基于ETM+影像的扎龙湿地遥感分类研究

通过对扎龙湿地Landsat7 ETM 影像进行计算机自动分类的实验研究，探讨了提高湿地遥感分类精度的方法与途径。实验所采用的首先对遥感影像进行非监督分类，再利用非监督分类生成的分类模板加以修改补充后进行监督分类的方法，经过误差矩阵的精度评价，可以获得研究区湿地遥感分类较高的分类精度。利用上述分类方法对3种ETM 不同波段组合的影像进行具体的遥感分类比较研究发现，选择ETM 7、5、3影像进行分类有助于提高扎龙湿地遥感分类的精度。为了提高湿地遥感分类的精度，还必须运用人机互译判读方法。     

基于面向对象方法和多时相HJ-1影像的湿地遥感分类——以完达山以北三江平原为例

以中国东北地区完达山以北三江平原(下简称小三江平原)为研究对象,利用2010年多时相HJ-1A卫星和HJ-1B卫星CCD影像作为分类数据源,结合野外调查数据,应用多尺度分割算法,根据影像的丰富信息和物候、时相等特征,采用面向对象的分类方法,进行小三江平原的湿地遥感分类。结果表明,湿地二级分类的总体精度为85.45%,总体Kappa系数为0.81。小三江平原湿地主要分布在低洼地区,总面积为9084.16km2;其中,天然湿地面积为2635.09km2,人工湿地面积为6449.07km2。集中分布的水田是小三江平原最主要的景观类型;天然湿地主要分布在自然保护区、河岸附近和国界周围;其中,草本沼泽面积最大。本研究表明,面向对象的分类方法能够有效利用遥感影像提供的丰富信息,产生较高的分类精度;对于中分辨率遥感影像不同分割尺度的组合使用有利于湿地信息的提取。降雨量较多、较少月份影像的选取和物候规律的利用是提取湿地信息的关键。多时相遥感影像数据的使用,改善了洪泛湿地和森林沼泽的分类效果,尤其是水田边界的划分;同时可以提高湿地分类精度。基于面向对象的遥感方法,利用多时相的中分辨率遥感影像,能够获取较高精度的湿地分布信息,是一种成本较低且行之有效的技术手段。     

基于支持向量机的扎龙湿地遥感分类研究

湿地遥感分类是实现湿地动态监测、管理与利用的重要手段之一.由于湿地具有独特的生态环境,获取实测样本点相对困难,因此,研究小样本、高精度的湿地遥感分类方法十分必要.以扎龙国家级自然保护区为研究区,采用支持向量机方法进行了研究区湿地遥感分类研究,初步剖析了样本数量与特征维度对分类结果的影响,并同传统的最大似然分类方法进行了...     

基于卷积神经网络和高分辨率影像的湿地群落遥感分类——以洪河湿地为例

以洪河国家级自然保护区为研究对象,应用卷积神经网络（CNN）方法进行高分辨率湿地遥感影像的分类研究,并与基于光谱支持向量机（SP-SVM）的方法和基于纹理及光谱的支持向量机（TSP-SVM）的方法进行了对比。结果显示,对于所选取的2个研究区域,CNN分类方法的全局精度高于SP-SVM方法5.61%和5%,高于TSP-SVM方法4.18%和4.15%。尤其对于部分湿地植被的分类精度明显高于SP-SVM和TSP-SVM方法。研究表明,卷积神经网络为湿地识别的精细划分提供了有利的手段。     

基于GANBPSO-SVM的高光谱影像特征选择方法

为了在保持对目标检测和分类分析所需信息的同时,降低高光谱影像的维度,提出了一种混合优化策略的特征选择方法。该方法将遗传算法和二进制粒子群优化算法融合成一种新的混合优化策略（GANBPSO）,自动选择最优波段组合,同时优化分类器支持向量机（RBF-SVM）的参数,以提高分类器的分类性能。为了说明所提出方法的有效性,采用了在高光谱分类中广泛使用的Indian Pines（AVIRIS 92AV3C）数据集进行测试。结果表明所提出方法（GANBPSO-SVM）能够自动选择包含最多信息的特征子集以保证分类精度,而不需要预先设置所需要的特征子集数量,本方法与传统方法相比具有更好的分类效果。     

基于LBV数据变换方法的海岸带多光谱影像分类方法研究

在传统的海岸带多光谱影像分类方法的基础上,提出了运用LBV数据变换方法对海岸带多光谱影像进行地物分类识别的方法,通过图像数据变换能够分别提取出表示地物总辐射水平、可见光-近红外辐射平衡和表示波段辐射变化矢量(方向和速度)L、B、V的值.通过应用青岛海岸带TM多光谱影像,提取LBV变换图像并与原始假彩色合成图像比较,分别进行监督分类试验.运用LBV数据变换方法获得的图像信息量更丰富,地物类别更鲜明,有利于图像的目视解译,分类精度提高约3.12%.     

基于多光谱遥感的扎龙湿地湖泡水深反演研究

以扎龙湿地龙泡子为研究对象,利用58个实测水深数据和季相最接近的Quick Bird数据,建立湖泊水深的反演模型。探索性地建立了单波段和多波段组合的线性(多元)回归模型、指数模型、二次多项式模型、微分模型和对数模型等;通过对比模型的决定系数R2,比较模型精度;线性模型、对数模型、指数模型和幂指数模型的R2小于0.5,而二次多项式模型和多元线性回归模型的R2大于0.5,精度相对较高;筛选出拟合度较高的模型,用20个实测验证样本,采用相对误差和均方根误差进行模型精度评价;最后,利用精度较高的模型,进行龙泡子水深反演计算。水深反演结果表明,用选出的模型反演得到的龙泡子水深基本一致,为170~200 cm,即使有稀疏的水草覆盖,依然可以表现出水深渐变的趋势。以蓝、绿、红和近红外波段多光谱遥感反射率为自变量,建立的线性湖泡水深反演模型y=123.990-3.332B1+183.859B2-237.133B3-37.143B4(y为水深;B1、B2、B3和B4分别为蓝、绿、红和近红外波段的水体反射率),能较好地反演扎龙湿地湖泡的水深。     

高光谱遥感影像波段选择算法评价方法研究

波段选择在高光谱影像数据降维处理中尤为重要,其算法较多,但针对波段选择算法评价方法的研究却很少。该文提出一种波段选择算法的评价方法。引入信息量、类别可分性和相关性3个指标,对所选波段子集进行度量,通过比较不同波段选择算法所选波段子集的度量结果,实现对波段选择算法的评价。在试验中,将该评价方法应用于4种常用的波段选择算法,分析了评价结果并验证了该评价方法的可行性。     

基于光谱特征拟合的高光谱遥感影像植被覆盖度提取

植被光谱中可见光部分的吸收谷主要由叶绿素强烈吸收引起,不同植被覆盖度下光谱吸收谷的深度和形状不同,因而可以通过比较光谱吸收谷的深度和形状来提取植被覆盖度。该文采用基于光谱吸收特征匹配的光谱特征拟合SFF方法从高光谱遥感影像中提取植被覆盖度,参考光谱采用ASD光谱仪在影像覆盖地区采集的植被光谱,通过将参考光谱与像元光谱连续统去除处理后进行SFF匹配,完成植被覆盖度的提取并生成植被覆盖度图。研究结果与植被指数、光谱夹角映射方法及实地调查资料之间存在较高一致性。     

基于HJ-1 CCD数据的九龙江口湿地资源监测

以福建九龙江口地区为研究区域,利用2008年和2012年的国产环境一号(HJ-1)CCD数据,综合利用监督分类、非监督分类和知识规则相结合的方法对湿地进行分类和专题提取。结果表明:与2008年相比,2012年九龙江口湿地总面积有所减少。天然湿地中河流的面积减少,主要转为滩涂、红树林和其他。养殖场的面积增加最多,主要由农田、河流和其他转化而来;而农田的面积减少最多,主要转为养殖场、林地和其他。快速城市化对九龙江口的湿地影响很大。     

扎龙湿地的形成背景及其生态环境意义

扎龙湿地位于黑龙江省西部, 为乌裕尔河下游尾闾湖形成的苇草湖沼。作者通过野外调 查、表土样品粒度对比和遥感影像分析, 探讨了湿地形成演化的地质环境背景, 分析了扎龙湿地 与嫩江、沙地的成因联系。研究认为齐齐哈尔- 大庆沙地由北西走向的纵向沙垄和低洼盐碱带组 成, 与科尔沁沙地一起构成了一个NE 向展布的沙带, 可能主要形成于末次冰期时期。其后嫩江 进入沙地, 对沙地进行改造, 在扎龙地区留下众多牛轭湖。后期由于构造抬升嫩江河道西迁, 乌裕 尔河成为内流河, 其尾闾湖最后演化成为现在的扎龙湿地。因此扎龙地区的环境演化过程为: 风 成沙地形成→嫩江改造、破坏沙地→嫩江西迁、乌裕尔河分流→扎龙尾闾湖形成→扎龙尾闾湖退 化、湿地形成。因此扎龙湿地与连环湖是在风成沙丘上形成的沼泽地, 是整个嫩江流域生态环境 最脆弱的一个关键区。一旦湿地消失, 将导致这个地区的盐碱化和沙漠化, 对附近的齐齐哈尔和 大庆两市的生态环境造成严重影响。     

艾比湖湿地生态环境保护意识调查分析

采用调查问卷的方法,试图真实反映艾比湖湿地自然保护区当地居民保护意识的强度,结果表明:①73.97%的当地居民意识到人类活动对艾比湖湿地生态环境的影响;②当地居民参与保护生态环境的积极性较高,96.83%的当地居民愿意出钱保护艾比湖湿地生态环境。说明当地居民对保护艾比湖湿地生态环境有强烈愿望,也说明当地居民的支付意愿与当地的经济紧密相连;③71.45%的当地居民相信艾比湖湿地自然保护区将有一个稳定的、持续的、协调的生态环境生存发展。     

洪河保护区湿地生态需水量研究

以洪河保护区为例 ,按照湿地生态系统的结构和功能 ,把生态需水量划分为 4种类型 :湿地植被需水量、湿地土壤需水量、生物栖息地需水量、补给地下水需水量 ,分别确定了需水量的级别和相应的指标。根据公式 ,计算了保护区各级别的生态需水量。结果表明 ,洪河保护区湿地最小生态需水量为 1 .4 8× 1 0 8m3 ～ 1 .99× 1 0 8m3 ,最适宜生态需水量为 1 .99× 1 0 8m3 ～ 2 .9× 1 0 8m3 ,最大生态需水量为 3.72× 1 0 8m3 ～ 4 .5 2× 1 0 8m3 。     

遥感影像分类与地学知识发现的集成研究

遥感与地学之间存在着数据与知识上巨大的互补性。本文通过地面类型数据将遥感影像分类与地学知识发现结合起来:用遥感数据驱动发现地学知识,用地学知识解释、确认、检验遥感分类结果,并使用统计值和分布谱来定量化表达地学知识,形成一体化的遥感地学分类系统。     

遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例

湿地遥感分类作为湿地管理、监测与评价的重要手段,受到了广泛的关注。遗传算法(GA)借鉴了生物进化规律进行启发式搜索寻优,支持向量机(SVM)是一种新型的空间数据挖掘方法,二者相结合可以发挥各自的优势,寻找到支持向量机的全局最优参数,从而较准确地对湿地进行遥感分类。以洪河自然保护区为例,采用遗传算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然监督分类对比,结果表明,遗传算法优化较格网搜索方式总精度提高了7.29%,较最大似然监督分类提高了12.06%,方法改善了沼泽、草地与裸地三种地物间的区分,是湿地遥感分类的有效手段。     

华侨城湿地浮游生物调查

2014年7月,对华侨城湿地浮游生物进行调查。共鉴定浮游植物4门17种,浮游动物3门12种。叶绿素a含量值较大,以及耐污浮游生物成为优势种群,表明华侨城湿地正受较严重污染。同时,淡水藻类成为水体优势藻种,表明华侨城湿地水体正逐步淡化。     

湿地脆弱性评价研究进展

湿地脆弱性评价是近年来湿地科学及可持续性科学领域的热点和前沿.湿地脆弱性评价研究经历了从湿地脆弱性特征定性评价,到湿地脆弱性定量评价,再到气候变化下湿地脆弱性评价的发展历程.首先,在对湿地脆弱性概念归纳总结的基础上,提出湿地脆弱性是在自然环境和人为压力下湿地退化的程度和可能性.其次,定性介绍了水土流失、水热分配不均、湿地退化等主要脆弱性特征表现;并以脆弱性评价的基本步骤为主线论述了模型法、特征法、综合指数法、EFI评价法、空间分析法等主要研究方法;同时,从不同角度概述了气候变化背景下的湿地脆弱性,总结了湿地水文景观分类法、生物完整性指标法、模型法、空间分析等评价方法.最后,指出湿地脆弱性研究中存在的概念不统一、评价标准不一致、评价指标范围较狭窄、动态研究偏少、定量评价的不确定性等主要问题,提出了完善评价体系、加强动态研究和国内对气候变化下湿地脆弱性的定量研究以及不确定性分析、脆弱性评价与决策管理衔接等湿地脆弱性未来研究的重点.     

An enhanced supervised spatial decision support system of image classification: consideration on the ancillary information of paddy rice area

The analysis, measurement, and computation of remote sensing images often require an enhanced supervised classification technique to develop an efficient spatial decision support system. Rice is a crop of global importance, which has drawn a great interest in using remote sensing techniques for evaluating its production. Ancillary information is widely used to improve the classification accuracy of satellite images. However, few of these studies questioned the importance and strategies of using this ancillary information. The enhanced decision support system in our study has two stages. In the first stage, the images are obtained from the remote sensing technique and the ancillary information is employed to increase the accuracy of classification. In the second stage, it is decided to construct an efficiently supervised classifier, which is used to evaluate the ancillary information. Back-propagation neural network (BPN) with extended delta bar delta (EDBD) algorithm is incorporated into our decision support classifier system. This classifier renders two crucial contributions: (1) the EDBD algorithm accelerates the convergence speed of the learning process and (2) the relative importance (RI) on each band of ancillary information is evaluated rationally.