基于支持向量机和多变量分析的高光谱遥感数据分类

从支持向量机和多变量分析的基本理论出发,建立一个基于支持向量机和多变量分析的高光谱分类器,并利用国产OM IS传感器获得的北京某地区高光谱遥感数据进行试验,采取网格搜寻的方法来确定误差惩罚参数和径向基核参数的值。主要选取独立成分分析和主成分分析这两种多变量分析方法。结果表明,当进行独立成分分析后的数据应用支持向量机分类的时候,分类精度随着维数的增加而递增,10~20维的时候达到最大值,然后随之递减,分类精度最大为78.93%。随后的主成分分析中,得到同样的结论,但精度最高的时候是选择5维特征,精度为88.61%。     

高光谱遥感影像多级联森林深度网络分类算法

高光谱遥感技术在环境监测、应急保障、精细地物提取等方面有着广泛的应用,随着高分五号高光谱数据的正式发布,高光谱遥感技术将发挥更重要的作用。遥感影像分类作为高光谱遥感影像信息处理的重要部分,已成为当前研究重点。本文针对传统多级联森林深度学习中模型复杂、无法利用基分类器差异信息、对类间差异较小的样本无法正确区分等不足,提出了一种改进的多级联森林深度学习模型,在模型框架中,分别采用了随机森林和旋转森林作为基分类器,并引入逻辑回归分类器作为判别器用于训练层扩展。相较于传统的深度神经网络,改进的多级联森林深度网络超参数较少且能够自适应确定训练层,更方便进行模型优化。实验采用了高分五号数据集及两个公开的高光谱数据集(Indian Pines数据集及Pavia University数据集)进行精度评定,同时选择了传统分类器支持向量机、深度置信网等模型作为对比分析。实验结果表明,改进的多级联森林深度学习模型能有效地进行高光谱遥感影像分类,且较传统的分类方法精度有所提升。     

重加权稀疏和全变差约束下的深度非负矩阵分解高光谱解混

近年来,非负矩阵分解NMF (Nonnegative Matrix Factorization)由于其简单有效的特点,已被广泛应用于解混。由于传统的NMF只有单层结构,不能获取隐藏层的信息,其解混效果受到制约,为了研究影像的深度空谱特征,本文在深度NMF结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解(RSDNMF-TV)算法。首先,使用深度NMF模型代替传统单层NMF模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差。其次,由于丰度矩阵是稀疏的,本文在深度NMF模型中加入重加权稀疏正则化项,其权值则根据丰度矩阵自适应更新。最后,进一步引入全变差正则化项,以利用空间信息并促进丰度图的分段平滑性。论文采用梯度下降法推导出乘性迭代规则,为验证所提出的RSDNMF-TV算法的有效性,利用模拟数据集、Cuprite数据集以及高分五号数据集进行实验,并与其他经典方法作对比,结果发现本方法具有更好的解混效果,同时具有一定的去噪能力。     

基于遥感和GIS的城市景观格局演变与水文效应关系研究

基于多时相TM/ETM+遥感影像,运用支持向量机分类方法对合肥市景观进行分类,解译得到1995、1999、2003和2007年土地利用专题图;应用单窗算法解译得到地表亮温专题图。采用景观指数法分析了合肥市景观格局与城市水文效应间的关系。研究表明:城市水文要素与景观指数之间存在相关性,城市化水文特征明显;建筑用地有增加并集中趋势,不透水面积增加,年降水量增大;供水排水能力平稳增长,人均用水量相对减少,城市饮用水水源地水质偏差。调整城市景观格局,有利于优化城市水文状况。     

决策树分类法及其在遥感图像处理中的应用

首先阐述了决策树分类器的结构与理论基础,并就决策树算法的发展趋势进行了归纳总结。然后结合遥感图像分类的特点,探讨了决策树分类法的实现方法和关键问题。在此基础上,以徐州市TM影像为数据进行了分类试验。试验说明了决策树分类法在遥感图像处理中的具体实现过程,并且试验结果表明该方法在依据感兴趣区类别进行图像分类时效果较好。     

一种联合空谱特征的高光谱影像分类胶囊网络

高效稳定的深度学习分类器有助于提升高光谱遥感影像的分类精度。针对卷积神经网络标量式神经元特征表达能力有限、无法有效建模特征之间空间层次结构关系的不足，设计了一种考虑数据图谱合一特性的端到端高光谱胶囊网络(H-CapsNet)。H-CapsNet主体由编码器(卷积层、PrimaryCaps层及DigitCats层)和解码器(全连接层)组成，通过在网络输入端嵌入通道和空间注意力模块，以此增强模型对空谱特征的抓取和识别，进而提升网络对特征的聚焦和表达能力。以资源一号02D卫星获取的张家港高光谱影像及公共数据集University of Pavia和University of Houston影像为例进行试验，将H-CapsNet网络与传统机器学习算法和多个深度学习网络进行对比。试验结果表明，在3景不同分辨率的高光谱影像上，H-CapsNet分类网络均取得了最优的分类效果，总体精度相较于其他方法分别提升了2.36%～7.67%、0.16%～11.8%和1.75%～15.58%。H-CapsNet网络对小像素邻域具有较好的适应性，当图像块尺寸有限时，仍可以取得相对理想的分类结果。     

改进型遥感生态指数及干旱区生态环境评价

利用遥感影像对大尺度区域生态环境质量进行长期、定量、动态监测可为区域可持续发展提供有力的决策支撑。基于遥感生态指数（RSEI），针对干旱区生态环境的地域特点和应用需求，从耦合生态系统组成要素的角度出发提出一种改进型遥感生态指数（ERSEI），即在顾及绿度（NDVI）、湿度（Wet）、干度（NDBSI）、热度（LST）因子的同时，引入综合盐度指标（CSI）和水网密度遥感估算模型（EMW），将盐度和水网密度（WND）纳入生态环境质量评价。在Google Earth Engine(GEE)云计算平台上实现ERSEI并将其应用于地处西北干旱区的呼包鄂榆城市群，结果表明，ERSEI可充分体现干旱区地表细节特征，有力突显了水网对周边环境辐射影响的渐变信息。由呼包鄂榆城市群范围内2000年—2020年间ERSEI的空间测度和时序演变分析发现，生态环境质量较好的区域主要分布在河套平原、大青山一线以及靠近吕梁山的一侧，较差的区域主要集中分布在蒙古高原、库布齐沙漠附近以及毛乌素沙地部分地域，且生态环境质量呈现持续性下降，应作为生态风险预警区加强治理。ERSEI为干旱区生态环境质量常态化监测提供了一种快速有...