Fusion and classification of Beijing-1 small satellite remote sensing image for land cover monitoring in mining area

In order to promote the application of Beijing-1 small satellite(BJ-1) remote sensing data,the multispectral and panchromatic images captured by BJ-1 were used for land cover classification in Pangzhuang Coal Mining.An improved Intensity-Hue-Saturation(IHS) fusion algorithm is proposed to fuse panchromatic and multispectral images,in which intensity component and panchromatic image are combined using the weights determined by edge pixels in the panchromatic image identified by grey absolute correlation degree.This improved IHS fusion algorithm outper-forms traditional IHS fusion method to a certain extent,evidenced by its ability in preserving spectral information and enhancing spatial details.Dempster-Shafer(D-S) evidence theory was adopted to combine the outputs of three member classifiers to generate the final classification map with higher accuracy than that by any individual classifier.Based on this study,we conclude that Beijing-1 small satellite remote sensing images are useful to monitor and analyze land cover change and ecological environment degradation in mining areas,and the proposed fusion algorithms at data and decision levels can integrate the advantages of multi-resolution images and multiple classifiers,improve the overall accuracy and produce a more reliable land cover map.     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。     

基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

自组织神经网络的土地覆盖图像识别分析应用

土地利用/土地覆盖数据的识别,采用传统的方法进行类型识别运算量大,精度也不太理想。本文重点讨论采用自组织神经网络方法,并在MATLAB平台下对其算法进行了实现,最后将分类识别结果与最大似然法分类结果进行了精度比较分析。结果表明,其分类精度明显高于最大似然法的分类精度,是一种土地覆盖图像识别分类的有效方法。     

Integrating TM and ancillary geographical data with classification trees for land cover classification of marsh area

The main objective of this research is to determine the capacity of land cover classification combining spectral and textural features of Landsat TM imagery with ancillary geographical data in wetlands of the Sanjiang Plain, Heilongjiang Province, China. Semi-variograms and Z-test value were calculated to assess the separability of grey-level co-occurrence texture measures to maximize the difference between land cover types. The degree of spatial autocorrelation showed that window sizes of 3×3 pixels and 11×11 pixels were most appropriate for Landsat TM image texture calculations. The texture analysis showed that co-occurrence entropy, dissimilarity, and variance texture measures, derived from the Landsat TM spectrum bands and vegetation indices provided the most significant statistical differentiation between land cover types. Subsequently, a Classification and Regression Tree (CART) algorithm was applied to three different combinations of predictors: 1) TM imagery alone (TM-only); 2) TM imagery plus image texture (TM+TXT model); and 3) all predictors including TM imagery, image texture and additional ancillary GIS information (TM+TXT+GIS model). Compared with traditional Maximum Likelihood Classification (MLC) supervised classification, three classification trees predictive models reduced the overall error rate significantly. Image texture measures and ancillary geographical variables depressed the speckle noise effectively and reduced classification error rate of marsh obviously. For classification trees model making use of all available predictors, omission error rate was 12.90% and commission error rate was 10.99% for marsh. The developed method is portable, relatively easy to implement and should be applicable in other settings and over larger extents.     

基于多层神经网络与Sentinel-2数据的大豆种植区识别方法

大豆作为全球最重要的油料作物,是中国进口的大宗农产品,对其种植区的精准识别是决策制定、种植结构调整基础,对国家粮食安全有重要意义。本文利用Sentinel-2作为数据源,利用多层神经网络方法与对大豆进行提取,并与随机森林、决策树、支持向量机等机器学习进行对比,发现F1-Socre指标显示多层神经网络的分类精度最高,为93.53%,其次为随机森林、支持向量机、决策树。将神经网络分类结果与SLIC面向对象分割聚合之后,结果既忽略了同一地块的微小差别,又区分出了不同地块的作物差异,很好的体现了大豆的分布。Sentinel-2数据是进行大尺度大豆种植监测的绝佳数据源,大豆与玉米等其他作物在第二个红边波段的反射率有较为明显的差异。多层神经网络方法在图像分类任务中表现出色,结合图像分割算法精度可达到95.51%,可以满足大豆种植面积监测的需求。     

面向城市平原地区暴雨积涝汇水区分级划分的方法研究

汇水区划分是分布式水文模型计算的基础。针对现有方法使用DEM在平原城市地区划分的汇水区不符合实际地形情况,本文提出了一种面向城市平原地区分级划分汇水区的技术方法。该方法从城市用地分类角度出发将城市分为中心城区和郊区,依据城市排水主干水系进行汇水区一级划分,将影响中心城区和郊区的不同径流因子分别融入DEM中,利用细化的DEM进行二级汇水区划分;在此基础上,根据实际汇流情况,结合Voronoi图,对中心城区进行三级划分,最后通过GIS技术进行修正。该方法既结合了传统DEM生成子流域的算法,又融入了城市区域地物地貌特点,能更好地满足城市地区的需要。选择上海市嘉定区西北部地区为实验样区,利用该方法进行汇水区划分比较表明,其对于城市平原地区具有很好的适用性。     

基于卷积神经网络的ICESat-2光子点云去噪分类

ICESat-2（Ice, Cloud, and land Elevation Satellite-2）是美国NASA（National Aeronautics and Space Administration）在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS（Advanced Topographic Laser Altimeter System）采用微脉冲多波束光子计数激光雷达系统,因其低能耗、高探测灵敏度、高重复频率的特性极大改善了沿轨采样密度,但也使获取的数据中包含大量的噪声,如何有效实现光子点云去噪分类成为后续应用的关键,也是当前研究的热点和难点,为此本文提出一种基于卷积神经网络的光子点云去噪和分类算法。首先将光子点云按照沿轨和高程方向划分格网,去除明显的噪声光子,并将每个粗信号光子点栅格化为影像;然后基于少量样本构建的卷积神经网络分类模型实现光子点云精去噪和分类;最后利用机载激光雷达数据进行验证,并与ATL08产品的去噪分类结果进行对比。结果表明,对于裸地和森林区域,卷积神经网络算法均能有效去除噪声光子,特别对于森林区域,可同时实现去噪和分类;其中,裸地区域地表计算的R²和RMSE分别为1.0和0.72 m,森林区域地表和树冠计算的R²分别为1.0和0.70, RMSE分别为1.11 m和4.99 m。本文利用深度学习算法实现光子点云去噪分类,在裸地和森林区域均取得了较好的结果,为后续光子点云数据处理提供了参考。     

前期土地覆被数据辅助下的分类样本自动选取

 将地学知识与影像标定相结合,一直是目视解译或计算机自动分类制图的主要手段。传统的目视解译方法能够充分利用地学知识,但需要大量的人力、物力,效率较低;计算机分类中尚未出现比较成熟的高效运用地学知识的分类方法。已有研究表明,分类样本可以作为地学知识的载体,将地学知识融入分类过程中;此外,无监督聚类可以显著提高样本选取的效率,有助于提供足够的样本,为将地学知识高效地融入计算机分类提供了一定的基础。本文提出一种以前期土地利用数据辅助与影像聚类相结合的样本自动选取方法。利用自动选取的样本,通过最大似然分类器对TM影像进行分类,并与手动选取样本分类的方法进行了对比分析。研究结果表明,在分类效果上,本文提出的前期土地覆被辅助下的分类样本自动选取方法,优于手动选取样本的方法,提高了分类效率。在水体、林地、园地、城镇建设用地等7种类型上的分类整体精度达到84.18%,kappa系数为0.8066;手动选取样本进行分类的整体精度为77.04%,kappa系数为0.7196。     

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。     

基于WPA-WOA-BP神经网络的PM2.5浓度预测

针对传统BP神经网络存在的学习速度慢、易陷入局部极值等问题,利用鲸鱼优化算法(WOA)以及狼群算法(WPA)混合优化BP神经网络的权值和阈值,构建WPA-WOA-BP神经网络模型,并对PM2.5浓度进行预测.实验结果证明,WPA-WOA-BP神经网络模型预测稳定性高,可用于PM2.5浓度的预测,且预测精度优于BP神经网...     

基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究

基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2) 进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明：① 相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;② 非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③ 非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43~4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。     

航空与卫星影像数据多尺度分割对比研究

本文从遥感影像多尺度分割的角度分析了同一地区的航片与QuickBird、IKONOS等卫星数据的分割效果,讨论了不同地物和不同影像的最佳分割尺度,以增强对目标物的检测与识别能力,提高现有航空遥感数据及卫星影像数据应用的精度和效率,并对最终分类结果进行了比较。结果表明航片、QuickBird、IKONOS的最佳分割尺度分别为125、100、75,QuickBird的分类精度最高,航片和IKONOS的分类精度次之。因此可认为,航片在实际应用中,可以代替高分辨率卫星影像。     

基于决策树模型的湿地信息挖掘与结果分析

目前湿地成为地学、生态学研究热点,如何快速获得区域内湿地基础信息,对实现湿地的动态监测及其他领域研究具有重要意义。本文在引入地学知识的基础上,设计并实现了两景研究区不同时相影像的湿地信息提取决策树模型。评价结果显示Kappa系数均较高,分别为0.88和0.91,表明该模型快速提取湿地信息有一定应用价值。     

基于ISO元数据扩展模型的土地覆盖遥感分类体系框架研究

由于研究主题和应用目的的不同,国内外已经存在和正在产生着越来越多的遥感数据源的土地覆盖分类体系。这不仅使得分类体系缺乏可扩展性与互操作性,而且使得不同分类体系的土地覆盖数据难以对比、交换和集成。本文借鉴ISO 19115地理信息元数据的扩展经验,设计了基于ISO元数据扩展模型的土地覆盖分类体系框架,并研究其动态扩展方法。提出一种包括核心分类、全集分类和专题应用分类的三层土地覆盖可扩展分类体系框架。其中,核心分类是从国内外主要的土地利用/覆盖分类系统中抽取的共性分类元素;全集分类收集全部可能的土地覆盖分类元素;专题应用分类通过对核心分类的继承,和对全集分类的裁剪和扩展生成。该分类框架将为土地利用/覆盖的研究和应用提供一种科学的、可比的动态分类扩展模型和方法。     

Landslide inventory and susceptibility assessment using multiple statistical approaches along the Karakoram highway,northern Pakistan

China-Pakistan Economic Corridor(CPEC)is a framework of regional connectivity,which will not only benefit China and Pakistan but will have positive impact on Iran,Afghanistan,India,Central Asian Republic,and the region.The surrounding area in CPEC is prone to frequent disruption by geological hazards mainly landslides in northern Pakistan.Comprehensive landslide inventory and susceptibility assessment are rarely available to utilize for landslide mitigation strategies.This study aims to utilize the high-resolution satellite images to develop a comprehensive landslide inventory and subsequently develop landslide susceptibility maps using multiple techniques.The very high-resolution(VHR)satellite images are utilized to develop a landslide inventory using the visual image classification techniques,historic records and field observations.A total of 1632 landslides are mapped in the area.Four statistical models i.e.,frequency ratio,artificial neural network,weights of evidence and logistic regression were used for landslide susceptibility modeling by comparing the landslide inventory with the topographic parameters,geological features,drainage and road network.The developed landslides susceptibility maps were verified using the area under curve(AUC)method.The prediction power of the model was assessed by the prediction rate curve.The success rate curves show 93%,92.8%,92.7%and 87.4%accuracy of susceptibility maps for frequency ratio,artificial neural network,weights of evidence and logistic regression,respectively.The developed landslide inventory and susceptibility maps can be used for land use planning and landslide mitigation strategies.     

基于“DEM-NDVI-土地覆盖分类”的天山博格达自然遗产地山地垂直带提取与变化分析

本文基于Landsat影像数据获取天山博格达自然遗产地土地覆盖分类,结合归一化植被指数（NDVI）和数字高程模型（DEM）构建“DEM-NDVI-土地覆盖分类”散点图分析研究区植被受海拔和坡向的水热空间变化影响的分布特征,通过概率统计分析提取博格达遗产地山地垂直带,并结合研究区的气温、降水数据和NDVI变化特征分析垂直带变化的原因。研究结果表明：① 本文利用“DEM-NDVI-土地覆盖分类”散点图,揭示了研究区1989年和2016年的NDVI值和分类类别随着海拔上升的变化特征,其中NDVI值随着海拔上升呈现“倒U形”变化,而不同分类类别在一定的海拔区间内呈现出聚集效应,且不同分类类别有明显的高程界限。② 1989年和2016年博格达遗产地山地垂直带分带上限分别为：1278 m和1185 m（温带荒漠草原带）、1784 m和1759 m（山地草原带）、2706 m和2730 m（山地针叶林带）、3272 m和3293 m（高山草甸带）、3636 m和3690 m（高山垫状植被带）。③ 博格达遗产地1989年和2016年山地垂直带受区域气温升高和降雨增加的影响有较为明显的改变,其中温带荒漠草原带最为敏感,其上限变化最大,向下收缩93 m;山地针叶林带的分布范围则向两侧扩张49 m;山地草甸带带宽基本保持不变,但整体上移了约20 m;冰雪带则受到全球气候变暖的影响向上退缩54 m。     

萤火虫算法优化的高光谱遥感影像极限学习机分类方法

机器学习方法在高光谱遥感影像分类中广泛应用,本文使用新型的极限学习机（Extreme Learning Machine,ELM）进行高光谱遥感影像分类,针对ELM中正则化参数C和核参数σ,提出以萤火虫算法（Firefly Algorithm,FA）进行优化。首先,采用萤火虫算法进行高光谱遥感影像的波段选择,以便降低维数;然后,利用萤火虫算法以分类精度最大化为准则对ELM的参数组合（C,σ）进行寻优;最后,利用参数优化后的ELM分类器,对3个不同传感器的高光谱遥感影像进行分类。实验中将新型的萤火虫算法与遗传算法（Genetic Algorithm,GA）和粒子群算法（Particle Swarm Optimization,PSO）进行了对比,并将ELM的性能与支持向量机（Support Vector Machine,SVM）方法作对比。结果表明,FA优化方法优于传统的GA和PSO优化方法,ELM方法的效果在训练时间和分类准确率2个方面都优于SVM方法。实验说明,本文提出的方法具有较好的适用性和较优的分类效果。     

面向对象的高分辨率遥感影像分割分类评价指标

由于总体精度或Kappa系数的遥感影像分割/分类评价指标,对影像分割图斑的几何形状等真实结构未能有效刻画,不能有效体现面向对象处理中边缘像元的真实分割/分类效果。本文基于分割对象的几何结构,提出了5个面向对象的高分辨率遥感影像分割/分类精度评价指标:过分割、欠分割、边缘匹配、分割块数,以及形状误差,并在IDL平台实现了一个面向对象影像分析与评价的原型系统。通过对福州市QuickBird影像的Meanshift分割评价,证实了其指标能够刻画出分割对象的深层结构,并符合地物对象分割/分类的真实分布。实验还表明,该评价指标在确定分割算法的参数方面具有重要的应用价值。     

基于MVO优化神经网络的GNSS高程异常拟合方法

针对普通神经网络的梯度消失和易陷入局部极值的问题,提出一种基于多元宇宙优化算法(multi-verse optimizer, MVO)的BP神经网络优化方法(MVO-BP),利用MVO全局寻优的特性求取BP神经网络各层之间可靠的神经元阈值与连接权,从而使神经网络预测模型具备更高的预测精度。建立基于MVO-BP算法的GNSS高程异常拟合预测模型,并采用实际工程中少量高程异常数据进行算法可行性检验。结果表明,相较于常规的BP神经网络法及多面函数法,MVO-BP法精度更高、适用性更强,可为实际工程测量中正常高的求取提供参考。