提高遥感数据分类应用性的有效途径

本文介绍了日前对遥感数据进行自动分类的常用算法及其改进方向,指出在现有技术条件下,多元、多维信息复合技术是提高遥感数据自动分类应用的有效途径。     

遥感数据分类结果分析及分类算法评价

遥感数据的分类结果通常被概括为混淆矩阵。而各种分类算法则用于改善其结果。为了确定遥感数据的精度，应该把混淆矩阵规范化。规范混淆矩阵，要仔细审查分类按比例叠代拟合过程，包括消除矩阵里的零。Ｔｕｋｅｙ复合比较法用了三种分类算法（最小距离法，极大似然法和人造神经网络法）进行结果比较。对于每种分类种类，规范化了的混淆矩阵都给出了一致的边值和精度。同时进行三种算法的Ｔｕｋｅｙ比较，结果对于每一种算法都给出了     

GIS辅助遥感影像分类概述

论述了在已有的GIS数据基础之上,将GIS数据与知识综合运用于遥感影像监督法分类的分类方法,着重对样区的自动选取、非训练样区的分类等几个有关的问题进行了分析,并对该分类法的优势进行了分析和总结。     

地学分析在遥感专题制图中的应用

为了提高数字图像制图的质量和精度, 许多研究人员部在从不同途径探索各种有效方法。本文从地学角度出发, 以地学知识和理论为基础, 结合遥感专题制图, 对成图信息源和数字图像识别的区域参数, 作了综合分析研究。本文重点讨论数字图像冬小麦的识别制图, 用地学、生物学知识和理论, 分析冬小麦等农作物的物候规律, 研究其分类识别的最佳时相图像; 另外, 结合盐碱土等地物的模式识别制图进行了区域参数的分析、确定和量化研究。     

青岛市土地利用的卫星遥感数据计算机监督分类及面积量测

首先用陆地卫星5号的TM数据,进行青岛市土地利用类别的监督分类。将青岛市行政边界数字化,作成数据文件。在计算机软件支持下,将行政边界画到分类图像上。将边界以外的像元归零,统计边界内的像元数目,得到青岛市各土地利用类别的面积及总面积。     

基于Sentinel-2A的红树林提取机器学习方法比较

红树林和生态环境保护、生态平衡和生物多样性息息相关。使用Sentinel-2A数据获取海南省东寨港红树林保护区的遥感影像,对数据进行预处理,提取光谱特征、纹理特征和湿度特征,基于K近邻（K-nearest neighbor,KNN）、随机森林（random forest,RF）、决策树、支持向量机（support vector machine,SVM）和反向传播神经网络（back propagation neural network,BPNN）方法,通过多次实验提取出海南省东寨港红树林区域,并探讨了机器学习方法中不同类型分类器在提取红树林过程中的优缺点。结果表明：(1)Sentinel-2A的Band8A、Band11、Band12波段组合能够较好突出红树林特征,结合湿度特征和纹理特征可以提高红树林的分类精度;(2)基于机器学习方法能够准确提取红树林区域,其中,SVM分类精度最高,达到92.31%,BPNN、RF分类精度分别为88.46%、90.38%,Kappa系数表明分类结果具有良好的一致性;(3)比较不同机器学习方法对红树林的分类效果,发现SVM和BPNN等非线性方法能提取出更准...     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

青海湖流域土壤遥感分类

选择青海湖流域内一个代表性区域为试验区,以TM数据和地形数据为主要数据源,在GeoEye-1高分辨率影像和土壤图的辅助下,采用最大似然监督分类方法,探讨了遥感技术在青海湖流域土壤分类中的可行性。使用主成分分析、缨帽变换、波段组合等图像处理技术,从TM图像中提取了多种图像特征,并结合高程、坡度及坡向等地形参数,共同生成分类特征数据集进行遥感分类。研究表明,基于遥感图像和地形数据提取的分类特征,有效地区分出试验区内9个土壤亚类和1个非土壤单元,总体分类精度达到了91.76%。     

银川平原土壤盐渍化与中低产田遥感应用研究

土壤盐渍化是影响农业生产与生态环境的一个重要因素。长期以来,宁夏银川平原的次生土壤盐渍化问题十分突出,形成了许多盐渍型中低产田,影响和制约了区域农业的可持续发展。主要采用遥感解译方法提取了银川平原土壤盐渍化的分类与分布的现状信息。在此基础上,依据中低产田的分类标准,将相关的耕地类型、土壤肥力、作物产量、灌排水指标等因子转化成数字化专题图层,采用多源信息复合分类的方法,通过“综合分析,主导因子判定”实现了GIS辅助下的中低产田分类,为遥感和地理信息系统技术在土壤盐渍化和中低产田调查研究中的应用,探索出了一条可行的途径。     

基于空间数据发掘的遥感图象分类方法研究

采用数据发掘技术从ＧＩＳ数据库和遥感图像中发现知识,用于改善遥感图像分类。提出了两种实施空间数据归纳学习的途径;在空间对象粒度上学习直接在像元粒度上学习。分析了两种粒度学习的特点和适用范围,同时提出了一种归纳学习与传统图像分类法的结合方式。用北京地区ＳＰＯＴ多光谱图像和ＧＩＳ数据库进行土地利用分类的试验证明,归纳学习能较好地解决同划物、同物异谱等问题,显提高分类精度,并且能够根据发现的知识进一步     

北京1号小卫星图像噪声评估

从理论和试验方面对图像的噪声评估方法进行了分析。结合北京1号小卫星特性, 进行了该类方法应用效能的评价, 讨论了分块评估噪声方法的最佳参数设置。选取满足噪声评估环境的图像, 实现了综合不同地表覆盖条件的北京1号小卫星图像噪声的评估。噪声评估结果与在轨测试情况的对比表明, 北京1号小卫星经过近3年的运行, 仍保持了较好的性能。     

结合多分类器的遥感数据专题分类方法研究

采用标准的多分类器结合方法进行遥感图像的分类研究。首先介绍了标准的多分类器结合的算法,然后以Landsat-TM多光谱遥感数据的土地覆被分类为例,分别给出了抽象级上相同训练特征的多分类器结合、抽象级上不同训练特征的多分类器结合和测量级上的多分类器结合进行土地覆被分类的方法,并进行了实例研究。参与分类器结合的单个分类器包括最大似然分类器,最小距离分类器,马氏距离分类器,K-NN分类器,多层感知器神经网络分类器。分类器的分类精度用总体精度、用户精度、生产者精度、kappa系数和条件kappa系数评价。结果表明,每一种多分类器结合的分类方法都能够比较显著地提高总体分类精度。文章最后对不同多分类器结合方式的优缺点进行了分析。     

基于PCM改进算法的遥感混合像元模拟分析

混合像元的存在是影响遥感图像分类精度的主要原因,模糊分类是进行混合像元分解的重要方法,其效果的好坏取决于各像元分类后对各类别的隶属度值能否准确地反映像元的类别组成。当非监督分类中的聚类数目与实际类别数目不符,或者监督分类中训练样本存在未训练类别时,常用的模糊c-均值(FCM)方法的效果将大大降低,而可能性c-均值(PCM)方法则可以解决这个问题。该文提出了基于PCM算法的遥感图像混合像元分解方法,并用监督分类方法实例说明PCM方法的优越性。     

多源遥感影像像素级融合分类与决策级分类融合法的研究

首先探讨了基于像素的多源遥感影像高频调制融合法，根据成像系统特性和Heisenberg测不准原理，设计的高斯滤波器对高分辨率影像滤波的方法是合理有效的。在研究BP神经网络的基础上，采用动量法和学习率自适应调整的策略，提高了BP神经网络学习算法收敛速度，并增强了算法的可靠性。提出并实现了多源遥感影像像素级融合分类与决策级分类融合两种分类方法，并进行了比较。采用Landsat TM3，4，5和航空SAR影像进行试验，结果表明两种分类方法是行之有效的，均适用于多源遥感影像分类。     

AN IMPROVED ALGORITHM FOR SUPERVISED FUZZY C-MEANS CLUSTERING OF REMOTELY SENSED DATA

l IntroductionClassification pIays an imPOrtant role for rernotelysensed data tO be intngrated into gapraphical infOr-mation systems(GISs), and is increasingly comPut-eriZed with soPhisticated hardware and software(Cambell l987; Lillesand and Kiefer l994). Pnd-ucts Of classification are usua[ly represented in formof contiguous patches of pixels,with each being la-belled as belonging to a discrete and dominantclass. Such tyPe of classification is termed as crispor discrete. The accuracie…     

Impact of discretization methods on the rough set-based classification of remotely sensed images

Abstract

In recent years, the rough set (RS) method has been in common use for remote-sensing classification, which provides one of the techniques of information extraction for Digital Earth. The discretization of remotely sensed data is an important data preprocessing approach in classical RS-based remote-sensing classification. Appropriate discretization methods can improve the adaptability of the classification rules and increase the accuracy of the remote-sensing classification. To assess the performance of discretization methods this article adopts three indicators, which are the compression capability indicator (CCI), consistency indicator (CI), and number of the cut points (NCP). An appropriate discretization method for the RS-based classification of a given remotely sensed image can be found by comparing the values of the three indicators and the classification accuracies of the discretized remotely sensed images obtained with the different discretization methods. To investigate the effectiveness of our method, this article applies three discretization methods of the Entropy/MDL, Naive, and SemiNaive to a TM image and three indicators for these discretization methods are then calculated. After comparing the three indicators and the classification accuracies of the discretized remotely sensed images, it has been found that the SemiNaive method significantly reduces large quantities of data and also keeps satisfactory classification accuracy.     

An improved algorithm for supervised fuzzyC-means clustering of remotely sensed data

This paper describes an improved algorithm for fuzzyc-means clustering of remotely sensed data, by which the degree of fuzziness of the resultant classification is decreased as comparing with that by a conventional algorithm: that is, the classification accuracy is increased. This is achieved by incorporating covariance matrices at the level of individual classes rather than assuming a global one. Empirical results from a fuzzy classification of an Edinburgh suburban land cover confirmed the improved performance of the new algorithm for fuzzyc-means clustering, in particular when fuzziness is also accommodated in the assumed reference data.     

基于集群的影像并行OPTA算法研究

并行计算是提高海量遥感影像细化处理速度的有效途径.基于对OPTA细化算法的分析,深入研究OPTA细化并行算法中数据划分和数据通信优化等关键问题,提出一种适合集群并行处理的通信优化并行算法,实验证明该算法具有良好的加速比,适合集群计算环境下海量遥感影像的细化处理.     

Applications of remote sensing and geographic information systems for urban land-cover change studies in Mongolia

The aim of this study is to compare the changes that occurred in the main urban land-cover classes of Ulaanbaatar city, Mongolia, during a centralized economy with those that occurred during a market economy and to describe the socio-economic reasons for the changes. For this purpose, multi-temporal remote sensing and geographical information system (GIS) data sets, as well as census data, are used. To extract the reliable urban land-cover information from the selected remotely sensed data sets, a refined parametric classification algorithm that uses spatial thresholds defined from local and contextual knowledge is constructed. Before applying the classification decision rule, some image fusion techniques are applied to the selected remotely sensed data sets to define the most efficient fusion method for training sample selection and for defining local and contextual knowledge. Overall, the study indicates that during the centralized economy significant changes occurred in a ger area of the city, whereas during the market economy the changes occurred in all areas.     

自组织网络在遥感土地覆盖分类中应用研究

设计完成和比较了自组织网络的几种算法在遥感土地覆盖分类中的应用,结果表明非监督和监督学习结合方法进行遥感土地覆盖分类,各算法在分类性能上无显著差异,因此可采用算法和较简单的单竞争学习网络,根据最邻近原则进行非参数分类。