湖南省道县土地利用变迁研究

针对高分辨率多时相遥感影像数据,通过提取不同视角的特征,表达影像内容的不同方面,在多特征融合的基础上采用支持向量机或者最大似然分类算法对多时相遥感影像进行分类,并对土地利用程度变化和土地利用动态度进行了分析。     

近20年来福州市土地利用时空变化的遥感分析

以1986、1996和2006年三期Landsat TM影像为基本数据源,采用最大似然法分类,并以同期高分辨率的SPOT5影像进行分类后处理,最后分类后变化检测法监测了福州市1986~2006年的土地利用变化及其转移模式。结果表明,福州市近20年间土地利用发生了较大的变化,城乡建筑用地处于快速增长阶段,而耕地数量却在不断下降。经济发展、人口增长、政府决策等因素是福州市土地利用发生变化的主要驱动力。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果要好。     

基于高分二号卫星影像的城市不透水面提取

受到分类目标趋于多样化和影像因素复杂的影响,基于高分辨率遥感影像提取城市不透水面的方法普遍精度不高。本文旨在探索快速有效地利用高分辨率遥感影像提取不透水面方法。以梧州市高分二号遥感卫星影像为例,采用支持向量机方法应用于不透水面分类中。这种方法首先根据高斯核函数训练出样本空间,然后直接对经过HSL色彩空间变换后的影像进行分类,使得有效特征信息增加进而分类精度提高。实验结果证明了这种方法的有效性。     

上海市城市空间扩展时空特征与预测分析

 本文以1990、1995、2000、2005年的上海市土地利用遥感监测数据为基本数据源,分析了1990-2005年上海市城市空间扩展 的时空特征。同时利用SLEUTH模型对城市空间扩展进行了模拟和精度验证,并对未来30年上海市城市空间扩展进行了预测。结果显示:1990-2005年,上海市城市空间扩展明显,城市面积净增加81 278hm²,净增长10.14%;在扩展的时间过程上呈现先减缓后加剧的趋势,2000-2005年城市用地扩展最为剧烈,城市面积净增加40 668hm²,净增长5.08%,填海造陆是该时期城市扩展的典型特征。SLEUTH模型可以较好地模拟预测上海市城市空间扩展的时空过程,不同时期模拟与遥感监测结果的Kappa系数最高达到了0.8476;未来30年,上海市城市用地将以年平均增长率1.63%的速度扩展,2040年城市用地面积将达到152 685hm²。城市扩展将占用耕地41 824hm²,年平均占用耕地1200hm²。城市扩展的方式主要是边缘增长,东部的浦东新区沿五洲大道向海方向、南部的徐汇区沿沪闵高架路向南,以及西部的嘉定区和青浦区沿京沪高速两侧向西的地区 均是未来城市扩展的主要方向。     

多时相影像的典型区农作物识别分类方法对比研究

基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。试验结果表明:面向对象法的分类精度最高,总体Kappa系数为0.655,是最适宜的方法;其次是BP神经网络法和光谱角制图法,总体Kappa系数分别为0.635和0.631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体Kappa系数分别为0.601和0.577。上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一定参考意义。     

黑河流域中游地区作物种植结构的遥感提取

及时、准确地获取农作物种植结构对区域水资源管理与作物产量估测等具有重要意义。随着对通过遥感手段获得作物种植结构的深入研究,如何优选遥感数据和分类器成为需要重点考虑的关键问题。针对黑河流域中游地区的作物分布与种植特点,提出一种基于多时相遥感影像与多分类器组合的作物种植结构提取方法。利用2018年18景16 m分辨率的GF-1 WFV影像,构建NDVI时间序列。根据NDVI时间序列表征的作物季相节律和物候变化规律特点,采用分层的策略,首先解译一级土地覆被类型,再解译二级土地覆被类型。一级土地覆被类型解译中,使用决策树分类方法先将NDVI特殊且易提取的水体进行解译,再使用面向对象分类方法通过分区将需借助NDVI纹理信息提取的建设用地进行解译,最后使用随机森林分类方法解译耕地、林地、草地、裸地和湿地。在对耕地的进一步分类中,使用决策树分类方法首先将具有特殊物候规律且易于区分的苜蓿类别解译出来,再将与其他类别物候差异较大的小麦解译,最后将物候相似的玉米、蔬菜及其他解译。黑河流域中游研究区内一级土地覆被分类总体精度为97.24%,卡帕系数为0.96;作物种植结构解译总体精度为86.58%,卡帕系数为0.80。此外,还分析了影响黑河流域中游研究区解译精度的4个因素：对土地覆被类别的定义、混合像元、影像分割时基础影像的选择以及分类方法的选择。通过对不同分类方法的比较发现,与仅使用最大似然分类方法、支持向量机分类方法或随机森林分类方法相比,本文提出方法的解译结果更好,解译精度更高。     

证据推理的遥感图像分类方法与应用

遥感图像分类一直是遥感研究领域的核心问题。然而,传统遥感分类方法在地物复杂地区不能取得满意效果。不但分类精度不够理想,分类灵活性也存在不足。本文尝试引入证据推理"软"分类方法,选择小兴安岭山区一景TM遥感图像,基于用户知识和经验,通过人机交互处理,以累计信任度(CBV)最大为划分像元归类的原则得到证据推理方法的分类图像。结果表明,整体分类精度从最大似然法的78.74%提高到82.28%,kappa系数从0.67提高到0.71。但该方法对于裸地分类精度不高,通过人为设定各类别CBV阈值的方法,获得了人为干预的证据推理方法分类图,其整体分类精度达到了87.80%,kappa系数也达到了0.81,所有类别的生产者和用户精度相比于最大似然法都有提高。研究表明,证据推理方法在遥感分类精度和分类灵活性方面都具有优越性。     

基于高分辨率遥感目标特征库的地震灾情快速评估方法

高分辨率遥感影像已逐步成为地震灾害快速评估的主要数据源之一,但现有的遥感地震灾害信息提取方法存在对研究人员目视解译经验依赖性强和利用高分辨率影像提取结果精度不高的问题。因此,本文提出了一种基于目标特征库的高分辨率遥感灾害信息快速提取方法,用于提升遥感影像灾害信息提取的效率和自动化程度,并对基于目标特征库进行地震灾情快速评估的几项关键技术（目标特征库构建、样本匹配方法和自动分类方法）进行了阐述,最后,以云南鲁甸地震龙头山镇地区为研究区,基于高分辨率遥感影像在目标特征库支持下开展了地震灾情快速评估实验。通过与灾后调查数据的对比分析发现,基于高分辨率遥感灾害目标特征库的地震灾情快速评估结果在精度上可以满足灾情快速评估的业务需要,同时还具有更好的时效性。     

遥感土地覆被分类的空间尺度响应研究

不同空间分辨率遥感影像对区域土地覆被类型识别精度的影响是目前土地资源遥感研究中的热点议题。本文基于准同步的卫星传感器影像,以福建省长汀县河田盆地为研究区,结合野外调查的实验样本,依次采用最大似然法（MLC）、支持向量机（SVM）和人工神经网络（ANN）3种分类器,分析土地覆被分类结果在中高空间尺度序列（1~50 m）下的变化响应特征。结果表明：不同空间尺度下的地物分类结果存在显著差异（P<0.05）,其中总分类精度和Kappa系数均随影像分辨率的降低而先升高后降低,并于4 m分辨率处达到峰值,该结果与各类地物光谱反射率的空间尺度变化特征密切相关;而不同分类器对各空间尺度影像分类结果的影响程度差异较大（P<0.05）,其中SVM的分类精度最优,MLC次之,ANN的结果较差。此外,伴随影像空间分辨率的降低,不同土地覆被类型面积提取结果的变化规律不同,导致同类地物在不同空间尺度下的提取结果出现较大差异,表明在使用多源分辨率遥感数据进行土地监测等相关研究时,其伴随的结果误差不容忽视。     

基于GIS的广州市土地利用遥感动态监测与变化分析

以1997、2003年广州市的Landsat TM影像为基本数据源,在遥感和地理信息系统处理软件的支持下,经过几何纠正、图像裁剪和图像增强处理后,采用最大似然比法结合人工目视解译对影像进行了识别分类,获得了广州市两个时相的土地利用分类数据,并进行了分类精度评价.然后建立了土地利用转移矩阵,并利用数值统计的方法,从不同角度分析了1997～2003年广州市土地利用变化的过程,包括土地利用变化的数量、速度、空间转移及其区域差异等.另外,经济发展、人口的增长、城市化建设等因素是广州市土地利用变化的主要驱动力.     

基于样本自动扩充的街区式农村居民地遥感提取方法

与基于非监督分类机制的居民地提取方法相比较,基于监督分类机制的居民地提取方法具有较高的提取精度。但是,基于监督分类机制的方法依赖于人工标注的训练样本,繁琐的标注工作限制了这类方法在遥感大数据时代的应用。利用监督居民地提取方法具有较高提取精度的优点,同时克服这类方法需要人工标注样本的缺点,能够建立更为实用的居民地提取方法。为此,针对中国华北平原广泛分布的街区式农村居民地,提出一种基于监督分类机制且仅需单个人工标注样本的居民地遥感提取方法。该方法首先根据居民地在遥感影像上的特征设计居民地排除规则,对划分的影像块进行初步分类;然后,从划分为非居民地的影像块中随机挑选一定量的影像块作为负样本,以人工标注的单个正样本为基础进行正样本扩充;最后,采用k-近邻分类法训练居民地分类器,对初步判定为居民地的影像块做进一步分类。试验结果表明,方法能够准确地提取影像中的居民地,对地物背景存在差异的遥感影像具有良好的提取效果。     

遥感建筑用地信息的快速提取

建筑用地的急剧增加和耕地资源的迅速减少,使得土地利用动态变化监测显得尤为重要。遥感作为监测土地利用动态变化的一种有效手段,已经得到日益广泛的应用。但是建筑用地由于其光谱的异质性,而难以用简单的方法将它们从遥感影像中准确提取出来,遥感建筑用地指数(Index-based Built-up Index,IBI)是针对这一问题提出的。它的构建采用的是三个专题指数波段(SAVI植被指数、MNDWI水体指数、NDBI建筑指数),而不是影像的原始波段。由于这三个指数互为负相关,因此,可以有效地增强和提取遥感影像中的建筑用地信息。通过将IBI指数提取建筑用地的影像处理过程编成可自动执行的模块,并集成于大型的遥感商业软件中,使得影像数据处理和建筑用地信息提取时间大大缩短,提高了建筑用地信息增强和提取的效率。     

空间逐步寻优数据挖掘在遥感影像分类中的应用

在遥感地学分析模型中,由于遥感信息模糊和不确定性的特点,其特征空间中的特征分布并不完全符合特定的高斯密度分布,而是分布形状各异,相互交错,用传统模型是很难获得特征的最优分布解的,而空间逐步寻优数据挖掘方法(SOMM)是在演化寻优理论的基础上,融合知识的参数化分布函数,来逐步分离特征空间,逐步降解的获得特征树状的层次结构。结合实例,用SOMM方法对遥感影像进行分类计算,并与传统的最大似然分类方法的分类结果进行了比较。     

遥感影像技术在地理国情普查中的应用

文章介绍和对比了几种遥感影像的分类和信息提取方法,通过对比目视判读、基于像元的分类方法和面向对象的分类方法在地理国情普查中地表覆盖提取结果的精度和效率,验证了利用面向对象的遥感影像信息提取技术在耕地保护工作中的优势。     

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。     

空间逐步寻优数据挖掘在遥感影像分类中的应用

在遥感地学分析模型中，由于遥感信息模糊和不确定性的特点。其特征空间中的特征分布并不完全符合特定的高斯密度分布，而是分布形状各异，相互交错，用传统模型是很难获得特征的最优分布解的，而空间逐步寻优数据挖掘方法(SOMM)是在演化寻优理论的基础上，融合知识的参数化分布函数，来逐步分离特征空间，逐步降解的获得特征树状的层次结构。结合实例，用SOMM方法对遥感影像进行分类计算，并与传统的最大似然分类方法的分类结果进行了比较。     

利用高分辨率遥感影像计算耕地田坎系数的可行性研究

土地利用现状调查中,测算耕地的田坎系数是一项工作量大、精度要求高的重要工作。高分辨率遥感影像丰富的地物信息,使得直接通过影像获取田坎系数成为可能。在张家界市武陵源区的SPOT-5影像上选取若干代表较强的农田区域为实验样方,利用面向对象的分类方法精细地提取了耕地与田坎,得到了来自遥感影像的田坎系数。经与原实地测算的田坎系数比较,整体符合度为94.74%。结果表明,该方法具有较好的实际应用价值。     

中国地貌基本形态DEM的自动划分研究

我国1∶100万的数字高程模型,是在1∶5万及1∶10万基本地形图上,高精度采集方里网交点高程所构建的1km分辨率地面高程数字矩阵。本文利用该DEM数据及其所派生的多种地貌信息进行地貌形态类型自动划分的技术方法。实验提取地形起伏度、地表切割度、地表粗糙度、高程变异系数、平均坡度、平均高程6个地形因子,并将各因子置于不同的信息层面中,通过主成分分析,ISODATA非监督分类法与Bayesian最大似然监督分类法相结合,对中国地貌的基本形态进行了多维信息综合分类。研究结果表明:①我国1∶100万比例尺DEM在宏观地貌分类方面具有重要的价值和应用潜力;②所提取的地形因子能宏观地反映我国地形的起伏特征,为地貌形态分类提供重要的依据;③采用ISODATA非监督分类法与Bayesian最大似然监督分类法,能有效地实现我国地貌基本形态类型的定量化、自动化划分;④依据数据的统计特征进行分类,较合理地解决了类型模糊的形态实体的归类问题。实验结果不仅揭示了此项技术在地貌形态分类中的巨大潜力,同时对于完善DEM数字地形分析的理论与方法也具有重要的意义。     

一种基于深度传递迁移学习的遥感影像分类方法

面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获...