主成分监督分类及其在水质特征遥感图像识别中的应用

建立了一种水域水质状况图像识别的主成分监督分类方法。首先通过TM水域图像数据的主成分分析，将原有各波段图像的显著且独立的信息集中在数目尽可能少的合成图像中；再依据不同类型水体的光谱特性，分析各主成分图像的构成及其环境生态学含义，由此对整个研究区域内存在的不同标志类型及其分布特征有所了解；在此基础上，选定训练样本集，从而根据具有清楚的环境生态意义的标志类型，应用监督法得到较好的识别分类结果。分析表明，这一方法采用主成分分析确定标志类型，无需大量的现场调查，因而具有非监督聚类成本低的优点，分类结果则优于非监督法，且各类型的生态意义明显，分布特征与环境因子相互吻合，是水域水质环境图像识别的有效而实用的方法。     

太湖水质的动态变化及影响因子的多元分析

利用１９９１～１９９２年监测资料,分析了太湖梅梁湾和局面西太湖水域水质的动态变化。用主成分分析方法揭示出各因子间的相互关系。结果表明,水质主要因子有明显的时空变化特征,沿南北方向从湾内向湾外,ＴＰ、ＴＮ、ＣＯＤ、Ｃｈｌ－ａ和电导率明显递减,且ＴＰ和ＴＮ含量季节变化,冬季高于夏季,梁溪河口更是如此,Ｃｈｌ－ａ含量与ＴＰ、ＴＮ含量密切相关,其变化基本与水温同步,时间上略后滞。主成分分析说明,ＴＰ、ＴＮ     

基于主成分分析的多能谱CT图像分析方法研究

基于光子计数探测器的能谱CT,可以同时采集多个能谱通道的投影数据,并获得相应能量范围内物质的吸收特征,可以有效应用于物质识别与材料分解。主成分分析是一种很好的多元数据分析技术,可以用于处理多能谱CT数据。本文分别在投影域和图像域对能谱CT数据进行主成分分析,并对分析结果做出系统比较。为了减少噪声的影响,提高能谱CT图像的彩色表征性能,提出双域滤波与像素值平方相结合的方法,用于含噪声的主成分图像去噪,然后将所选取的主成分图像映射到RGB颜色通道。实验结果表明,无论是在投影域还是图像域进行主成分分析,都可以获取清晰的CT图像,识别出物质的不同成分。相较于在图像域的主成分分析方法,在投影域进行主成分分析能够保留物质的更多细节,获取更清晰的彩色CT图像。      

浙江瓯江开潭水库库区浮游植物与水质的关系

通过2001年7月-2002年6月对瓯江开潭水库库区水体浮游植物的调查,以及对溶解氧和叶绿素a等理化指标的逐月测定,结果表明：该水域共有浮游植物7门40属82种(包括变种),其中以绿藻门和硅藻门的种类占优势,浮游植物的群落类型为绿藻型和硅藻型为主,种类和数量随季节和水域不同而呈现差异,水体营养特征为浮游植物响应型,水体向中营养化发展趋势明显,部分水体受到不同程度污染．     

基于稀疏成分分析的遥感影像分类

遥感影像分类一直是遥感研究的重点、难点和热点之一.针对经典的主成分分析法在不同地物的光谱存在重叠相关时,分类效果欠佳的缺陷,提出一种基于稀疏成分分析的遥感影像分类法.该方法利用稀疏性提取源信号,不要求源成分之间互不相关.实验结果表明,与主成分分析方法相比,基于稀疏成分分析的分类结果更可靠、更准确.     

邛海入湖河流水质及其湖区响应特征(2011—2021年)

邛海是云贵高原水域面积>25 km²的11个天然湖泊之一。基于邛海入湖河流与湖区水质监测数据,揭示入湖河流水质特征,并探究其湖区响应。结果表明:2021年,邛海入湖河流水质空间异质性显著,且分为自然型、农业型和城镇型3种类型河流。官坝河等3条自然型河流水质优良,而高仓河等8条城镇型和农业型河流(R4～R11)水质较差,污染物浓度超标严重。2011—2021年,邛海主要入湖河流(官坝河、鹅掌河、小青河)的营养盐浓度呈下降或先增加后下降趋势,水质逐渐改善。流域土地利用变化是导致邛海入湖河流水质空间异质性的主要因素,同时也是河流水质在2011—2021年改善的原因之一。受湖泊水文环境与入湖河流污染类型影响,2017—2021年邛海湖区水环境及其与河流水质响应关系差异性明显:高枧湾水域(L5)水深浅、水环境容量小,主要受纳城镇污水,因而湖区营养盐与叶绿素a浓度高,在2021年达富营养状态;官坝河、鹅掌河与小青河入湖影响区(L1～L3)与小渔村(L4)水域湖水深、水环境容量大,污染物浓度与营养状态指数低,但因汇入的河流污染类型不同,湖区营养水平与河流水质响应存在季节性...     

主成分分析及地震活动参数的约简

选择从不同侧面反映地震活动时、空、强特征的地震频次N(MLge;3.0)、b值、eta;值、A(b)值、Mf值、Ac值、C值和D值8个参量进行主成分分析. 通过主成分分析方法可以得到反映地震活动时、空、强异常特征的综合指标W. 通常这8个参量之间具有一定的相关性,各参量在不同时段的变化各有所异,预报效果并不理想. 但是综合指标W在华北13次5.8级以上地震前出现明显的异常变化. 表明综合指标W可以较好地反映地震活动时、空、强异常特征. 本文还对主成分分析所得结论的有关问题进行了讨论.      

综合ULBP与Gabor纹理特征的SAR影像建筑区提取方法研究

建筑区提取对于地震灾情快速评估和地震灾害风险识别至关重要,合成孔径雷达（SAR）影像的纹理特征研究可在建筑区提取方面发挥重要作用。利用全极化SAR影像,提出综合使用ULBP纹理特征和Gabor纹理特征的建筑区提取方法。在SAR数据预处理的基础上,首先对基于Gabor滤波的纹理特征影像进行主成分分析,保留前2个最优主成分纹理特征影像;然后与ULBP纹理特征进行波段组合;最后利用支持向量机监督分类方法对组合后的影像进行分类,获得建筑区。研究结果表明,综合使用ULBP纹理特征和Gabor纹理特征可得到更高的建筑区提取精度,总体分类精度达90%,Kappa系数为0.78。     

云贵高原湖泊水质现状及演变

利用2008年云贵高原13个湖泊丰水期的全面水质调查数据,系统分析云贵高原湖泊水质现状,通过与历史资料对比,揭示20年来的水质变化,并分析水质变化的原因.同时利用主成分分析将23个水质参数概括为6个主要成分,除程海外所有湖泊水质均与第一主成分密切相关.人类活动影响下的水体富营养化、有机污染以及农业面源污染等是除程海外湖泊污染的主要驱动因子,程海水质变化主要受水体的矿化度增加所驱动.另外,根据各主成分得分,本文也对13个湖泊水质进行了综合评价,并在评价的基础上就湖泊的保护和治理提出建议.     

基于主成分分析方法的海量地震数据属性降维优化

针对传统的地震数据属性降维优化方法所选取的地震数据属性特征贡献率低导致降维过程计算量大、CPU占用率高等问题,提出一种基于主成分分析的海量地震数据属性降维优化方法。首先根据地震样本特征建立地震数据特征矩阵,把矩阵中的特征进行聚类,运用降序法排列聚类结果,选取前几项数据作为地震数据属性特征选取结果,对其结果评估分类信息量;通过特征积分准则(FSC)修正分类信息量,获取海量地震数据属性特征节点;运用主成分分析方法对地震数据属性特征节点主成分添加标签,确定Fisher判别分析与PCA可变动选择不确定关系,建立半监督降维的全局最优化形式,运用特征值分解计算降维结果,克服海量地震数据属性降维过程中的过拟合问题,融合主成分分析算法与Fisher判别分析算法实现海量地震数据属性降维优化。实验结果证明,所提方法选取的属性特征精度及贡献率较高,降维过程中CPU占用率较低。     

遥感影像的分类评价及可视化分析——以平顶山市平煤矿区附近区域为例

选取平顶山平煤矿区附近区域作为研究区,使用无人机进行拍摄,以获悉矿区周边地物种类,补充辅助决策中的居民地、道路等信息,重点研究遥感影像的分析处理.为实现遥感影像分类并增强可视化效果,以无人机影像为源图像,分别采用无人机正射影像的主流处理软件Photoscan和Pix4d,完成图像的预处理及拼接,发现利用Pix4d软件进...     

基于深度学习网络的地震地质灾害识别研究

遥感影像识别方法是破坏性地震震后地质灾害快速、准确获取的重要方法之一,传统的遥感影像识别方法主要以人工目视识别方法和半自动识别方法为主,需投入大量的人力和时间。针对破坏性地震震后地质灾害解译时间长、投入人力多等问题,以2017年8月8日四川九寨沟7.0级地震震后高分辨率无人机遥感影像为研究样本,提出基于深度学习网络的地震地质灾害识别方法。首先结合震后遥感影像解译资料和现场调查资料,提取九寨沟地震地质灾害无人机遥感影像特征,并构建研究区地震地质灾害解译指标和分类数据集;然后采用DeepLabv3+网络结构及softmax损失函数,建立基于深度学习网络的地震地质灾害遥感影像图像语义分割模型方法;最后采用半监督学习方法进行结果验证。研究结果表明,基于深度学习网络的地震地质灾害识别方法可有效识别九寨沟地震地质灾害分布信息,整体分类识别准确率为94.22%,F₁分数值为0.77,结果具有较好的一致性和准确性,可提升地震现场灾情获取和重点地震隐患识别等工作效率及服务能力。     

基于遥感影像光谱与纹理分析的地物分类——以长白山天池火山地区为例

利用遥感影像的光谱分析和纹理分析技术,研究了长白山天池火山地区IKONOS影像的光谱特征以及纹理特征。对照野外实际调查结果,选取了8种训练样本类别,首先使用波谱角技术(SAM)和最大似然法进行分类,并通过混淆矩阵评价分类结果;然后,引入了ENVI的二阶概率矩阵法的纹理分析,利用差异性(Dissimilarity)纹理特征图对地物建立了纹理解译标志;最后,通过光谱和纹理结合的方法得出了最终的分类结果,使得分类精度得到了很大提高。以研究区广泛分布的浮岩为例,确定了浮岩的分布范围和相对厚度分布,分析了不同厚度浮岩的地形特征     

利用遥感图像对震损建筑结构变形检测的识别研究

为识别震后建筑变形损坏状况,提出震损建筑结构变形检测的遥感图像识别分析方法。利用无人机采集震灾区域的遥感图像,将建筑结构变形检测问题转变为构件间坐标测量问题,提取所采集遥感图像中样本矢量点,将其划分为不同种类区域,在此基础上对图像进行聚类分割,以获得震后图像的不同类别建筑结构特征,实现识别不同样本矢量点的地震受灾情况。通过实验分析发现,所提出的图像识别分析方法在一定程度上可以识别出损毁建筑物,但仍需要进一步研究,以提高其识别精度。     

基于梯度变换的浅水湖泊围网区遥感提取算法

获取并掌握浅水湖泊围网养殖区域的时空分布信息对合理规划围网养殖进而提升湖泊水质具有重要意义.本文以长江下游典型的围网养殖浅水湖泊——阳澄湖作为研究区,利用资源三号(ZY-3)高分遥感影像,针对围网区与非围网区的光谱空间变化特征,采用梯度变换方法,尝试提出一种浅水湖泊围网区的遥感提取算法;并以人工解译结果作为参考,对提取结果进行验证.研究结果发现该算法对浅水湖泊围网养殖区的提取精度为90.66%,可进一步用于开展长时序的浅水湖泊围网区动态变化研究,进而为湖泊环境的政府部门制定湖泊水质提升和围网区合理规划政策提供决策依据.     

基于遥感影像纹理信息的湖泊围网养殖区提取

中国东部许多湖泊被人为围网养殖开发,高密度的围网养殖区较容易导致湖泊富营养化和水质恶化,因此人们利用遥感数据开展了湖泊围网养殖区的调查研究．对于湖泊围网养殖区的提取大多采用多光谱分类或目视解译手工数字化,多光谱分类围网养殖区和自然水体易于混淆,而手工数字化对于大区域提取工作量比较大.论文提出了基于遥感影像纹理信息的湖泊围网养殖区提取方法,事实证明此方法易于实现且提取精度高．该文选用中巴资源卫星02星多光谱数据,以白马湖为试验区,首先采用归一化差值植被指数提取水体及少部分光谱特征与之相似的人工建筑物和裸土,再采用主成份分析对研究区影像进行数据压缩和几何信息增强,利用灰度共生矩阵对影像纹理信息进行分析,以均值为量化指标,确定其最佳阈值,最后以决策树分类方法提取湖泊围网养殖区．     

A classification method of building structures based on multi-feature fusion of UAV remote sensing images

In order to improve the accuracy of building structure identification using remote sensing images, a building structure classification method based on multi-feature fusion of UAV remote sensing image is proposed in this paper. Three identification approaches of remote sensing images are integrated in this method: object-oriented, texture feature, and digital elevation based on DSM and DEM. So RGB threshold classification method is used to classify the identification results. The accuracy of building structure classification based on each feature and the multi-feature fusion are compared and analyzed. The results show that the building structure classification method is feasible and can accurately identify the structures in large-area remote sensing images.     

基于随机森林模型的太湖水生植被遥感信息提取

水生植被作为太湖湿地的重要组分,其数量和范围变化影响着湖泊生态系统的平衡,故利用遥感技术对水生植被的空间分布开展研究有助于太湖湿地生态系统的保护.以Landsat 8多光谱遥感影像为主要数据源,利用光谱指数和图像变换方法构建多个特征变量,结合随机森林(RF)模型,提取太湖水生植被的空间分布.结果表明:(1)通过对比分析训练样本特征值的平均值、标准差和变异系数,NDVI、NDWIF、SR等指数更易于区分开敞水域和沉水植被、浮叶植被和挺水植被;(2)当设置1000棵分类树和4个分割节点的随机变量时,RF分类模型的袋外误分率小于6%,误分主要受SR、MNDWI和NDVI等特征变量影响;(3)通过验证分析,基于RF模型获得的2014年7月太湖水生植被覆盖面积约为306.0km2,分类精度为88.56%(Kappa系数为0.88),主要分布在湖体的东部和南部,以沉水和浮叶植被为主,两者占水生植被覆盖总面积的84.9%.