海岸工程变化的BJ-1遥感监测分析

 海岸工程对海岸带经济发展和生态环境影响很大。随着海岸工程建设迅猛的发展,采用遥感的方法对海岸工程变化进行遥感监测显得尤为重要。本文以北京一号小卫星(BJ-1)资料为数据源,利用多种变化监测的方法对天津港和曹妃甸港区2006年和2010年的海岸工程变化进行监测。结果显示,波段替换法与SVM分类相结合的方法在2个重点研究区域精度最高,其总体精度和Kappa系数分别为92.35%和0.7902;面向对象的方法精度和稳定性其次,其总体精度和Kappa系数分别为91.77%和0.7732。     

福州海岸带湿地分类与变化的遥感分析

本文利用1986年Landsat TM、1994年Landsat TM、2000年Landsat ETM+、2005年CBERS-02 CCD、2009年ALOS AVNIR-2共5个时期的多平台遥感数据,采用分层分类和决策知识规则等方法,对福州海岸带湿地资源进行提取和分类;并分析了1986-2009年23年间福州海岸带湿地的时空分布和演化规律。结果表明:福州海岸带湿地的变化主要集中在1994-2005年间,1994年前和2005年后湿地变化都比较小;1986-2009年间,福州海岸带湿地面积总体呈下降趋势;天然湿地面积一直在减少,主要转化为水产养殖区等人工湿地和建设用地等非湿地类型;人工湿地2000年前呈下降趋势,2000年以后面积增长较快,其中水产养殖区面积一直稳步增长,主要由非湿地、水稻田和天然湿地转化而来。福州海岸带湿地的变化与区域政策调整、经济利益驱动和人口增长等因素相关,特别是与区域政策调整密切相关。     

历史解译知识引导下组合遥感图谱特征的变化检测方法

高空间分辨率遥感影像为地表变化监测提供了大量细节信息,这使得基于高分辨率影像的变化检测技术成为当前遥感领域的研究热点之一。本文提出了一种历史解译知识引导下组合遥感图谱特征的变化检测方法。首先,通过分割前后时相的组合影像构建空间位置一致的对象,并在提取对象光谱和纹理特征后,引入前期土地覆盖专题图指导2类图谱特征相似度的DS证据融合;然后,利用其历史存档图斑所属区域的优势地类标签指示不同特征相似度的证据差异融合;最后,基于GMM（Gaussian Mixture Mode）模型的二值化方法提取最终的变化区域。实验结果表明,该方法能充分利用历史解译知识指导不同时相高分辨率影像对象特征相似度组合,一定程度上提高了变化检测正确率。     

高分遥感图像相对辐射校正中的伪不变地物自动提取和优化选择

相对辐射校正是遥感变化检测中重要的预处理过程,伪不变地物(Pseudo-Invariant Features,PIF)是多时相影像中相对不变的地物,是相对辐射校正中的重要依据.针对高分遥感图像变化检测中相对辐射校正的要求,本文提出了一个自动提取和优化选择PIF的流程和方法:首先计算两期图像的亮度、光谱特征和空间特征的变...     

土地执法监察中的高分辨率遥感及变化检测技术

土地执法监察是国土资源管理业务体系的重要内容之一。当前土地执法监察工作多以传统手工作业为主,工作效率需要提升。随着高空间分辨率遥感技术的发展,借助高分辨率遥感影像实施准确、快速的土地执法监察成为可能。本文在分析实际应用需求和最新技术发展的基础上,以国产高分辨率影像提取违法建设用地为出发点,选取浙江省台州市黄岩区为研究区,开展县区级土地执法监察应用研究。借助面向对象变化检测与建设用地提取等技术获取了疑似的违法新增建设用地,取得了较好的应用效果,为挖掘国产高分辨率卫星影像在土地执法监察应用方面的潜力提供了参考。     

融合点、体素和对象特征的多基元点云分类

单一基元分类方法难以全面描述复杂的点云场景,采用多基元进行分类成为一种趋势,提出了一种融合点、体素和对象特征的点云分类方法。主要包括4个方面:(1)分别确定各层面分类基元,点基元方面采用最优邻域方法,体素基元方面基于八叉树方法进行体素划分,对象基元方面使用改进的多要素分割方法进行点云分割;(2)提取各基元分类特征,首先提取点基元分类特征并进行局部线性约束编码(Locality-constrained Linear Coding, LLC),然后以此为基础提取体素基元和对象基元的潜在狄利克雷分布特征(Latent Dirichlet Allocation, LDA)和最大池化特征(Max Pooling, MP);(3)降低分类特征维度,利用随机森林变量重要性算法对分类特征进行筛选与降维;(4)进行点云分类,使用随机森林算法实现点云分类。采用3种不同类型的点云数据进行试验,结果表明融合3种基元特征的分类精度相比于点基元分类分别提升了1.43%、7.02%和2.48%,分类特征降维可以有效降低特征冗余度,分类器分类时间减少约70%;通过与其他算法的对比,新算法分类精度更优,且适用于多种场景...     

基于超像元词包特征和主动学习的高分遥感影像变化检测

为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。