城区边界遥感提取研究进展

针对当前城乡统计口径和城区边界提取标准不统一的问题,该文梳理了当前国内外城区边界相关概念及界定标准、不同分辨率影像下的城区边界遥感提取方法,以及城区边界提取中“连接”的判断方法。结果表明,当前城区边界遥感提取主要面临3个问题:选用的标准、城区中的“连接”判断标准缺乏、自动化程度有待加强。提出了上述3个问题的解决思路:构建综合空间特征和人口特征,符合中国国情和特色的指标体系;探讨不同“连接”判断方法对城区边界提取结果的影响;将城区边界提取标准转化为机器学习算法,引入人工智能技术提升城区边界自动化提取程度。     

一种多源数据确定内陆盐沼湿地自然边界的方法

以宁夏盐池县为例,以Landsat 8影像、高分二号影像、激光雷达(light detection and ranging,LiDAR)数据插值生成的高精度数字高程模型(digital elevation model,DEM)数据、地理国情普查数据等为数据源,探讨了多源数据确定内陆盐沼湿地自然边界的方法.首先,利用一年多期的Landsat 8影像数据确定湿地边界提取的最佳时相,对高分二号影像等数据进行多尺度叠置分割,得到分割对象;然后,进行特征提取,并利用优化后的分离阈值(improved separa?bility and thresholds,ISEaTh)算法进行特征选择;最后,运用最邻近分类器获得湿地的自然边界,并分析了不同高空间分辨率的DEM数据对内陆盐沼边界定位的影响.结果表明,高空间分辨率DEM数据参与提取内陆盐沼湿地边界,可以有效减少内陆盐沼边界处湿地与非湿地的错分现象,提高其边界定位精度,且DEM数据的空间分辨率越高,提升效果就越显著.     

基于遥感影像的地块边界半自动提取

针对遥感影像图中地块的提取,提出了一种基于高斯模型的地块边界的半自动提取方法。以无人机影像为实验数据,首先利用影像分割得到包含要提取地块的窗口影像;然后利用高斯模型对地块进行提取,该算法解决了传统图割算法抗噪能力差的问题。随后,运用数学形态学对分割的结果做进一步处理;最后利用边界提取函数对地块边界进行提取并对边界进行拟合。实验结果证明,本文算法不仅提取地块精度较高,而且适当的减轻了工作人员的工作强度。     

高分辨率遥感影像林地边界提取方法

由于高分辨率遥感影像上的信息高度细节化,加之噪声的影响,会导致基于像元级纹理特征的林地边界提取方法的效果不理想。为此,提出一种基于种子纹理基元合并的半自动林地边界提取方法。首先利用基于图模型的影像分割算法获取初始基元;然后定义了一种针对非规则基元统计基元级灰度共生矩阵(GLCM)纹理特征的方法;最后在人工给定种子基元的基础上合并具有相似纹理的基元,并对基元合并的结果进行边界提取,得到高分影像上的林地边界。利用多源高分影像对所提方法进行验证及对比分析。实验结果表明,该方法对高分影像上大片典型林地的边界可取得较高的提取精度和计算效率。     

利用多源数据确定季节性咸水湖湿地自然边界的方法

以宁夏盐池为例,探讨了利用面向对象的高分影像、数字高程模型(digital elevation model,DEM)等多源数据确定季节性咸水湖湿地自然边界的方法。以高分遥感影像、激光探测与测量(light detection and ranging,LiDAR)数据插值生成的高空间分辨率DEM、地理国情普查数据、第二次全国湿地资源调查数据为数据源,选取LBV变换特征、归一化差分植被指数(normalized difference vegetation index,NDVI)、高程值、坡度等特征,构建决策规则模型,获得季节性咸水湖湿地自然边界,并分析了不同高空间分辨率的DEM对边界提取结果的影响。实验结果表明,与无DEM数据参与提取的结果相比,合适的高空间分辨率DEM参与季节性咸水湖湿地自然边界提取,能有效提高其边界定位精度。     

耦合WorldView-2和珠海一号影像的红树林物种分布

红树林物种遥感分类受影像分辨率、波段信息、分类策略、影像特征选择方法等因素影响。现有的红树林物种遥感分类研究大多关注于分类精度的比较,较少报道商业高分与国产高光谱卫星的结合在物种分类的应用。基于湛江高桥红树林保护区的高分（WorldView-2）和高光谱（珠海一号）卫星影像,本文旨在利用随机森林分类方法,比较不同特征选择算法（极端梯度提升（XGBoost）、极端随机树（ERT）、连续投影算法（SPA））和不同空间分辨率（WorldView-2影像从0.5 m的分辨率重采样为1 m、2 m、4 m、8 m、10 m）对红树林物种分类精度的影响,并耦合WorldView-2与珠海一号影像研究红树林物种空间分布格局及影响因素。每种空间分辨率的WorldView-2影像提取248个特征（52个光谱特征及196个纹理特征）,珠海一号影像提取117个光谱特征。结果表明,XGBoost方法优于ERT和SPA,在影像特征选择中具有巨大优势;与其他空间分辨率相比,2 m分辨率的WorldView-2影像具有更高的分类精度;耦合WorldView-2和珠海一号影像的分类精度（分辨率：2 m,总体精度：88.98%,kappa系数：0.846）高于单一的WorldView-2影像（分辨率：2 m,总体精度：83.47%,kappa系数：0.768）和珠海一号影像（分辨率：10 m,总体精度：78.50%,kappa系数：0.703）;另外,林窗、高程、离岸距离一定程度上影响红树林物种分布格局。本文表明WorldView-2与珠海一号高光谱影像的结合在景观及区域尺度上精确提取红树林物种信息具有巨大潜力,有利于红树林生物多样性保护及科学管理。     

U-Net模型对不同空间分辨率防护林提取精度的影响

针对当前无人机影像获取精度高但数据规模小的问题,本文提出通过U-Net模型探讨不同空间分辨率对防护林提取精度的影响.以CW-20复合翼无人机搭载Micro MAC12 Snap多光谱传感器获取的300 m(空间分辨率0.15 m)、400 m(空间分辨率0.20 m)、500 m(空间分辨率0.25 m)3种不同高度的...     

Python辅助下的坡度提取不确定性分析

以30 m空间分辨率的DEM为试验数据源,借助Python地理建模技术深入研究坡度提取的不确定性。以平均坡度来代表坡度的一般水平,将研究区划分为7种地貌类型,将30 m分辨率的DEM数据重采样成30~120 m分辨率的10组DEM数据,使用以Arc GIS平台和Python开发语言为基础的地理建模技术,定量分析平均坡度与DEM空间分辨率、区域地貌特征的关系,研究坡度提取的不确定性。结果表明:研究区内不同地貌区域提取的平均坡度都随DEM分辨率的减小而减小,衰减速率基本不变;其回归方程的常数项与所在地貌单元的沟壑密度呈二次函数变化特征;坡度提取的精度与DEM的分辨率呈正相关的关系;基于Python的地理建模技术有效地整合了坡度提取分析方法,极大地提高了分析效率;研究结果进一步验证了现有坡度提取方法的不确定性。     

基于边缘约束的高分辨率遥感影像分割算法研究

影像分割是面向对象影像分析的基础,已经发展出许多算法。随着遥感影像空间分辨率的提高,复杂的噪声和丰富的细节信息给影像分割带来了巨大的挑战。分水岭变换能够得到连续封闭的边缘,但存在严重的过分割现象,为了解决这个问题,本文提出Canny算子边缘约束下的分水岭分割算法。首先,对遥感影像进行分水岭变换和Canny边缘检测;以Canny边缘作为参考数据,以分水岭的结果和Canny算子检测出的边缘的重合度和相邻区域的特征差异为标准对分水岭图像进行区域合并,得到最终分割结果。实验结果表明,该算法能够有效解决分水岭变换的过分割问题,准确提取出主要地物目标的边界轮廓。     

运用GVF Snake算法提取水域的不规则边界

GVF Snake是一种改进型主动轮廓提取算法。本文在详细介绍GVF Snake原理的基础上,重点对GVF Snake的内、外部约束力在边界提取中的作用以及初始边界对提取结果的影响进行了实验研究,提出了初始边界和内部约束力权值的合理设置方法,设计并实现了交互式GVF Snake算法,并用于提取遥感影像上水域的不规则边界。该算法采用种子点区域生长法自动给出水域的初始边界,采用人机交互法设置内部约束力权值,然后运用GVF Snake算法搜索水域的实际边界。实验表明：对于形状极不规则的水域,交互式GVF Snake算法也能方便、快速、准确地获取其边界。     

高分辨率多光谱影像城区建筑物提取研究

城区高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象,应用传统的基于像元光谱分类的方法进行建筑物分类提取难以取得满意的效果。本文发展了一种从高分辨率Ikonos卫星影像上基于知识规则的面向对象分类提取城区建筑物方法,包括如下步骤：(1)融合1m全色和4m多光谱波段影像,生成1m分辨率的多光谱融合影像;（2）分割融合影像;（3）执行基于对象光谱的最近邻监督分类;（4）应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。精度统计结果表明,本文提出的分类方法提取城区建筑物取得了93%的精度。     

多回波点云数据解算单株木叶面积指数

以行道树无患子为研究目标,采用地面激光扫描(TLS)技术提取单木分回波点云数据。获取全波形数据、单目标数据、首次回波数据、其余次回波数据,建立基于多回波点云的算法,利用消光系数法提取不同投影分辨率0.01 m、0.02 m和0.03 m的的单株树叶面积指数(LAI)。利用2维影像数据数字半球影像(DHP)和LAI2200提取对应单株树的叶面积指数,进行比较分析,以检验其精度。结果表明:点云投影的分辨率与激光回波都对LAI有极显著影响,其中分辨率为0.02 m和0.03 m的估算结果与LAI2200所得估算结果相近,且差异不显著;单目标回波数据用于LAI的解算,可以同LAI2200的2维影像数据结果进行相互验证。使用单目标回波数据,0.02 m投影分辨率可以最大程度的保证单株LAI的精度,其与LAI2200测定的数据进行截距为0的线性回归,斜率达到0.827。本研究所做多回波地面激光数据计算叶面积指数的算法拓展了地面激光扫描的应用领域,为立木生长量信息准确提取和树木精确建模提供了重要的技术参考。     

一种面向地理对象的遥感影像变化检测方法

根据高空间分辨率影像上变化区域呈聚集状分布的特点,提出了一种面向地理对象的遥感影像变化检测算法。在利用Mean-Shift分割算法的基础上,获得不同时相地理对象的灰度特征信息,结合变化矢量分析,采用最大数学期望算法自动提取变化区域。以QuickBird、SPOT、TM三组不同空间分辨率的影像进行算法验证并比较了该方法与单像素变化检测算法的差异。结果表明,三组影像中面向对象的变化检测算法的检测精度分别为91.1%,87.3%和84.3%,单像素的变化检测算法检测精度分别为86.41%,82.48%和81.02%。试验结果显示面向对象的算法检测精度高于基于单像素的变化检测算法,且对高空间分辨率的影像检测效果要优于对中低空间分辨率的影像的检测效果。该算法减少了变化阈值确定中的人工干预,克服了以像素为单位的变化检测算法中由于缺少空间邻域信息而产生孤立、离散、不连通变化结果的问题,能够满足在不同土地覆盖类型下的变化检测要求,在国土资源监测中具有一定的使用价值。     

无人机遥感影像面向对象分类的冻土热融滑塌边界提取

全球气候变暖及人类活动导致青藏高原大面积冻土退化、热融滑塌等问题,严重影响了多年冻土区工程建设和生态环境。利用无人机高空间分辨率影像和面向对象分类技术进行了黑河上游俄博岭垭口冻土区热融滑塌监测实验,详细分析了最邻近、K-最邻近、决策树、支持向量机(support vector machine,SVM)和随机森林5种面向对象监督学习方法提取冻土热融滑塌边界的性能和精度,并使用野外实测数据对实验结果进行验证。结果表明,面向对象分析中分割尺度对热融滑塌提取结果影响较小,而不同组合的分类特征影响较大,因此选择合适的分类特征是关键; 5种分类方法的总体精度均在90%以上,其中SVM方法的Kappa系数高于其他4种分类方法,表明该方法在本次实验研究中更适合无人机遥感影像冻土热融滑塌边界提取。无人机高空间分辨率遥感与面向对象分类方法相结合在冻土热融滑塌监测中具有广阔的应用前景。     

1995—2019年北莉岛人工水产养殖遥感监测

有效监测人工水产养殖水面的分布变化对于海洋资源管理、生态环境保护、防灾减灾具有重要意义。本文以Landsat 5、SPOT 5和GF-1卫星影像为数据源,选择广东省北莉岛为研究区,使用线性光谱解混方法获取中等空间分辨率卫星影像的人工水产养殖水面面积,通过面向对象多尺度分割的方法结合支持向量机分类算法提取高空间分辨率卫星影像的人工水产养殖水面分布。研究结果表明,与单一卫星影像相比,综合多源中高空间分辨率卫星数据延长了人工水产养殖水面变化分析可追溯的时间跨度,提高了监测精度;联合光谱解混和面向对象分类方法开展人工水产养殖长时序遥感监测是可行的。近20多年来,北莉岛人工水产养殖水面的面积经历了先增加后缓慢减少的变化过程,1995—2000年平均增速为23.39 hm²/a,2000—2006年平均增速为23.95 hm²/a,2006—2019年平均减少速度为1.96 hm²/a。     

面向Sentinel-2影像的亚像元级水体提取方法

结合Sentinel-2影像及其他高分辨率卫星数据进行长序列、高频次、大范围的水面率、蓄水量、生态流量等水资源要素监测具有重要意义。为了提高水体提取精度,解决利用多源中高分辨率卫星数据提取水体时的空间尺度效应问题,本文提出了一种面向Sentinel-2影像的亚像元级水体提取方法(简称SWES)。首先利用RWI提取纯水体像元,然后利用膨胀算法提取水陆边界混合像元,最后为解决地物的类内光谱变化问题,采用考虑空间信息的多端元光谱混合分析算法(MESMA)求解水陆混合像元中的水体丰度。3个试验区的结果均表明,SWES取得了较好效果,平均RMSE为0.147,水体提取效果均优于自动亚像元水体提取方法(简称ASWM),尤其在水陆混合像元较多的坑塘养殖区。SWES在试验区获取的水体面积也有较高精度,平均相对误差为8.03%,低于ASWM的20.23%,结果表明SWES能够有效提升水域面积提取精度。     

基于Sentinel-2数据的农作物空间种植结构提取研究

以Sentinel-2数据为影像数据源,以全国30 m土地利用类型遥感监测数据中的耕地作为农作物空间种植结构提取的基础数据,以县域为尺度,采用多尺度分割结合面向对象的分类方法,对桦南县主要农作物(玉米、大豆、水稻)进行空间种植结构提取研究。结果表明：桦南县2020年玉米种植1.31万hm²,大豆种植0.72万hm²,水稻种植0.64万hm²,主要农作物的总体分类精度为95.22%,Kappa系数为0.89。该方法可以为县域农作物种植结构监测及调整提供技术支撑。     

融合车载影像与点云的道路边界提取与矢量化

车载激光点云的数据不完整和影像连续帧之间的地物重影现象给提取连续、完整的道路边界带来了巨大挑战。提出了一种融合点云与全景影像的道路边界提取与矢量化方法。首先,分别从点云和全景影像中提取初始道路边界点,然后基于非闭合Snake模型融合两种数据源中的道路边界点,实现结构化和非结构化道路边界的准确提取与矢量化。该融合过程首先基于点云中的道路边界构建特征图,并以车载影像中的道路边界提取结果为初始轮廓,然后基于道路边界的几何特性构建非闭合Snake模型,最后通过求解该模型实现多源道路边界点的融合,并完成道路边界线的矢量化。将该方法应用于2个城市场景数据集,结果表明：该方法可有效提取形状多样的结构化和非结构化道路边界,对由于遮挡导致的数据不完整和多帧影像中的地物重影具有较强的鲁棒性,对城区道路边界提取的精度、召回率、F1值分别优于95.43%、89.27%、93.38%。     

遥感影像云检测网络泛化性能研究：以DeepLabv3+为例

近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4) DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。     

改进Balloon Snake算法提取遥感影像水体边界

相比于正交T-Snake算法,传统Balloon Snake算法不受格网约束,能够更加精确提取高分辨率遥感影像上水体,然而尚不能解决河中岛引起的拓扑冲突问题。由此,本文提出了一种改进Balloon Snake算法(T-Balloon Snake),设计了目标内部由于空洞引起的拓扑冲突检测与处理机制。算法首先在目标水体内部手动设置一个初始轮廓,在曲线每次膨胀前对曲线进行自相交检测,若存在拓扑冲突则对曲线进行分裂与合并处理,最终直至迭代停止。实验选取了三类湖泊与河流高分影像,实现了复杂遥感影像水体矢量边界的一次性精确提取。实验结果表明,该方法可直接有效提取水体中深凹以及岛状边界,在提取结果正确性和完整性上都优于传统Balloon Snake算法。