色那地区高光谱数据蚀变矿物提取及特征分析

以西藏班公湖-怒江成矿带西段多不杂矿集区东部的色那有利成矿区为研究区,基于Hyperion高光谱遥感数据,开展蚀变矿物提取研究;提取出褐铁矿、绿泥石和高岭土3类地表蚀变矿物波谱端元,并利用光谱角填图方法进行填图。野外验证结果显示,填图结果与野外调查基本吻合,矿物分带特征明显,并根据蚀变矿物分布情况划定了2个斑岩型矿床重点勘查区。     

沉水植物水蕴草盖度高光谱遥感估算研究

以美国萨克拉门托-圣华金三角洲为研究区,提取高光谱遥感影像上沉水植物水蕴草的光谱数据,计算水蕴草的光谱特征参数,将水蕴草盖度与光谱特征参数进行相关性分析,得到R725、BD602.9和NBDI587.53个特征参量,与水蕴草盖度建立估算模型,并对模型进行精度检验。结果表明,以NBDI587.5为变量建立的盖度估算模型具有较高的精度。     

基于K均值聚类的高光谱遥感影像分类研究

讨论了信息熵和均匀光谱间隔(USS)两种无监督高光谱影像波段选择方法,分析比较了基于K均值聚类的欧氏距离、相关系数以及光谱角3种相似性度量。实验表明,利用USS对高光谱影像降维,采用将欧氏距离作为相似性度量的K均值聚类方法进行影像分类,所得到的分类结果精度较高,计算时间较短。     

城市似大地水准面精化成果的应用

介绍了利用城市似大地水准面精化成果,结合HBCORS获得的大地高数据,通过正常高求解数学模型来获取点位正常高的方法。实验结果表明,通过该方法获得的正常高精度能够满足四等GNSS高程测量精度要求,似大地水准面精化成果在城市测量领域具有广阔的应用前景。     

基于多光谱影像和DEM的泥石流堆积扇识别研究——以白龙江流域武都段为例

选取中国泥石流多发区白龙江流域武都段作为研究区,在对该区域泥石流堆积扇的形态特征和堆积范围进行实地调绘的基础上,利用高分辨率影像(SPOT)进行目视解译,获得研究区部分泥石流堆积扇和非泥石流堆积区的分布范围,将其作为已知样本区。利用该区域多光谱遥感影像(ASTER)和数字高程模型(DEM),提取包含波段比和主分量的几十种特征指标。通过运用方差分析和聚类分析等方法对各指标进行分析计算,选取对区别泥石流堆积扇最具显著意义的指标进行输入,进而采用基于像元的分类方法识别泥石流堆积扇。得到如下结论:SPOT与ASTER融合影像的波段比、主分量指标可以有效地突出土壤岩石中的矿物成分,对泥石流堆积扇的识别具有显著意义;利用筛选出的遥感指标和地形指标作为输入,进行监督分类识别泥石流堆积扇,能够有效地将遥感指标和地形指标相结合,提取的堆积扇覆盖范围与实际情况较为接近。     

南京沿江湿地高光谱与多光谱遥感分类对比分析

随着遥感技术的发展,以及对湿地分类研究的不断深入,如何提高分类精度成为一大研究方向。分类方法、影像数据源、影像的特征提取都影响着分类结果的精度。目前,利用影像数据进行湿地分类,精度难以提高主要是受影像像源的制约,其中,不同湿地类型波谱特性之间的混淆是制约精度提高的直接原因。高光谱(Hyperspectral)遥感是20世纪末对地观测系统中较重要的技术突破之一,随着定量化研究的发展,高光谱遥感技术以其光谱分辨率较高的特点受到国内外广泛关注,并在资源、环境、城市、生态等领域得到了广泛应用。本文比较了湿地分类中hyperion的数据与landset TM数据的分类精度。在进行分类时,使用监督分类的方法(SVM)对南京新济州、新生州、江心洲的湿地地物类型进行分类。结果表明,在训练样本合适的前提下,用高光谱数据进行分类可以得到更高的分类精度。     

基于核半监督判别分析的高光谱影像特征提取

针对高光谱影像特征提取中地物类别训练样本获取代价较高的情况,在线性判别分析的基础上,结合核方法和半监督学习理论,提出了一种基于核半监督判别分析(KSDA)的高光谱影像特征提取方法。该方法同时利用少量已知类别和大量未知类别样本数据进行模型的学习和训练。通过OMIS高光谱影像数据实验表明:在少量已知类别训练样本的条件下,经KSDA特征提取的样本数据在特征空间中能更好地聚集成团,且类别之间的距离较大,增加了类别之间的可分性,得到了较高的分类精度;同时,提取的特征影像能够较好地区分各种地物类别。     

利用包络线消除法反演黄绵土水分含量

采集2014年陕西省乾县黄绵土土壤样本129个,风干过程中进行光谱反射率及水分含量测定,采用包络线消除法提取水分吸收特征参数,进行黄绵土水分含量反演。在对土壤水分含量和光谱吸收特征参数进行相关分析的基础上,运用一元线性回归、对数、指数、幂函数分析法,建立了土壤水分含量定量反演模型。结果表明,相关性较好的为最大吸收深度（D）、吸收总面积（A）、吸收峰右面积（R_A）和吸收峰左面积（L_A）,1 900 nm的光谱吸收特征参数相关性优于1 400 nm。以D_{1 900}、R_{A1 900}为自变量建立的一元线性模型和A_{1 900}、A_{1 400}为自变量建立的对数模型是最佳预测模型,其建模和验证模型的决定系数R2分别大于0.92和0.95,相对分析误差值大于4,预测均方根误差小于1.5%。     

综合聚类和上下文特征的高光谱影像分类

常规高光谱影像逐像素分类往往没有考虑空间相关性,分类结果未体现地物的空间关联和分布特征。为了在分类中充分利用空间特征,利用聚类信息并结合隐马尔可夫随机场模型讨论了高光谱遥感影像光谱-空间分类方法。首先,在不同特征提取方法（最小噪声分离、独立成分分析和主成分分析）下,使用不同聚类方法（k-均值、迭代自组织分析算法和模糊c-均值算法）借助隐马尔可夫随机场获取优化的分割图;然后,采用4连通区域标记法对分割区域标记生成图像对象,并根据支持向量机的逐像素分类结果采用多数投票法对图像对象进行分类;最后,借助凹槽窗口邻域滤波技术改进分类结果,削弱“椒盐”现象。该方法综合了监督分类和非监督分类的优势,通过聚类引入地物空间相关性信息,通过隐马尔可夫随机场引入上下文特征,较好地弥补了单纯基于光谱信息分类的不足。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。