地理国情普查地表覆盖数据分类方法研究

对三种常见的地理国情普查地表覆盖数据分类方法进行了试验比较,得出在遥感影像质量、基础地理信息数据、遥感样本和技术人员水平等不同的条件下,三种方法的适宜使用条件,对普查生产实际具有现实指导意义。     

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。     

朝阳地表覆盖分类数据采编技术研究与应用

论述了在朝阳地区地理国情普查任务中,地表覆盖分类数据生产内业的主要流程及技术方法。结合实际作业对地表覆盖分类数据的相关精度要求、采集原则和标准以及编辑的技术手段做出了较为详细的说明,提出了采编过程中影响成果精度的关键问题处理办法,为地理国情普查工作的顺利进行起到了指导作用。     

地表覆盖分类数据成果质量检查技术与方法

针对地理国情普查与监测项目地表覆盖分类成果质量检查的特殊性,结合验收检查工程实践提出了一套有针对性的成果质量检查技术流程与方法,归纳了成果采集精度、分类精度等关键的质量元素的检查要点、具体方法与典型质量问题,可为开展常态化地理国情监测成果质量检验提供技术参考。     

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...     

地理国情监测地表覆盖分类数据的质量控制

自2016年开始,地理国情工作的重心由普查转移到监测上来。地理国情监测地表覆盖分类数据成果的各项质量指标均比普查时更严格,如何更好地做好地表覆盖分类数据质量控制工作,直接影响监测数据成果的质量水平。本文结合山东省2019年度国情监测数据成果验收工作,对地表覆盖分类数据成果质量问题进行分析探讨,并对提高地表覆盖分类数据的质量水平提出建议。     

地理国情监测中地表覆盖分类体系研究

地理国情监测的基础是地表覆盖,但目前面向地表覆盖的分类系统大多局限于科学研究中,尚无相应的分类标准。因此,需要对相关资料与文献中有关地表覆盖的分类体系进行分析与研究,为建立具有实用性与适用性的地理国情监测地表覆盖分类体系及制定分类标准奠定理论基础。     

RADARSAT-2全极化SAR数据地表覆盖分类

全极化合成孔径雷达(SAR)能够测量每一观测目标的全散射矩阵,但地物分布的复杂性往往造成不同地物具有相似的后向散射信号特征,因而增加了地物信息提取的难度。文中基于北京地区的RADARSAT-2全极化雷达数据,在图像处理的特征分解的基础上,利用PolSARPro软件提取包含地物散射机理信息的各种极化参数,按H-α、A-α、H-A对全极化SAR影像进行基于散射机理的分类,继而将分类结果作为Wishart H/A/α、Wishart H/α的初始类别划分。最后,采用决策树分类算法对基于Wishart分布的监督分类及以上两种分类算法进行融合处理,从而实现地物的分类,并将分类结果与经典的分类算法进行对比分析,验证了文中方法的有效性。     

多时相全极化SAR数据融合方法与土地覆盖分类研究

结合多时相和全极化SAR数据在地表覆盖分类中的优势,通过融合多时相全极化SAR数据,降低雷达图像上斑点噪声的影响,开展土地覆盖分类研究。以贵州扎佐林场大约12 km×17 km的区域为研究区,使用6个不同时期的RADARSAT-2全极化数据进行地表覆盖分类研究。研究结果表明:不同地物的后向散射机制有很大区别,且对应的后向散射系数随时间的变化规律也各不相同;该方法能有效区分人工建筑、森林、农田和水体等地物,斑点噪声得到有效抑制,图像质量,特别是视觉效果大为改善。     

湖北省地表覆盖分类数据质量检查技术探讨

地表覆盖分类是地理国情普查成果数据的重要组成部分,同时也是统计分析的基本数据源。结合湖北省地理国情普查的特点及在实际检查工作中的经验,对地表覆盖分类信息采集成果质量检查的主要内容和方法进行了较全面的阐述,探讨了成果数据质检过程的关键环节和技术要点。     

ASAR数据与水稻作物模型同化制作水稻产量分布图

提出了利用雷达数据进行水稻估产的技术方法,并以ASAR数据为例,探讨了雷达数据在水稻估产中的可行性.首先利用ASAR数据进行水稻制图,从各时相ASAR数据中提取水稻后向散射系数.随后,基于像元尺度,采用同化方法,以LAI为结合点,将水稻作物模型ORYZA2000与半经验水稻后向散射模型结合,建立嵌套模型模拟水稻后向散射系数.选择水稻出苗期和播种密度为参数优化对象,利用全局优化算法SCE-UA对0RYZA2000模型重新初始化,使模拟的水稻后向散射系数值与实测值误差最小,并由优化后的ORYZA2000模型计算每个像元的水稻产量,生成水稻产量分布图.结果表明,水稻产量分布图能够描绘研究区水稻实际产量的分布趋势,但由于采用潜在生长条件模拟,模拟的水稻平均产量比实测平均值高约13%,验证点的水稻产量模拟值与实测值相对误差为11.2%.由于半经验水稻后向散射模型存在对LAI变化不够敏感和对水层的简化处理,增加了水稻估产的误差.但从总体上看,利用该方法进行区域水稻估产是可行的,并为多云多雨地区的水稻遥感监测提供了重要参考.     

Development of a modified neural network-based land cover classification system using automated data selector and multiresolution remotely sensed data

Integrating multiple images with artificial neural networks (ANN) improves classification accuracy. ANN performance is sensitive to training datasets. Complexity and errors compound when merging multiple data, pointing to needs for new techniques. Kohonen's self-organizing mapping (KSOM) neural network was adapted as an automated data selector (ADS) to replace manual training data processes. The multilayer perceptron (MLP) network was then trained using automatically extracted datasets and used for classification. Two hypotheses were tested: ADS adapted from the KSOM network provides adequate and reliable training datasets, improving MLP classification performance; and fusion of Landsat thematic mapper (TM) and SPOT images using the modified ANN approach increases accuracy. ADS adapted from the KSOM network improved training data quality and increased classification accuracy and efficiency. Fusion of compatible multiple data can improve performance if appropriate training datasets are collected. This proved to be a viable classification scheme particularly where acquiring sufficient and reliable training datasets is difficult.     

遥感图像土地覆盖分类中多源特征数据选择研究

多源特征数据可以提高遥感图像的分类精度,选择合适的特征数据十分重要。利用基尼指数对多尺度纹理信息、主成分变换前三分量、地形数据等特征进行选择,选出最佳特征子集。利用支持向量机、神经网络分类法、最大似然法分别对全部特征数据和最佳特征子集结合多光谱数据进行分类。实验结果表明:基尼指数可以有效地对多源特征数据进行选择,特征选择可以提高分类器效率,提高分类精度。     

面向对象的沿海地区土地利用/覆被信息提取研究

土地利用/覆被(LUC)可为土地资源领域相关研究提供基础数据.本文构建了面向对象的LUC分类方法,并以沿海特殊土地类型区连云港市为例,应用Landsat 8影像开展了实证研究。结果表明:①总体分类精度达到85.06%,总体Kappa系数为0.83,超过了0.7的最低允许判别精度;②该方法可以有效地减少研究区因南北部区域耕地植被覆盖度不同导致的错分现象,并可以用于盐田与滩涂信息的提取工作;③该方法既可为研究区土地利用相关研究提供符合精度要求的数据.也可为其他沿海地区进行土地利用/覆被信息提取工作提供参考和借鉴。     

Geospatial method for computing supplemental multi-decadal US coastal land use and land cover classification products,using Landsat data and C-CAP products

This paper discusses the development and implementation of a method that can be used with multi-decadal Landsat data for computing general coastal US land use and land cover (LULC) maps consisting of seven classes. With Mobile Bay, Alabama as the study region, the method that was applied to derive LULC products for nine dates across a 34-year time span. Classifications were computed and refined using decision rules in conjunction with unsupervised classification of Landsat data and Coastal Change and Analysis Program value-added products. Each classification’s overall accuracy was assessed by comparing stratified random locations to available high spatial resolution satellite and aerial imagery, field survey data and raw Landsat RGBs. Overall classification accuracies ranged from 83 to 91% with overall κ statistics ranging from 0.78 to 0.89. Accurate classifications were computed for all nine dates, yielding effective results regardless of season and Landsat sensor. This classification method provided useful map inputs for computing LULC change products.     

Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data

ABSTRACT

In recent years, the data science and remote sensing communities have started to align due to user-friendly programming tools, access to high-end consumer computing power, and the availability of free satellite data. In particular, publicly available data from the European Space Agency’s Sentinel missions have been used in various remote sensing applications. However, there is a lack of studies that utilize these data to assess the performance of machine learning algorithms in complex boreal landscapes. In this article, I compare the classification performance of four non-parametric algorithms: support vector machines (SVM), random forests (RF), extreme gradient boosting (Xgboost), and deep learning (DL). The study area chosen is a complex mixed-use landscape in south-central Sweden with eight land-cover and land-use (LCLU) classes. The satellite imagery used for the classification were multi-temporal scenes from Sentinel-2 covering spring, summer, autumn and winter conditions. Using stratified random sampling, each LCLU class was allocated 1477 samples, which were divided into training (70%) and evaluation (30%) subsets. Accuracy was assessed through metrics derived from an error matrix, but primarily overall accuracy was used in allocating algorithm hierarchy. A two-proportion Z-test was used to compare the proportions of correctly classified pixels of the algorithms and a McNemar’s chi-square test was used to compare class-wise predictions. The results show that the highest overall accuracy was produced by support vector machines (0.758 ± 0.017), closely followed by extreme gradient boosting (0.751 ± 0.017), random forests (0.739 ± 0.018), and finally deep learning (0.733 ± 0.0023). The Z-test comparison of classifiers showed that a third of algorithm pairings were statistically different. On a class-wise basis, McNemar’s test results showed that 62% of class-wise predictions were significant from one another at the 5% level or less. Variable importance metrics show that nearly half of the top twenty Sentinel-2 bands belonged to the red edge (25%) and shortwave infrared (23%) portions of the electromagnetic spectrum, and were dominated by scenes from spring (38%) and summer (40%). The results are discussed within the scope of recent studies involving machine learning and Sentinel-2 data and key knowledge gaps identified. The article concludes with recommendations for future research.     

条件随机场框架下基于随机森林的城市土地利用/覆盖遥感分类

针对"基于像素的条件随机场(conditional random fields,CRFs)模型能否在m级分辨率的多光谱遥感图像分类中表现良好"的问题,提出了集成图像的光谱、方向梯度直方图和多尺度多方向Texton纹理等多种线索的CRFs模型定义方法。利用上述特征,选择随机森林(random forests,RF)定义CRFs关联势函数;利用特征对比度加权的Potts函数定义CRFs交互势函数,并且建立了多标签的RF-CRFs模型;对该模型进行分项参数训练以及基于图割的α-膨胀算法推理;利用典型城区的Quick Bird多光谱图像进行模型的验证与精度评价。结果表明RF-CRFs模型的分类精度可达82.52%以上,比RF分类器的分类精度提高了3.35%。     

面向遥感影像智能分类的海量样本数据采集方法

以地理国情监测高分辨率遥感影像及高精度地表覆盖分类产品为数据源,提出了一种面向遥感影像智能分类、基于位置匹配技术的全国尺度海量样本数据采集方法。根据数据源特征,研究了县域采集数量权重设置、坐标投影转换、栅格灰度重采样、无效样本数据过滤、地表覆盖分类码映射、样本数据命名标识、特定地表覆盖类型样本数据采集等关键技术,构建了位置匹配的遥感影像数据与分类标签数据组成的样本数据对,开发了样本数据自动采集软件。利用该方法,以县级行政区划为单元,实现了全国尺度海量样本数据采集。选取其中5个县域的成果,评估了方法的实用性及运算性能。研究表明：该方法提升了生产全国尺度海量样本数据的计算响应速度;采集的样本数据能够满足遥感影像智能分类对样本源高质量、大规模的需求,提升了遥感影像分类与预测的准确度。     

不同时相遥感影像的土地利用分类精度分析

土地利用调查对遥感影像的获取有很强的时间性、季节性要求。本次研究选取研究区不同时相的SPOT5遥感影像进行计算机自动分类试验,结合野外实地调绘工作,统计分类精度,拟合分类误差与时相间的回归关系,推导相关回归函数,对遥感影像开展综合分析与评价,提高遥感数据在土地利用调查中的利用率。     

面向土地覆盖分类的OMIS I数据特征选择与提取

高光谱遥感以其携带的数据量显著增加为代价换取了纳米级的光谱分辨率,使得基于特征光谱信息的目标地物识别成为可能。但如何从大量带有冗余的数据中提取有用信息,是高光谱研究的一个极富挑战性的课题和其实用化的基础之所在。本文以江苏宜兴地区OMIS I数据为例在全面计算影像的统计特征(相关系数、均方差、最佳波段指数、信噪比等)的基础上,结合目视效果对波段集合进行初步缩减和分组;结合地面实测地物光谱详细分析不同地物光谱特性,进行面向土地覆盖易混类别的波段选择;最后总结了OMIS I数据特征选择与提取流程,相关实验证明应用该流程进行特征选择与提取,其后续分类精度较高。