基于Landsat-8 OLI影像的植被信息提取方法研究

植被是地理环境的重要组成部分,在城市生态环境系统中扮演着非常重要的角色。本文以池州市2014年OLI遥感影像为基础,结合30 m空间分辨率的DEM数据,在ENVI 5.1和ArcGIS 10.2软件的支撑下,对该区植被信息进行提取。通过对比原始波段组合、主成分分量组合和衍生波段组合的分类精度,确定植被信息提取的最佳波段组合,并对植被提取结果进行精度验证。结果表明:考虑NDVI、绿度指数和第一主成分的衍生波段组合植被提取精度最高,与该区已知的土地利用类型中的植被覆盖度进行比较,精度达到89.16%。这说明该波段组合方案对于Landsat-8影像提取植被信息效果较好,可以为其他地区植被信息的提取提供参考。     

结合随机森林的高分一号分类最优组合研究

选取高分一号(GF-1)PMS多光谱影像,提取该数据的指数、共生矩阵纹理等特征与原始多光谱影像叠加,对叠加后影像进行随机森林分类并提取各波段重要性系数。根据重要性系数进行最优波段组合初选择,在此基础上利用最佳指数法(OIF)选取土地覆盖分类最优波段组合,利用随机森林分类器对该组合进行土地覆盖分类,与传统的OIF最优波段选取结果进行分类精度对比。结果表明,提出的方法能够有效提取最优波段组合,最优波段组合为B2-B5-CON,与传统方法相比,在随机森林分类中总精度要高出20.49%。     

基于波段组合的高光谱数据湿地分类研究

对高光谱数据进行波段组合,可以减少信息量的冗余,提高数据的处理速度。对黄河口入海口湿地进行分类,对合理利用、开发保护该地区湿地资源具有重要意义。本文首先分析了“珠海一号”高光谱数据各个波段的信息量及波段之间的相关系数,然后利用最佳波段指数(OIF)方法选出波段组合B7-B8-B32,进一步在OIF基础上设置信息量与相关系数阈值,选出波段组合B7-B18-B32,实验结果证明分类精度提高了5.4%。最后,根据地物的光谱特征分析,选择光谱差异较大的波段进行组合B6-B13-B18,分类后精度比OIF筛选出的波段组合精度高12.6694%。经实验验证,结合地物光谱特征的波段组合可以大大提高分类精度。     

植被信息的Landsat8卫星影像提取方法

传统植被信息提取的信息源多以TM/ETM+等影像为主,在如何应用Landsat8影像提取高精度的植被信息方面研究较匮乏。针对上述问题,该文应用大理市Landsat8影像开展了植被信息提取方法研究。研究过程中通过对原始波段组合法、主成分分量组合法、衍生波段组合法、直接解译法提取结果进行对比分析,确定最佳波段组合;之后将纹理信息作为最佳波段组合影像新的波段,与光谱信息一同分类,并对结果进行分析。研究结果表明,添加纹理能够在一定程度上提高植被信息提取的精度。     

基于地表生物物理参数的土地利用/覆盖遥感分类方法研究——以长沙市以例

土地利用/覆盖分类通常是利用地物的波谱反射特征进行监督或非监督分类,分类结果由于"同物异谱、异物同谱"现象的存在,往往分类精度不高。而植被指数和地表温度作为表征地表覆盖状况的生物物理参数,已成功用于宏观尺度的土地利用/覆盖分类,使得分类结果有所提高,而对于区域尺度的土地利用/覆盖分类却少见报道。本文充分利用TM数据的多光谱特征,从中提取了植被指数NDVI、地表温度Ts、温度植被角度TVA和温度植被距离TVD这四种分类特征进行监督分类,通过对7种组合方案(反射率波段组合、NDVI与反射率波段组合、Ts与反射率波段组合、NDVI与Ts和反射率波段组合、TVA与反射率波段组合、TVD与反射率波段组合、TVA与TVD和反射率波段组合)的分类结果进行比较,得出以下结论:①NDVI、Ts、NDVI和Ts、TVD作为分类特征参与到多波段地表反射率影像分类中,能够提高分类精度,而TVA、TVA和TVD的加入却没有改善分类结果;②总体分类精度受到训练样本与检验样本比例的影响。     

基于多时像TM/ETM+影像的兖州市土地利用/覆盖变化

本文利用多时相Landsat TM/ETM+影像分析了兖州市1998年和2002年的土地利用/覆盖变化。综合考虑波段间相关系数和OIF指数,选择最佳波段组合进行图像解译,并在此基础上运用最大似然分类器(MLC)和支持向量机(SVM)的分类方法对遥感影像进行分类。进而利用SVM分类结果进行土地利用遥感动态监测,获取兖州市土地利用/覆盖变化信息,并与社会经济统计资料的统计结果进行比较。最后提取TM/ETM+影像的RDVI,基于线性混合像元分解模型分析了植被覆盖的变化。结果表明,基于多时相TM/ETM+影像分析的土地利用/覆盖变化与实际统计数据较吻合,适合动态监测土地利用变化,且精度较高。     

最佳波段组合的城市土地利用类型提取

针对Landsat 8陆地成像仪(OLI)遥感影像光谱特征利用率不高等问题,为排除波段间冗余信息的干扰,提高土地利用特征提取的精度,该文以2014年唐山市中心城区Landsat 8OLI遥感影像为主要数据源,开展了基于Landsat 8OLI影像的城市土地利用特征提取的最佳波段选择研究。根据最佳波段选取原则统计波段光谱信息,基于最佳指数因子以及不同土地利用类型的光谱特征曲线,确定波段1、5、7为最适合该遥感影像进行土地利用特征提取的最佳波段组合。     

基于GF-1与Landsat-8影像的山区苹果园地信息提取

GF-1卫星影像具有空间和时间分辨率高、纹理信息丰富等优势,而Landsat-8卫星影像具有多波段、光谱信息充足等优势。针对两种影像的特点,本文分别用面向对象分类方法进行苹果园地信息提取研究,结果表明:两种影像的分类精度都比较高,但由于研究区域属于山区,地块分布不均匀,GF-1影像发挥其空间分辨率较高的优势,苹果园地面积提取精度比Landsat-8高1.19%。     

Landast-8影像的水体指数构建及稳定性研究

针对水体提取精度易受泥沙悬浮物和山体阴影影响的问题,该文以兰州市附近的黄河流域及刘家峡水库为实验区,构建了一种新的水体指数(WI2021)。选取黄河流域水体、长江流域水体、城市水体以及出海口区域的4个测试点,用Landsat-8影像数据实验。结果表明,与已有的7种水体指数相比,WI2021以平均总体精度、Kappa系数、错分和漏提误差分别为95.53%、0.905 8、6.08%和5.15%,总体上较其他水体指数具有一定的优势。该文利用Landsat-8影像的6个波段,构建了一个能够稳定地提取地表水且对泥沙悬浮物和山体阴影有较好抑制作用的水体指数。     

应用转移矩阵分析辽阳矿区的地表覆盖变化

为了分析辽阳地区的地表覆盖变化情况,本文选取辽阳矿区为研究区域,以2003年、2009年、2015年Landsat TM/OLI遥感影像及ASTER GDEMV2高程数据为基本数据源,提取NDVI、NDBI、MNDWI、高程值及单波段亮度遥感指数构建决策树分类模型,完成辽阳矿区地表覆盖的分类。对分类结果进行地表覆盖类型数量变化利用土地转移矩阵分析,并对驱动力因素进行研究。结果表明;决策树模型适用于辽阳矿区地表覆盖分类,分类精度较高。研究区域土地覆盖类型发生显著变化,主要表现为建设用地大幅增长,采矿用地大面积减少,植被、水体、裸地面积变化较小。人口增长、经济发展、矿区生态治理成为该矿区地表覆盖特征变化的主要驱动因素。     

Landsat-8监督分类器精度比较——以黄岛区为例

以2017年12月31日Landsat-8影像为数据源,因其有全色波段15 m分辨率,采用波段融合处理,提高影像处理分辨率,运用监督分类的6种分类器,比较各分类器分类结果精度,以结果的整体分类精度和Kappa系数对各分类器精度验证。其结果表明,整体分类精度和kappa系数成正比关系,6种分类器中平行六面体的分类精度最低,仅66%多,其余都在80%以上;支持向量机和最大似然分类器分类效果较好,分类结果与实际黄岛区土地利用类型吻合度较好。     

基于Landsat-8卫星OLI遥感影像和AdaBoost算法的水体信息提取

以红碱淖地区为研究对象,基于AdaBoost算法,将Landsat-8卫星OLI遥感影像谱间关系、NDVI、NDWI和KT变换wetness等特征相结合,构造提取水体的强分类器,实现水体的快速精确提取。结果表明,组合后的分类器能有效提高单个分类器的分类精度,平均分类精度提高了5.15%。该算法说明了Landsat-8遥感影像的水体信息提取的可行性,为快速精确提取水体信息提供了新思路。     

基于波段选择的MODIS全国土地覆盖分类

以MODIS多光谱和多时相数据为输入参数进行了全国土地覆盖分类研究。从试验区2007年MODIS 8 d数据的合成影像(MOD 09)中提取EVI、NDWI和NDSI 3个指数,并将其作为特征波段与原有的7波段(B1～B7)形成10波段影像。以统计分类J-M距离平均值和SVM分类总精度为标准评价不同波段对土地覆盖分类的贡献。在全国范围内,选择贡献最大的EVI、B7和B4这3个波段的月合成值,并分别对其作PCA变换,选取各PCA变换后的前3个波段进行分类运算。研究结果表明,在没有其他辅助信息的境况下,基于MODIS贡献最大的前3个波段结合多时相信息能够在中分辨率区域土地覆盖分类中取得较好的分类结果,其精度为78.04%。     

利用无人机高光谱影像的红树林群落物种分类

近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。     

高分辨率影像融合算法对滨海湿地土地利用分类精度的影响

针对融合算法对影像分类精度具有明显影响的问题,本文选择连云港海岸带埒子河口滨海湿地为研究区,以GF-1卫星影像为数据源,首先分别使用Gram-Schmidt算法、PCA算法及Brovey算法进行影像融合。然后在eCognition软件平台上,基于面向对象多尺度分割技术,利用随机森林算法对影像进行土地利用分类,并对分类结果进行精度评价。试验结果表明,不同融合算法影像融合效果明显不同,其中,Gram-Schmidt算法融合后的影像质量最好,且分类精度最高;Brovey融合算法对植被和水体有较好的光谱保真性,并且改变波段组合后分类精度有明显提高;PCA算法在3种融合算法中精度最低。     

基于不同分辨率遥感影像的分类方法对比研究

基于4种不同分辨率的遥感影像数据,分别为30 m分辨率的Landsat-8数据,融合Landsat-8多光谱波段和全色波段的15 m分辨率数据,5.8 m分辨率的资源3号卫星数据以及融合后2.1 m分辨率的资源3号卫星数据。采用ISO-DATA、最大似然分类法和面向对象分类法对影像进行分类,对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。结果显示在低分辨率影像中,面向对象方法受到限制,分类效果相比传统方法没有太大改善;而在高分辨率影像中,面向对象方法分类效果很好,并且随着分辨率提高分类精度也相应的提高。     

特征提取和决策树法土地利用遥感分类

文章以安徽省淮南市为例,采用2005年Landsat-5 TM多光谱数据,分析地物谱间关系,选择改进归一化差异水体指数(MNDWI)、归一化植被指数(NDVI)、归一化建筑指数(NDBI)、TM4+ TM5、TM4+ TM5+TM7、DEM高程和坡度等特征值,构建决策树分类规则,完成研究区土地利用遥感分类.结果表明:MNDWI和TM4+TM5特征值能较好地区分水体与非水体;NDVI和NDBI可完成非水体区域植被与非植被信息分类;DEM和TM数据6波段和值可完成建筑用地、裸地和沙(旱)地分类;DEM和TM4+ TM5+ TM7能较好地解决耕地和园地混淆问题.决策树法分类总精度和Kappa系数分别为90.29％和0.87,相比较于最大似然分类法和基于特征提取波段的最大似然分类法,精度均有所提高.     

运用ENVI实现SPOT-5卫星影像的RVI提取

运用ENVI软件处理长沙地区的SPOT-5影像,将全色影像和多波段影像进行融合,分析融合后的影像,再选择感兴趣区域进行影像裁剪;采用ENVI的波段运算(Band3/Band2)提取该地区比值植被指数并进行分析。结果表明:比值植被指数对植被覆盖率较高的区域有非常高的敏感度;在植被覆盖率小于50%的时候,其敏感度明显降低,在绿色植被覆盖区域的比值植被指数远大于1,在裸露地表、建筑物、水体等没有植被覆盖区域的比值植被指数则在1附近,而比值植被指数大于2的则出现在高覆盖健康绿色植被上。     

改进的OIF和SVM结合的高光谱遥感影像分类

文章提出了一种结合改进的最佳指数法(OIF)和支持向量机(SVM)进行高光谱遥感影像分类新方法.利用本文提出的稳定系数进行波段初选择,根据相关系数选择波段组合生成新影像,并对新影像进行OIF计算,得到OIF值最大的波段组合为最佳波段组合;构建SVM分类器,对最佳波段组合分类;最后将分类结果与其他监督分类方法比较,并在相同核函数下与PCA和SVM结合的方法进行精度比较分析.实验结果表明,本文方法能够有效提取最佳波段组合,在SVM算法下获得较高分类精度.     

利用Landsat 8 OLI进行汉江下游水体浊度反演

综合比较Landsat 8 OLI遥感影像与地面同步水质监测结果,发现Landsat 8的近红外波段与其他波段的组合和水体浊度具有较高的相关性,以此为基础运用OLI的第1、3、5波段组合建立了汉江中下游浊度的遥感反演数学模型。根据该模型生成了2013年4~11月共3幅汉江中下游浊度分布图,并进行了空间分析。精度验证表明,模型相对误差在15%左右,R2=0.71,表明运用Landsat 8 OLI可有效地监测该区域水体浊度分布情况。