,本文方法提取可识别单颗红树林,有效区分易混淆的其他植被和水田要素,总精度高于90%,可有效应用于红树林专题信息的提取工作。     

面向对象的高空间分辨率遥感影像道路信息的提取

遥感影像的道路信息提取是构建及更新地理空间数据库的一个重要组成部分。针对高空间分辨率遥感影像丰富的地物细节信息和突出的结构、纹理信息的特点,采用一种面向对象技术,实现了高空间分辨率影像道路信息提取。首先,利用面向对象的影像分割技术得到道路均值对象,然后挖掘高空间分辨率遥感影像中描述道路的光谱特征、几何特征及纹理特征,构建道路对象的知识库,实现了城郊重要道路信息的提取。与最大似然法相比,提取结果充分利用道路形状和纹理信息,能克服光谱特征的噪声现象,提取道路准确率高,为高空间分辨率遥感影像道路信息提取提供了一种新的途径。     

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。     

基于垂直带谱的太白山区山地植被遥感信息提取

遥感数据因其全覆盖的优势被广泛应用于山地植被信息的调查和研究。为了实现山区植被类型的高精度提取,本文以太白山区为实验区,结合山地植被的垂直地带性分布规律,利用太白山植被垂直带谱、高分辨率遥感影像（GF1/GF2/ZY3）和1:1万的数字表面模型（Digital Surface Model, DSM）数据,进行了多层次、多尺度的影像分割,构建了具有植被垂直带谱信息的地形约束因子,并据此进行样本选择和面向对象的分类,分类总精度达92.9%,kappa系数达到0.9160。该方法相比于未辅以垂直带谱信息的分类,总精度提高了10%。研究结果表明,分类过程中加入具有垂直带谱信息的地形约束因子,能显著地提高样本选择的效率和准确率,为后续的植被分类提供了精度的保证。通过人机交互的方式,将垂直带谱知识应用到分类中,可以有效地提高山地植被分类的精度。     

LSTM支持下时序Sentinel-1A数据的太白山区植被制图

植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明：① 与传统机器学习方法（如RF、SVM）相比,本文提出的深度循环网络方法的分类精度提高10%以上;② 在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③ 使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路。     

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。