基于MODIS谱纹信息融合的海洋溢油检测方法

鉴于仅依赖光谱特征或纹理特征的传统溢油检测算法的信息检测精度较低的问题,本文提出了一种新的光学遥感数据的谱纹海面溢油检测方法。谱是光学遥感数据的油膜敏感波段图像,纹是利用灰度共生矩阵计算获得的图像纹理特征,将这些特征相结合,引入支持向量机方法（Support Vector Machine,SVM）,建立谱纹海面溢油检测模型。本文以2006年渤海溢油事故为例,利用中等分辨率成像光谱仪MODIS的光学遥感数据对溢油进行检测,MODIS的第2波段为油膜敏感波段,所以,第2波段图像即为选取的谱特征,经过对各个纹理特征的分析得到,均值、对比和相关3个特征量可作为溢油提取的纹理特征。检测结果的总体精度达91.23%。试验结果表明,将MODIS图像的光谱特征和纹理特征相结合,可有效地对渤海海洋油膜信息进行检测,并具有很强的抑制噪声能力。     

粒子群算法与支持向量机相结合的热带气旋强度预报试验

支持向量机(SVM)的惩罚参数及核参数的选择直接影响到模型效果,通过粒子群算法(PSO)解决支持向量机的参数选择问题,实现了参数选择的自动化。将该方法应用于热带气旋强度预报,利用气候持续性因子,挑选了1990年的100个左右样本进行预报检验,预报时效为12 h、24 h、36 h、48 h的强度平均绝对误差分别为3.00、4.35、4.93和6.68 m/s。另外,还与国外预报结果及采用最小二乘回归法的预报结果进行了效果的比较,SVM方法显示了更好的预报能力。     

基于SVM的海底声纳图像底质识别*

对海底底质声纳图像分割,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.     

海岸水边线提取方法在GF-2卫星影像中的适应性研究

准确提取海岸水边线是海岸线变迁研究中必不可少的基本工作。本文以海南省陵水黎族自治县2016年的GF-2影像为数据源,在大气校正和正射校正等预处理的基础上,结合数学形态学处理等方法,采用NDWI (Normalized Difference Water Index)阈值法、ISOADTA (Iterative Self-Organizing Data Analysis Technique Algorithm)、SVM (Support Vector Machine)和面向对象法（Object-Oriented Classification,OOC）等4种不同方法来对海岸水边线进行提取,并对其提取结果进行定性和定量评估,进而分析比较了这4种方法在提取人工海岸、砂质海岸和基岩海岸等3种不同海岸类型的水边线时的提取效果和提取精度。结果表明,SVM方法在3种海岸水边线上的总体提取效果最好,总体提取精度最高。     

多特征差分核支持向量机模型的湿地变化检测

文章通过对不同特征空间、不同时相信息和不同类别引入多核函数组合和类别加权方式,构建了基于多特征差分核的加权支持向量机变化检测模型,能够获得平衡样本大小、综合多特征空间的变化检测结果.以上海崇明岛东端地区为例,利用4期ETM+/TM影像数据,基于构建的SVM变化检测模型,最终得到研究区湿地资源的空间变化格局,结果表明检测模型能够有效、准确地提取多种湿地变化类别的空间分布信息;并从景观水平上对检测结果进行格局分析,为湿地保护和管理提供科学参考.     

Novel Folded-PCA for improved feature extraction and data reduction with hyperspectral imaging and SAR in remote sensing

As a widely used approach for feature extraction and data reduction, Principal Components Analysis (PCA) suffers from high computational cost, large memory requirement and low efficacy in dealing with large dimensional datasets such as Hyperspectral Imaging (HSI). Consequently, a novel Folded-PCA is proposed, where the spectral vector is folded into a matrix to allow the covariance matrix to be determined more efficiently. With this matrix-based representation, both global and local structures are extracted to provide additional information for data classification. Moreover, both the computational cost and the memory requirement have been significantly reduced. Using Support Vector Machine (SVM) for classification on two well-known HSI datasets and one Synthetic Aperture Radar (SAR) dataset in remote sensing, quantitative results are generated for objective evaluations. Comprehensive results have indicated that the proposed Folded-PCA approach not only outperforms the conventional PCA but also the baseline approach where the whole feature sets are used.     

SVM方法在武汉区域夏季暴雨预报业务中的应用

以2003～2006年ECMWF数值预报产品、Japan和T213降水预报场资料为基础,应用支持向量机（SVM）方法和CMSVM应用软件平台,通过对训练样本进行交叉验证和模型核参数的逐渐逼近,分区建立了武汉区域16,个区SVM24h暴雨预报模型,并在武汉区域5～7月进行实时业务应用。通过预报结果检验,5～7月武汉区域暴雨预报TS评分为33．59％,其中湖北省平均成绩为34．69％、湖南省平均成绩为34．15％、河南省平均成绩为31．71％。检验结果较好,表明SVM方法在区域性暴雨预报中具有一定的预报能力和参考价值。     

高维遥感图像的快速分类算法

为了实现对高维遥感图像的快速准确分类,提出了一种基于k均值二叉树支持向量机(SVM)的分类方法。该方法通过对选取的训练样本进行k均值聚类,生成支持向量机分类二叉树,作为确定最佳分类顺序的依据,以降低分类过程中的误差累积并提高整体分类精度,而且可缓解由样本数量不均衡导致的分类误差。该方法可在不进行降维处理的情况下,对高维遥感图像进行快速准确分类。测试结果表明,其分类速度和分类精度都优于传统的支持向量机分类结果。     

局部均值分解与支持向量回归的大坝变形预测

针对现有变形预测方法对于大坝变形的预测效果不理想的问题,该文利用局部均值分解方法获取生产函数分量并进行支持向量回归建模,用此方法对大坝变形进行多尺度分析。通过局部均值分解对大坝变形序列进行分解得到其乘积函数分量,然后利用支持向量机回归进行外推预测,再把各乘积函数分量的预测结果进行叠加重构生成,进而获得大坝变形预测值。通过实例分析,比较GM(1,1)、支持向量机和该文方法3种模型在变形监测数据处理中的拟合和预测结果,表明该文方法充分发掘数据本身所蕴含的物理机制和物理规律,提高了大坝变形多尺度预测精度。     

改进支持向量机的高分遥感影像道路提取

针对支持向量机受分类数的限制在高分辨率遥感影像中无法直接获取高精度道路网信息的问题,该文提出一种新的混合的基于支持向量机的方法:首先,利用模糊C均值聚类方法将输入的遥感影像分为3类,以减少支持向量机的错分现象;其次,运用支持向量机将不同类别的像素分为道路类和非道路类;最后,应用马尔科夫随机场对分类结果进行噪声去除,并采用形态学进行后处理,进而得到精确道路网信息。实验结果表明:该算法不仅能够从高分辨率遥感影像中提取出道路网,而且精度优于直接使用支持向量机算法以及对比算法。