像元尺度上分类不确定性评价及可视化表达

传统的地物类别尺度上的遥感影像分类不确定性评价仅能实现分类精度的数学度量,无法反映分类不确定性的空间分布,难以完整、准确地描述和理解遥感影像分类信息的不确定性.文章首先在像元尺度上对遥感影像分类的不确定性进行评价,并在此基础上利用计算机技术从彩色可视化、用户交互式可视化和用户选择性可视化模式3个方面在空间域上对分类不确定性进行描述,从视觉感知角度表达遥感影像分类的不确定性信息,从而使用户更加形象直观地理解不确定性信息数据的大小及其空间分布.     

空间数据不确定性的三维可视化表达模型

空间数据不确定性问题是国内外地理信息科学领域的重要研究内容。针对现有空间数据不确定性三维可视化表达模型的研究较少的问题,本文提出了空间数据不确定性的度量方法,构建了基于Delaunay三角网的矢量数据不确定可视化表达模型,采用距离加权平均法、多项式内插法构建了栅格数据不确定性三维可视化表达模型。试验研究表明该方法能直观、有效地表达空间数据的不确定性。     

遥感影像像元不确定性对SVM分类结果可靠性影响研究

在遥感影像获取过程中,由于地表环境复杂,传感器参数等因素影响,影像存在不确定性.通过分析不确定性产生的原因及特征,在像元尺度上构建像元光谱多义性、灰度差异性、分类信任度3个指标来度量影像不确定性.在此基础上,利用线性回归模型分析像元不确定性对支持向量机分类结果可靠性的影响.结果表明:像元不确定性对分类可靠性有一定影响,更具体地,像元不确定性越大,影像分类的总体正确性和一致性越低,基本呈现线性递减关系;像元不确定性对分类完整度和可靠度的影响在类别和影像间存在差异,其中,耕地和林地的分类完整度和可靠度与像元不确定性的线性关系较强.     

多粒度时空对象的校史信息可视化研究

针对现有校史信息可视化存在的形式单一、表达内容缺乏等问题,该文基于多粒度时空对象的思想对校史信息可视化进行了探索.分析了校史信息可视化数据的特点,构建了基于多粒度时空对象的校史信息及其可视化表达方法的分类体系.最后在该分类体系的指导下,以某大学为例,进行了校史信息可视化的技术实现.研究结果表明,基于多粒度时空对象的校史信息可视化更有利于校史的全面、真实和动态展示.     

道路要素表达空间数据模型和可视化

文章将道路要素按点状、线状和面状道路要素进行分类,建立了基于线性参照的道路要素表达数据模型;设计了基于制图表达的道路要素可视化流程,对道路要素采用道路网络的线性参照系统进行动态分段,并创建制图表达规则,实现道路要素的可视化表达;最后通过基于高分辨率影像提取道路要素数据进行可视化表达的应用示例展示可视化效果.     

适宜空间认知结果表达的地图形式

心象地图是驻留在记忆中的关于地理世界空间特征认知结果的表达,具有如下特征:空间表达的非均一性、内容选取的主观性、空间定位的非确定性、度量特征上的非精确性.心象地图的可视化需要由特殊的图形形式来承担,经过分析提出了适宜这一表达特征的3种可视化技术,包括面向道路网认知表达的路网构架图、专题属性空间定位信息认知表达的面域拓扑图、虚拟网络空间导航认知的赛伯网络图.基于地图的定义,对这3种可视化形式度量特征进行了讨论,认为它们在有序量尺度上具有可度量特征.     

基于高维云模型和RBF神经网络的遥感影像不确定性分类方法

云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,RBF神经网络已经广泛应用于遥感影像分类。考虑到传统的RBF神经网络分类技术不能有效表达影像分类过程中存在的不确定性、难以自适应地确定隐含层神经元,本文提出了一个基于高维云模型和改进RBF神经网络的不确定性分类技术。利用高维正态云创建隐含层神经元,使RBF神经网络能充分表达影像分类过程中存在的不确定性。通过峰值法云变换和高维云算法自适应地确定最优隐含层神经元。通过基于概率的权值确定和频率阈值调整,进一步优化RBF神经网络的结构。实验表明,本文提出的方法有较高的分类精度,分类结果基本上与人眼目视解译一致。     

光学遥感影像智能化处理研究进展

随着对地观测技术的发展,海量遥感影像不断传输到地面。传统的遥感信息处理方法在处理效率、精度上的不足,限制了遥感信息的挖掘及利用,亟需发展智能化方法满足遥感影像处理的需求。受自然界中生物进化机制的启发,基于进化计算的遥感影像智能化处理方法具有以下特点:(1)拥有全局优化能力,对目标函数的优化能力更强;(2)具有自组织、自学习的特点,能够从遥感数据本身学习,不依赖数据分布等先验信息;(3)拥有处理多目标问题的能力,同时考虑多个目标函数而不需要人工确定它们之间的权重。因此,智能化遥感信息处理方法能够在海量遥感影像中有效地提取适用于不同应用目的的信息。本文主要介绍智能化遥感信息处理方法的典型应用包括遥感影像智能化分类(监督分类、聚类)、遥感影像亚像素信息提取(高光谱影像混合像元分解、亚像元制图),并讨论了遥感信息智能化处理方法的发展方向。     

基于混合熵模型的遥感分类不确定性的多尺度评价方法研究

不确定性是影响遥感图像分类质量的最主要因素,针对在遥感图像分类过程中同时存在随机不确定性和模糊不确定性的特点,提出基于混合熵模型来综合测度这两种不确定性的方法,并建立起多尺度的评价指标.在分析混合熵模型基本原理的基础之上,提出利用特征空间的和模糊分类器的统计数据来建立信息熵、模糊熵以及混合熵的方法.同时,在像元和类别尺度上,分别建立像元混合熵和类别混合熵的指标对分类不确定性进行评价.最后,应用湖北省黄石市的遥感影像对上述评价方法进行验证分析,实验结果表明,混合熵模型能有效地反映分类过程中随机不确定性和模糊不确定性的综合影响,并从不同尺度反映出遥感影像分类的质量问题.     

多种特征信息在高分辨率遥感影像目标识别中的应用研究

以Quickbird影像为研究对象,探讨了利用多种特征信息识别地物目标的技术方法.首先采用区域生长法将影像分割为若干个具有语义信息的对象,然后在此基础上提取对象的光谱、形状和纹理特征并进行描述,最后根据提取的特征参数,采用最近邻方法将影像分为建筑物、公路、铁路、水塘、耕地、林地和荒地7类地物目标,综合分类精度达到91.03%.研究表明,多种特征信息的综合利用,在目标分类与识别方面明显优于传统的基于单一光谱特征的方法,在一定程度内提升了遥感信息的智能化水平.     

多种广义立体像对空间前方交会模型计算精度比较

本文依据广义立体像对的概念,利用覆盖同一区域的异源遥感数据分别作为左右影像,构建起该区域的广义立体像对,并以RFM模型为基础提出几种基于RFM的广义立体像对空间前方交会模型,结合现有影像数据,依次利用各空间前方交会模型进行地面三维坐标计算,进而针对各模型的计算精度进行了实验对比,并对精度影响因素进行了分析与探讨。最终证明了广义立体像对空间前方交会模型的计算精度能够满足遥感影像制图生产要求。     

Improving Classification Accuracy Assessments with Statistical Bootstrap Resampling Techniques

The use of remotely sensed imagery to generate land cover models is common today. Validation of these models typically involves the use of an independent set of ground-truth data that are used to calculate an error matrix resulting in estimates of omission, commission, and overall error. However, each estimate of error contains a degree of uncertainty itself due to: (1) conceptual bias; (2) location/registration and co-registration errors; and (3) variability in the sample sites used to produce and validate the model. In this study, focus was not placed upon describing land cover mapping techniques, but rather the application of bootstrap resampling to improve the characterization of classification error, demonstrate a method to determine uncertainty from sample site variability, and calculate confidence limits using statistical bootstrap resampling of 500 sample sites acquired within a single Landsat 5 TM image. The sample sites represented one of five land cover categories (water, roads, lava, irrigated agriculture, and rangelands), with each category containing 100 samples. The sample set was then iteratively resampled (n = 200) and 65 sites were randomly selected (without replacement) for use as classification training sites, while the balance (n = 35) were used for validation. Imagery was subsequently classified using a maximum likelihood technique and the model validated using a standard error matrix. This classification-validation process was repeated 200 times. Confidence intervals were then calculated using the resulting omission and commission errors. Results from this experiment indicate that bootstrap resampling is an effective method to characterize classification uncertainty and determine the effect of sample bias.     

Refining Population Surface Models: Experiments with Northern Ireland Census Data

This paper compares and contrasts alternative methods for the construction of discontinuous population surface models based on the census and remotely sensed data from Northern Ireland. Two main methods of population distribution are employed: (1) a method based on redistribution from enumeration district (ED) and postcode centroids, and (2) a method based on dasymetric redistribution of ED population counts to suitable land cover zones from classified remotely sensed imagery. Refinements have been made to the centroid redistribution algorithm to accommodate an empirical measure of dispersion, and to allow redistribution in an anisotropic form. These refinements are evaluated against each other and the dasymetric method. The results suggest that all of the methods perform best in urban areas, and that while the refinements may improve the statistical performance of the models, this is at the expense of reduced spatial detail. In general, the techniques are highly sensitive to the spatial and population resolution of the input data.     

Distribution of Errors in a Classified Map of Satellite Data

Abstract

The output from any spatial data processing method may contain some uncertainty. With the increasing use of satellite data products as a source of data for Geographical Information Systems (GIS), there have been some major concerns about the accuracy of the satellite‐based information. Due to the nature of spatial data and remotely sensed data acquisition technology, and conventional classification, any single classified image can contain a number of mis‐classified pixels. Conventional accuracy evaluation procedures can report only the number of pixels that are mis‐classified based on some sampling observation. This study investigates the spatial distribution and the amount of these pixels associated with each cover type in a product of satellite data. The study uses Thematic Mapper (TM) and SPOT multispectral data sets obtained for a study area selected in North East New South Wales, Australia. The Fuzzy c‐Means algorithm is used to identify the classified pixels that contained some uncertainty. The approach is based on evaluating the strength of class membership of pixels. This study is important as it can give an indication of the amount of error resulting from the mis‐classification of pixels of specific cover types as well as the spatial distribution of such pixels. The results show that the spatial distribution of erroneously classified pixels are not random and varies depending on the nature of cover types. The proportions of such pixels are higher in spectrally less clearly defined cover types such as grasslands.     

纹理特征遥感影像分割研究

影像分割是面向对象的分类思想应用于遥感影像信息自动提取的基础,纹理是影像的基本特征,是影像分析、理解和识别的重要信息,纹理特性的有效表达和抽取,是基于纹理影像分割的前提。本文系统概述了近年来各类文献中使用频率较高的基于纹理的遥感影像分割方法,并以基于统计的方法、基于纹理结构的方法、基于模型的方法和基于空间/频率的方法四种基本类型为主线,对每一类分割方法的特点进行了分析和总结,在此基础上指出了基于纹理特征遥感影像分割的研究趋势。     

基于相位一致的高分辨率遥感图像分割方法

基于分水岭变换的图像分割性能在很大程度上依赖于用来计算待分割图像梯度的算法。根据频域相位信息对图像特征的表征能力,引入相位一致的思想计算图像特征,应用Log Gabor小波提取高分辨率遥感图像的多尺度梯度。接着在对相位一致梯度进行分水岭分割时发现,在抑制分水岭算法的过度分割方面,经典的基于前景标记和背景标记的方法并不适合于遥感图像的分割,给出一种基于前景标记和梯度重建的分水岭算法。对IKONOS Pan图像上的农田、厂房和居民楼等地物进行特征提取和图像分割实验,结果表明相位一致方法优于空域特征检测算子,根据相位一致特征得到较好的分水岭分割结果。     

基于多特征的遥感影像分类方法

提出了一种基于多特征的遥感分类方法。首先 ,制定类方案并分解各个类 ,据此得到相应的子类 ;然后 ,通过选用适当的特征 ,使得每一个类都能以一个独特的特征组合来表达。与此同时 ,通过影像分割得到影像对象 ,并测量这些对象的各个特征 ,如光谱特征、几何特征及拓扑特征等。凭借这些特征 ,影像对象可以较为容易地被识别和分类。与传统的分类方法的比较表明 ,文中所提出的分类方法具有明显的优越性和良好的前景。     

土壤蒸发和植被蒸腾遥感估算与验证

地表蒸散发是土壤—植被—大气系统中能量和水循环的重要环节,它包括土壤、水体和植被表面的蒸发,以及植被蒸腾。随着地表参数多源遥感产品的快速发展,利用不同地表参数遥感产品估算地表蒸散发以及其组分土壤蒸发和植被蒸腾成为日常监测越来越便利,监测尺度已从单站扩展到田块、区域乃至全球。目前地表蒸散发双层遥感估算模型按照建模机理的不同可分为:系列模型、平行模型、基于特征空间的模型、结合传统方法的模型以及数据同化方法。本文从模型构建物理机制、模型驱动数据以及模型输出结果验证等方面总结了上述模型的发展历史和现状,并指出在模型结构与参数化方案的优化、高分辨率模型驱动数据的发展、土壤蒸发和植被蒸腾像元尺度"地面真值"的获取等方面都仍需进一步完善。