光谱特征扩展的时间序列Landsat数据地表覆盖分类

时间序列遥感影像常用于地表覆盖监测及其变化监测。然而,利用时序遥感数据—尤其是中分辨率遥感数据监测地表覆盖变化,其方法基本是先对多期影像分别进行监督分类然后对比分类结果。由于这种方法需要对每期遥感影像单独选择分类训练样本,而对于历史影像,常常难以获得可靠的样本数据。本文基于遥感数据定量化处理,尝试利用光谱特征扩展方法对时间序列Landsat数据进行分类:首先,结合一种新的大气校正方法和相对辐射归一化方法,对时间序列Landsat数据进行定量化处理,以消除各期影像之间的辐射差异,获得地表反射率数据。然后,论文选择一期易于获得分类训练样本的反射率数据作为"参考影像",并结合样本数据提取不同地表覆盖类型的光谱特征。最后,将"参考影像"中提取的地物光谱特征,扩展到所有时间序列反射率数据进行分类。论文利用青藏高原玛多地区的5景Landsat数据对本文的方法进行了验证,结果显示:基于光谱特征扩展的分类方法,可有效对定量化处理后的Landsat数据进行分类,分类总体精度为88.35%—94.25%,分类结果和传统的单景监督分类结果具有较好的一致性。此外,研究也发现,"参考影像"和待分类图像获取时间的季相差异会影响其分类的精度。     

基于融合时间特征Landsat影像的水稻面积提取

以洞庭湖区典型的产量大县——南县为研究区,针对Landsat回访周期较长及长江中下游阴雨天气较多的特点,利用STARFM模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat TM数据,获取融合时间特征的Landsat TM时序数据,基于作物物候特征提取水稻的种植面积,并与单时相Landsat TM影像分类结果进行对比分析。结果表明,基于时序Landsat NDVI数据的水稻作物分类精度较之单时相Landsat TM影像分类结果有较大的提高。     

融合多源遥感影像的城市扩展识别与空间驱动分析

鉴于当前较难获取最新高精度长时序遥感城市土地监测图,现有城市扩展空间驱动分析实践识别主要驱动因子时未检验因子集的全局解释性且较少关注空间溢出效应。以东莞为实验对象,集合Landsat影像和MODIS归一化植被指数（normalized differential vegetation index,NDVI）时序产品,构建深度学习分类器,获取高精度土地覆盖分类图,识别城市扩展,使用基于logistic回归的探索性回归识别解释东莞全局城市扩展的最优因子集,进而使用auto logistic回归测度空间溢出效应的影响并进行驱动分析。研究发现：(1)基于深度学习分类器,融合Landsat光谱、纹理和MODIS NDVI时序变化信息可获取高精度（Kappa>93%）土地覆盖分类图;(2)基于探索性回归可良好识别解释全局城市扩展的最优因子集,受试者工作特征曲线（receiver operating characteristic curve,ROC）>0.85;(3)2000—2020年,最优解释东莞全局城市扩展的主要空间驱动因子有城市规划方案、距建成区距离、空间加权城市密度、城市扩展的空...     

GEE遥感云平台支撑下的河南省土地利用变化检测

针对长时序大尺度的土地利用类型精细化分类存在的挑战,基于Google Earth Engine遥感大数据云平台,利用具有较好时空一致性的Landsat7、Landsat8数据,采用随机森林模型和众数滤波优化算法研究了过去20年间河南省土地利用分类空间变化特征及趋势.研究结果表明:1)基于GEE遥感云平台提供的丰富数据和...     

顾及物候特征的喀斯特断陷盆地土地覆盖遥感分类

在喀斯特分布区,基岩、植被、裸地等多种地表覆盖交错分布,地物覆盖高度异质,并且呈现出短周期规律性变化和长期动态趋势变化,单一时相的影像进行土地覆盖分类精度非常有限。针对这一问题,本文提出一种顾及物候特征的多时相遥感影像分类策略,利用具有高时间分辨率的MODIS NDVI时间序列产品作为数据源,选择BFAST(Breaks For Additive Seasonal and Trend)方法进行NDVI时间序列的物候分解,采用动态阈值法对时序分解的物候轨迹进行标记,最后将物候标记特征与原始光谱时序综合特征进行组合,选择支持向量机(SVM)分类器进行土地利用覆盖分类,并且对比了不同特征空间下的分类结果。以云南省壮族苗族自治州丘北县和砚山县为研究区进行分类实验,结果表明,BFAST模型可以有效地分解出NDVI时序中的关键物候特征,相比基于单纯光谱特征的分类,物候驱动的喀斯特断陷盆地区土地覆盖分类精度有明显的提升,在NDVI、光谱和物候组合特征空间下,土地覆盖分类精度最高,总体精度和Kappa系数分别为88.94%和0.8693,尤其在灌木林、有林地、石旮旯地与稀疏植被的区分中,SOS、POS和GSG等物候特征具有较强的可分性,表明物候特征在地物识别中的有效性。     

综合多特征的Landsat 8时序遥感图像棉花分类方法

传统的多时相遥感图像分类大多拘泥于单一特征,本文基于多时相的Landsat 8遥感数据,开展了综合多特征的特征提取与特征选择方法研究。综合了NDVI时间序列、最佳时相反射率光谱特征以及纹理特征作为初始分类特征,并采用基于属性重要度的粗糙集特征选择算法对其进行特征约简。分类结果表明:(1)利用初始分类特征,分类的总体精度达到92.81%,棉花提取精度达87.4%,与仅利用NDVI时间序列相比,精度分别提高5.53%和5.05%;(2)利用粗糙集选择后的特征分类,分类总体精度可达93.66%,棉花分类精度达92.73%,与初始分类特征提取结果相比,棉花分类精度提高5.33%。基于属性重要度的粗糙集特征选择不仅提高了分类精度,同时有效降低了分类器的计算复杂度。     

参数优化随机森林算法的土地覆盖分类

针对随机森林算法进行土地覆盖分类时无法确定参数组合以得到最优分类结果的问题,该文提出了两种随机森林算法的参数优化方法。以北京市昌平区为研究区,应用Landsat TM影像,实现了基于光谱值、纹理特征和专题特征的随机森林土地覆盖分类。采用改进网格法和遗传算法对随机森林算法的参数进行选择与优化,比较了改进的网格法和遗传算法方法找到的参数组合最优解,并将优化参数后的随机森林算法与传统的最大似然法及未经参数优化的随机森林算法对比。实验结果验证了随机森林算法在土地覆盖分类上的适用性和稳定性,且该文提出的基于参数优化的随机森林算法能得到更高的分类精度。     

综合环境卫星与MODIS数据的面向对象土地覆盖分类方法

使用面向对象方法对单时相的环境卫星数据进行土地覆盖分类时,几何特征和光谱特征相似的地物无法区分,而MODIS时序数据的空间分辨率较低,不适用于中小尺度的土地覆盖分类。应用面向对象方法,充分利用环境卫星数据的空间、光谱特征和MODIS数据的物候特征建立规则,进行分类,可以有效地解决上述困难。首先对环境卫星数据进行多尺度分割,生成待分类对象;再根据对象的特征,依据由简到难的原则进行分层分类。以双台子河口为例进行土地覆盖分类,总体精度93%,Kappa系数0.92。结果表明,综合环境卫星与MODIS数据的面向对象土地覆盖分类方法应用潜力巨大。     

基于Google Earth Engine与多源遥感数据的土地覆盖变化监测

快速准确地获取一个地区的土地覆盖变化信息,可为该地区的社会经济发展、生态环境建设、国土空间规划等提供重要支撑.以广东省为研究区,以Google Earth Engine(GEE)云平台为支撑,以Sentinel-1/2和Landsat7/8数据为遥感数据源,结合多源时序影像和DSM影像,利用机器学习分类方法进行了土地覆盖类型快速监测.     

基于MODIS数据的环北京地区土地资源监测研究

本文基于MODIS 16天合成的NDVI时间序列数据及其他辅助数据,首先用PCA方法对NDVI时间序列数据进行信息增强与压缩处理,结合LST数据、DEM数据及降雨温度数据,利用模糊K-均值非监督分类法,进行环北京地区的土地覆盖分类,得到土地资源现状情况。然后利用变化矢量(CVA)分析方法对环北京地区的土地利用及植被覆盖的多年变化状况进行了分析。结果表明,MODIS数据能很好的应用于大范围的土地资源监测中,并能得到较好的结果。