遥感图像分类精度的点、群样本检验与评估

遥感专题分类结果在使用前,必须进行客观可靠的精度验证和分析,以保持遥感分类结果的可靠性.本文利用不同分辨率遥感数据获取的同一地区土地利用/覆盖信息,进行了简单随机抽样、系统抽样和分层抽样三种不同抽样组织方式下的点样本和群样本检验分析,评估了不同抽样方式下的点样本和群样本检验效果.研究结果表明：（1）抽样方式对遥感分类精度评价结果的影响是客观存在的,不同抽样方式下的点样本和群样本检验结果都存在一定的随机性,但同一种抽样方式下,点样本检验精度评估结果的波动幅度小于群样本检验,稳定性比群样本检验要好;（2）不同抽样方式下的多次点样本和群样本检验的平均精度检验结果基本上都能够反映分类图像的精度特征,其中,点样本检验中,分层随机抽样点样本检验效果较好;群样本检验中,系统抽样群样本检验和分层随机抽样群样本检验的效果优于简单随机抽样群样本检验.     

遥感影像预分类精度对地物面积空间抽样估算的敏感性分析

传统的地物面积测量受精度和效率制约,为此引入了结合遥感影像的空间分层抽样方法.首先以遥感影像的预分类结果作为模拟地物的真实分布,在地物外沿等概率随机添加不同比例的错分像元,从而获得准真实地物区的摸拟预分类结果,并依此设定各层等比例取样的样本人层标志,指导地物样本的选取,然后以抽中样本地物的准真实值之和按比例推算出总量.通过比较分析各水平含量的地物类别、不同预分类精度、层内随机和系统抽样下的多次总量估计精度及其稳定性变化情况,结果表明:该方法不需要背景数据库等先验知识,在预分类达到一定精度之上时,依分类区域设立层标志的分层抽样方法所获得的总量估计精度及标准差均好于无分类支持的随机和系统抽样;当预分类精度达到50%以上时,具有较高的成本效率比,其中在60%时,各类地物在0.5%抽样率、95%的置信度下可以保证估计量精度在92%以上.     

基于多源遥感数据的旱情评价研究——以河南省为例

以河南省为研究区,利用2005—2014年间的EOS-MODIS地表温度产品MOD11A2、植被指数产品MOD13A3以及热带降水测量任务(tropical rainfall measuring mission,TRMM)的月降水速率数据集TRMM3B43,计算了植被状态指数(vegetation condition index,VCI)、温度状态指数(temperature condition index,TCI)以及降水状态指数(tropical rainfall condition index,TRCI),同时结合土地利用类型数据及气象站点数据,通过层次分析法确定权重,构建了农业干旱指数监测模型。在此基础上,利用标准化降水指数(standardized precipitation index,SPI)对模型进行验证,并根据SPI的等级划分确定构建的农业干旱指数监测模型的划分等级。以2014年为例,应用构建的农业干旱指数对河南省干旱情况进行时空分析。结果表明,构建的农业干旱指数监测模型能够有效监测河南省干旱时空变化特征,具有较好的监测效果。     

1965-2013年黄土高原地区极端气温趋势变化及空间差异

基于黄土高原地区52个气象站点逐日平均气温、最高和最低气温数据,采用一元线性趋势分析、相关分析等方法,分析该地区极端气温趋势变化及空间差异。结果表明：① 日最高（低）气温极低值、日最高（低）气温极高值、热夜日数、暖昼（夜）日数、热持续日数、夏季日数和生物生长季日数呈增加的趋势,其余极端气温指数呈减小的趋势。② 空间分布上,表征低温事件的冰冻日数、霜冻日数、冷昼（夜）日数和冷持续日数下降最显著的区域位于黄土高原北部;表征高温事件的热夜日数、夏季日数、暖昼（夜）日数和热持续日数上升最显著的区域主要位于黄土高原西北部;生物生长季日数上升最显著的区域主要位于黄土高原中部地区。③ 相关分析表明除了极值指数和气温日较差与其余极端气温指数相关性较差外,其余各极端气温指数之间均具有较好的相关性。④ 多数极端气温指数的变化趋势与平均气温关系密切,平均气温突变前后极端气温指数存在明显差异。⑤ Hurst指数结果表明黄土高原地区极端气温变化均呈同向变化特征。     

基于GIS和RS的中国植被光利用率估算

基于GIS和RS介绍了利用地面气象数据和卫星遥感数据进行植被光利用率计算的方法,并以1999年为例,根据不同植被类型所对应的最大光利用率,研究了中国植被的光利用率及其时空分布。结果表明,中国植被1999年平均光利用率的取值范围在0.06~1.07gC·MJ^-1之间,且标准差较大。     

基于狄克松检验的NDVI时序数据噪声检测及其在数据重建中的应用

归一化差值植被指数NDVI(Normalized Difference Vegetation Index)时序数据已被广泛应用于植被变化监测、植被物候识别和土地覆盖分类等领域,但受观测条件限制,NDVI原始数据中包含大量噪声,在实际应用时需对其进行检测并去除。目前常用的NDVI数据去噪重建方法主要包括阈值检测法、滤波拟合法及曲线拟合法3类。各方法在应用时均需根据不同的土地覆盖类型或特定的研究区域设置一定数量的经验参数,对噪声的定义缺乏客观标准;此外,这3类方法都没有进行专门的噪声检测,在进行NDVI数据重建时只是根据经验进行噪声判断。本文提出了一种基于狄克松(Dixon)检验法、适用于对小样本进行检测的数理统计噪声检测方法,该方法首先对同一像元、同一时段、不同年份的NDVI时序数据进行统计分析,然后再结合质量评估数据的分析结果,最终给出NDVI是否异常的判断。运用狄克松检验法对噪声进行检测,然后结合已有的两种数据重建方法--变权重滤波法和Savitzky-Golay方法,基于2001年-2010年250 m分辨率的MODIS NDVI时序数据,对覆盖中国55种植被类型共520个测试样点及洞庭湖测试区域进行了NDVI时序数据重建实验,结果表明,狄克松检验法降低了对先验知识的依赖程度,应用该方法对NDVI时序数据中的噪声进行检测预处理后,可以有效提高变权重和Savitzky-Golay方法的数据重建质量。     

基于土地覆盖图斑的多时相遥感影像自动配准方法

针对点、面方法仅利用了遥感影像几何特征和部分波段的灰度特征进行多时相遥感影像配准的不足,本文提出了一种利用稳定土地覆盖图斑的多时相遥感影像自动配准新方法,充分利用遥感影像多光谱信息和大量存在的稳定土地覆盖图斑信息进行图像配准,并且选取了土地覆盖年际变化最为强烈的农业种植区作为实验区,分别利用了同一传感器和不同传感器不同时相的遥感数据开展了实验研究。两次试验中,配准精度分别达到了0.57个像元、0.65个像元。实验结果表明,本文提出的方法能够有效地筛选出满足图像配准的同名图斑,具有较高的配准精度和适用性,提高了遥感影像的配准效率。     

构建时空融合模型进行水稻遥感识别

传统变化检测手段进行水稻遥感识别受"云污染"和影像间配准误差导致的变化检测误差累积及"椒盐"现象的影响,水稻遥感识别精度低。本文提出时空融合模型(Temporal-Spatial-Fusion Model,TSFM)进行水稻遥感识别,旨在综合像元在时间、空间维度上的信息定义像元的水稻时空归属度,根据时空归属度划分阈值提取水稻。实验结果表明:在不同窗口尺度下,TSFM在整体和"云污染"区域对水稻提取均达到了较高精度。当窗口尺度为3×3时,水稻提取的用户精度、制图精度和总体精度分别达到93.4%、83.5%和87.9%。在不同窗口尺度下水稻提取的用户精度、制图精度、总体精度均高于分类后比较PCC(Post-Classification Comparison)和多数投票法(Majority Voting,MV);在"云污染"区域,水稻识别总体精度均在92.0%以上,水稻制图精度比PCC、MV分别至少提高了14.0%、7.6%。有效地解决了传统变化检测作物遥感识别存在的误差累积问题,在一定程度上避免了"云污染"和"椒盐"现象对识别结果的影响。另外,初步探讨了TSFM水稻提取精度与景观特征关系,发现在景观规整区域适宜采用较小的窗口,在破碎区域适宜采用较大的窗口。该方法的成功实施,为大范围开展秋粮作物遥感识别,消除"云"影响进行了前期实验探讨。     

人工蜂群算法优化的SVM遥感影像分类

SVM分类器的参数设定对分类精度有着显著的影响,针对现有人工智能算法优化参数易陷入局部最优的现状,提出了一种基于人工蜂群算法改进SVM参数的遥感分类方法(ABC-SVM)。该方法模仿蜜蜂采蜜的行为,以训练样本的交叉验证精度代表蜜源的丰富程度,通过蜂群的分工协作搜索出最优蜜源(即SVM分类器最优参数),最终利用参数优化后的SVM分类器实现遥感影像的分类。本文先后比较了3种人工智能算法(包括人工蜂群算法优化的SVM(ABC-SVM)、遗传算法GA(Genetic Algorithm)优化的SVM(GA-SVM)、粒子群算法PSO(Practical Swarm Optimization)优化的SVM(PSO-SVM))在UCI标准数据集上的分类精度和效率,以及3种人工智能算法优化的SVM算法与未经优化参数的SVM算法在遥感影像上分类的差异。结果显示:(1)在利用UCI数据集测试3种人工智能算法优化的SVM算法的结果中,ABC-SVM显示出更高的分类精度、更高的适应度和更快的收敛速度;(2)在利用遥感影像验证4种分类算法精度的结果中,人工智能算法优化后的SVM比未经参数优化的SVM算法的分类精度更高;其中,ABC-SVM分类精度最高,分别比遗传算法、粒子群算法的结果高1.67%、1.50%。     

基于深度卷积网络和分水岭分割的耕地地块识别方法

耕地地块作为精准农业的重要支撑,现有地块边界大多依靠人工勾绘。随着遥感技术的发展,基于遥感影像自动提取耕地地块成为研究主要方向,其中基于深度学习的方法能够克服传统检测方法难以适应复杂场景的局限而被广泛使用,但现有检测方法仍存在问题,基于深度卷积模型直接识别耕地区域会丢失内部边界、而基于边缘检测模型识别耕地边界时则会同时得到大量无关边界;此外,现有的基于阈值提取地块的策略所提取的地块不够规整,存在内陷的问题。针对上述问题,本研究提出一种基于深度卷积网络和分水岭分割的耕地地块提取方法,从信息检测和地块提取两方面进行改进：(1)将耕地边界视作一种地物类别,在深度卷积网络中进行类别概率检测,帮助实现对耕地边界的语义识别。(2)基于改进后的D-LinknetXt网络进行检测,其网络架构适合于对耕地边界这类线性目标的提取,同时更换原始D-Linknet网络的残差单元,帮助提高了网络的特征提取能力。(3)基于分水岭分割对耕地地块进行提取,利用了区域分割方法获取边界的封闭性,并且这种以区域为单元进行分割并合并的方式,解决了原有方法在像元尺度上基于阈值提取所遇到的提取地块存在内陷的问题,使地块更规整准确...