关于国土资源数据共享分类的思考

数据共享分类是制定数据共享政策和数据资源开发利用规划的一项基础性工作。本文 提出国土资源数据共享分类的意义、原则和方法,探讨建立以数据共享分类为核心的 国土资源数据分类体系,以期为全面开展国土资源数据共享分类提供参考。     

我国西部1∶5万地形图空白区地物解译研究——以西藏那曲其香错地区为例

我国西部部分地区1∶5万地形图数据尚未完成,给区域和国家经济发展带来极大不便。空间技术、计算机技术和信息技术的高速发展为遥感技术应用提供了技术支持,高分辨率影像获取能力的提高为大比例尺地物特征的提取提供了数据可能。本文采用SPOT5遥感影像,以1∶5万地形图图式标准为依据,进行青藏高原其香错地区地物判读,结果表明SPOT5能基本满足1∶5万地形图制图要求。为进一步提高判读结果,可采用多时相、多分辨率影像进行1∶5万地形图地物判读。     

地图科研成果荣获国家自然科学奖

不久前颁布的2004年度国家自然科学奖中．由国家测绘局推荐的项目《数字地表模型的多维动态构模研究》荣获二等奖。该项目由国家基础地理信息中心陈军、香港理工大学教授李志林、以及朱庆、蒋捷、王东华等人合作完成。他们针对多维动态数字地表模型构建这一国际学术前沿问题．以地理空间实体及相互间关系的抽象与表达为主线．研究了地表空间铺盖、地物空间关系理论、数字地形精度、多维动态空间数据建模、多尺度表达等基本问题。     

面向对象的图像分类方法与彩色扫描地形图林地层的自动提取

提出了一种基于面向对象分类方法的彩色扫描地形图林地层自动识别方法，简要阐述了这种方法的基本概念和原理，分析和讨论了该方法的优越性和林地层提取效果，为基于地形图计算林地面积，找林地动态变化或土地利用类型变化的研究提供了方法参考。     

基于高分辨率遥感影像分类的地图更新方法

提出了一种在对遥感影像分类的基础上进行地图更新的方法，讨论了利用高分辨率遥感影像，通过不同空间分辨率和光谱分辨率的影像进行融合，利用合适的高通滤波对影像进行边缘检测．构建一个三层的MLP分类器对影像进行分类，提取城市建筑物与道路信息．并在此分类基础上通过对现有地图的叠加来实现地图的更新。实验结果表明，基于影像融合，利用较少数量的训练样本也能生成具有较高精度的分类图，利用分类结果图进行地图更新能取得令人满意的效果。     

航磁异常的几种计算机分类方法

目前,应用计算机对航磁异常进行分类存在很大局限性。为克服这些局限性,将航磁异常分类的结果从定性水平提升到定量水平,这里应用三种分类方法在计算机上对航磁异常进行分类。经实例检验,分类结果令人满意,有效地改进和实现了用于航磁异常分类的定量方法。     

基于粗糙集的K--均值聚类算法在遥感影像分割中的应用

结合粗糙集理论和K——均值聚类算法，提出一种遥感影像的粗糙聚类分割方法。根据遥感影像中特征属性的相互依赖关系，应用粗糙集理论的等价关系。求出K——均值聚类所需要的初始类的个数和均值。然后采用聚类算法对图像进行分割。实验结果表明该方法比随机选取聚类的中心点和个数减少了运算量．提高了分类精度和准确性。     

Landsat7 ETM＋影像的融合和自动分类研究

利用SFIM、MLT、HPF和修改的Brovey(MB)等遥感影像融合算法对Landsat 7 ETM 影像进行融合和自动分类研究，并就融合影像的光谱保真度、高频空间信息融人度和分类精度对这些方法进行评价。结果表明SFIM变换几乎完全保持了原始影像的光谱特点，并具有最高的平均分类精度；MB变换具有最高的高频空间信息融人度；MLT变换也具有较高的分类精度；只有HPF变换的各项指标都不突出。所有4种融合影像的分类精度都较原始影像的分类精度有明显的提高。这表明，源于同一传感器系统的不同分辨率影像的融合可以避免异源传感器融合影像所常见的各种参数、时相和配准误差，所以能够明显地提高影像的自动分类精度。     

基于EOS/MODIS资料的沙尘遥感监测模型研究

在EOS MODIS资料可见光波段光谱特性的深入分析的基础上，提出了一种完全用MODIS可见光波段监测沙尘信息的技术方法。充分利用MODIS资料可见光范围波段划分细致的特点，构造了不同的光谱特征判别函数作为决策树的分支，最后用决策树法成功地对几次沙尘暴过程进行了沙尘信息遥感监测。结果表明，该方法具有良好的效果和实用性。     

遥感植被分类方法的概述及发展

卫星遥感技术的发展为大范围作物的识别分类提供了新的方法，90年代以来国外主要使用卫星遥感结合植物表面温度、地形等非遥感要素对地面植被进行判识分类，我国自80年代以来应用图像纹理、植被指数变化、植被指数的动态聚类及经验正交函数等方法对大范围植被分类进行了研究。近年来，为提高植被分类精度已在提高资料的空间分辨率、利用微波遥感，综合应用“3S”技术等方面做了努力。