基于面向对象的高分遥感景观格局提取方法

为了实现对景观连续变化特征与连接特征的描述,并保持与斑块镶嵌特征的空间尺度一致性,该文利用高分辨率遥感数据,采用面向对象分割方法,建立基于Delaunay-Voronoi原理的景观格局定量描述模型,统一表达景观格局的镶嵌、连续以及连接特征;并将此图像分割方法的结果与像素聚合方法的结果进行对比。结果表明:1面向对象的图像分割方法能够更好地保存对景观格局提取至关重要的微细景观特征,并在尺度上推过程中延缓这些细微特征消失;2基于Delaunay-Voronoi数据结构的景观格局模型有利于面向对象影像分析的景观镶嵌、连续和连接特征的混合及其多尺度表达,更适用于高分辨率遥感景观格局信息提取。     

ASAR数据与水稻作物模型同化制作水稻产量分布图

提出了利用雷达数据进行水稻估产的技术方法,并以ASAR数据为例,探讨了雷达数据在水稻估产中的可行性.首先利用ASAR数据进行水稻制图,从各时相ASAR数据中提取水稻后向散射系数.随后,基于像元尺度,采用同化方法,以LAI为结合点,将水稻作物模型ORYZA2000与半经验水稻后向散射模型结合,建立嵌套模型模拟水稻后向散射系数.选择水稻出苗期和播种密度为参数优化对象,利用全局优化算法SCE-UA对0RYZA2000模型重新初始化,使模拟的水稻后向散射系数值与实测值误差最小,并由优化后的ORYZA2000模型计算每个像元的水稻产量,生成水稻产量分布图.结果表明,水稻产量分布图能够描绘研究区水稻实际产量的分布趋势,但由于采用潜在生长条件模拟,模拟的水稻平均产量比实测平均值高约13%,验证点的水稻产量模拟值与实测值相对误差为11.2%.由于半经验水稻后向散射模型存在对LAI变化不够敏感和对水层的简化处理,增加了水稻估产的误差.但从总体上看,利用该方法进行区域水稻估产是可行的,并为多云多雨地区的水稻遥感监测提供了重要参考.     

Mapping of stream microhabitats with high spatial resolution hyperspectral imagery

 Maximum likelihood supervised classifications with 1-m 128 band hyperspectral data accurately map in-stream habitats in the Lamar River, Wyoming with producer's accuracies of 91% for pools, 87% for glides, 76% for riffles, and 85% for eddy drop zones. Coarser resolution 5-m hyperspectral data and 1-m simulated multiband imagery yield lower accuracies that are unacceptable for inventory and analysis. Both high spatial resolution and hyperspectral coverage are therefore necessary to map microhabitats in the study area. In many instances, the high spatial resolution hyperspectral (HSRH) imagery appears to map the stream habitats with greater accuracy than our ground-based surveys, thus challenging classical approaches used for accuracy assessment in remote sensing. Received: 9 April 2001 / Accepted: 8 October 2001     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

多传感器影像建模的海洋遥感数据管理应用

针对海洋遥感数据多源、异构特点显著、采用传统文件型或关系型数据库难以有效集成管理的问题,该文提出了面向海量多源影像数据集成管理的多传感器影像建模技术。在系统分析各类数据存储、组织结构的基础上,分别构建元数据模型和数据模型;数据模型由惟一标识ID、元数据信息、快视图、空间特征和影像数据实体构成,并由ID进行关联;提出了元数据的自动提取与匹配方法,实现了多源遥感影像数据元数据和快视图的自动提取,以及元数据与数据文件、空间特征和快视图的自动匹配,构成了海量多源遥感影像数据统一入库和集成管理的基础。该文提出的方法在我国海洋部门遥感影像数据管理系统中得到了成功应用,有助于提升现有海洋遥感影像数据集成管理和信息化的服务能力。     

利用MODIS数据识别水稻关键生长发育期

利用遥感方法提取中国范围内的水稻关键生长发育期。首先, 对时间序列Terra MODIS-EVI(Enhanced Vegetation Index)进行傅里叶和小波低通滤波平滑处理, 然后, 根据水稻在移栽期、分蘖初期、抽穗期和成熟期的EVI变化特征, 实现对各个生长发育期的识别。通过将利用2005年MODIS数据识别的结果与当年气象台站的地面观测资料进行比较, 采用本研究中的识别方法得出的水稻各个生长发育期的绝对误差大部分小于16d, 经过F检验表明提取的结果与地面观测资料在0.05水平下具有显著一致性。研究中的信息提取方法可被用于其他年份的水稻生长发育期识别, 根据其他作物的生长发育特点, 也可能适合于提取其他作物的生长发育期。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄,导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构,获取待测遥感影像云特征;然后采用超像素分割方法进行影像分割;最后将检测结果影像块拼接,完成整幅影像云检测。试验效果评价表明,基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制,云检测精度高,误判较少,适合国产高分辨遥感影像云检测。     

高时空分辨率 NDVI 数据集构建方法

针对ETM 空间分辨率高和MODIS 时间分辨率高的特点, 选择官厅水库上游为实验区, 基于对STARFM 方法的改进, 构建不同时空分辨率NDVI 的时空融合模型-STAVFM, 使用该模型对ETM NDVI 与MODIS NDVI 融 合, 构建了高时空分辨率NDVI 数据集。研究结果表明, STAVFM 根据植被变化特点定义了有效时间窗口, 在考虑 物候影响的同时改进了时间维的加权方式, 通过MODIS NDVI 时间变化信息与ETM NDVI 空间差异信息的有机结 合, 实现缺失高空间分辨率NDV     

融合高时空分辨率数据估算植被净初级生产力

植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。     

基于高通滤波的高分辨率遥感影像城市道路提取

本文根据高分辨率遥感影像城市道路与房屋等建筑物在空间域中光谱特征差异很小,而在频率域中区别很大的特点,提出一种基于频率域的道路提取方法.在图像频率域中利用Butterworth高通滤波器对图像进行锐化增强处理,突出道路的边缘信息,将道路与建筑物初步区分开来;再对增强后的图像二值化,通过形态变换等方法对图像中的建筑物进行...     

面向对象的高分辨率遥感影像阴影提取方法

针对高分辨率遥感影像阴影提取的问题,通过分析影像主成分变换和HIS变换的特征,提出了一种面向对象的高分辨率遥感影像阴影提取方法:首先,使用mean shift分割方法进行影像去噪和平滑;然后,结合主成分变换和HIS变换形成了一种阴影检测指数(SDI);最后,通过阈值分割提取阴影信息。选取两景影像进行了阴影提取实验。实验结果表明,SDI能有效地区分阴影与建筑物、水体、蓝色地物、植被等非阴影地物;另外,mean shift分割能有效地去除结果中斑点噪声的影响,提高阴影检测精度。     

多源数据融合的高时空分辨率植被指数生成

高时空分辨率的植被指数VI(Vegetation Index)数据是农业和生态研究的重要基础数据集,目前常用的VI数据的时空分辨率存在不可调和矛盾。考虑VI时序变化对数据融合的影响,提出一种新的VI数据时空融合模型VISTFM(Vegetation Index Spatial and Temporal Fusion Model),VISTFM采用模糊C聚类算法,对存量时序VI数据按土地利用类型划分为若干子类,从高低分辨率影像中随土地覆被类的变化规律提取子类,结合低分辨率影像提取的土地覆被类变化规律融合生成高时空分辨率的VI数据。用常用的Landsat和MODIS数据验证该算法,测试表明,VISTFM能够较好的捕获VI的中间变化过程,与常用的基于线性混合模型的模型和时空自适应反射率融合模型及其改进模型相比,利用VISTFM获得的植被指数数据集具有更高的时空分辨率。     

Optimizing the spatial resolution of WorldView-2 imagery for discriminating forest vegetation at subspecies level in KwaZulu-Natal,South Africa

The objective of this study was to identify an appropriate spatial resolution for discriminating forest vegetation at subspecies level. WorldView-2 imagery was progressively resampled to coarser spatial resolutions. At a compartment level, 30 × 30-m subsets were generated across forest compartments to represent the five forest subspecies investigated in this study. From the centre of each subset, the spatial resolution of the original WorldView-2 image was resampled from 6 to 34-m, with increments of 4-m. The variance was then calculated at every resampled spatial resolution using each of the eight WorldView-2 bands. Based on the sampling theorem, the 3-m spatial resolution provided an appropriate resolution for all subspecies investigated. The WorldView-2 image was subsequently classified using the partial least squares linear discriminant analysis algorithm and the appropriate spatial resolution. An overall classification accuracy of 90% was established with an allocation disagreement of 9 and a quantity disagreement of 1.     

面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究

本文从面向对象的遥感信息提取中的尺度效应研究入手,对影像对象的分形维数、紧凑度、面积、均值、标准差和与邻域均值差分等特征进行了实验.在此基础上,根据"类内同质性大,类问异质性大"的最佳分类原则,提出了面向对象的RMAS方法,该方法的思想是,当对象RMAS值最大时,对象内部的异质性最小,对象外部的异质性最大,此时的分割尺...     

面向对象和GURLS结合的高空间分辨率遥感数据云检测

遥感信息获取过程中云是重要的干扰因素,随着国产高空间分辨率卫星数据的应用,实现数据的准确云检测对有效获取地面信息具有重要意义。本文以高分一号、高分二号多光谱影像为数据源,利用图像分割获取了同质对象,基于对象光谱、纹理和几何8种属性特征建立了规则集,以规则集为输入,利用阈值法和GURLS分类器结合进行了云检测。针对不同时相和场景的高分数据,将该方法与基于像素的最大似然法和SVM法进行了对比,结果表明该方法云提取精度均在95%以上,Kappa系数在0.9以上。     

大规模影像数据库的设计与实现

本文对现有遥感影像数据管理方法进行了讨论,针对其存在的不足,沿用传统数据库技术成果,如SQL技术、索引技术,并利用SQL Server 2005简单易用,且支持二进制大对象(BLOB),提出分幅分块存储管理方式,解决数据的物理存储问题,结合金字塔技术、索引技术、JPEG压缩技术,解决了数据的快速加载问题。工程应用实际表明,该方法能够满足海量遥感影像数据的管理需求。     

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。     

多特征证据融合的遥感图像变化检测

提出了一种以证据理论综合利用图像多种特征的变化检测方法。方法利用滑动窗口计算两时相图像3种特征的结构相似度, 以之构建D-S证据理论的基本概率赋值函数并进行证据合成, 通过规则判定得到图像变化区域。通过对不同试验区、不同证据组合方式以及方法间的比较实验表明, 相对单一特征检测方法有效地提高了检测的精度。此外, 由于采用统计而非原始图像特征度量特征相似性, 方法具有对辐射、几何配准精度要求较低等优点。     

A systematic comparison of different object-based classification techniques using high spatial resolution imagery in agricultural environments

Geographic Object-Based Image Analysis (GEOBIA) is becoming more prevalent in remote sensing classification, especially for high-resolution imagery. Many supervised classification approaches are applied to objects rather than pixels, and several studies have been conducted to evaluate the performance of such supervised classification techniques in GEOBIA. However, these studies did not systematically investigate all relevant factors affecting the classification (segmentation scale, training set size, feature selection and mixed objects). In this study, statistical methods and visual inspection were used to compare these factors systematically in two agricultural case studies in China. The results indicate that Random Forest (RF) and Support Vector Machines (SVM) are highly suitable for GEOBIA classifications in agricultural areas and confirm the expected general tendency, namely that the overall accuracies decline with increasing segmentation scale. All other investigated methods except for RF and SVM are more prone to obtain a lower accuracy due to the broken objects at fine scales. In contrast to some previous studies, the RF classifiers yielded the best results and the k-nearest neighbor classifier were the worst results, in most cases. Likewise, the RF and Decision Tree classifiers are the most robust with or without feature selection. The results of training sample analyses indicated that the RF and adaboost. M1 possess a superior generalization capability, except when dealing with small training sample sizes. Furthermore, the classification accuracies were directly related to the homogeneity/heterogeneity of the segmented objects for all classifiers. Finally, it was suggested that RF should be considered in most cases for agricultural mapping.     

国产高分卫星遥感影像融合方法比较与评价

选择适宜的融合方法有利于卫星遥感影像融合产品更好地服务于生产实践及科学研究。本文在总结现有影像像素级融合算法原理的基础上,选用Pansharp、Gram-Schmidt、HPF、Ehlers、Subtractive,Modified IHS、Brovey、PCA、NNDiffuse等多种常用的影像融合方法对国产高分影像的全色和多光谱数据进行了融合处理,并从定性和定量的角度对融合结果进行了详细评价,试图寻找适用于国产高分卫星遥感影像的最佳融合方法。结果表明:针对国产高分一号卫星遥感数据,超分辨率贝叶斯算法融合效果在视觉效果与影像质量定量评价指标中综合表现最佳;Gram-Schmidt、NNDiffuse、Subtractive和HPF融合结果地物边界最为清晰;ModifiedIHS、PCA、Brovey融合影像色彩失真较为明显;NNDiffuse在可见光波段表现较突出;Gram-Schmidt在近红外波段表现效果最佳。