基于Landsat影像的面向对象土地利用分类——以下辽河平原为例

基于Landsat OLI影像运用支持向量机和随机森林分类方法进行下辽河平原地区面向对象土地利用分类,同时探讨DEM因素对分类精度的影响.结果表明:(1)研究区随机森林分类的总体精度和Kappa系数优于支持向量机分类的结果,同时参考DEM因素有助于提高分类精度,总体精度最高为91.80%.(2)研究区支持向量机分类方法下水田和建设用地的分类精度较高;而旱地、林地、水域和未利用地更适用于随机森林分类方法.DEM因素对于水田、旱地、水域及未利用地的分类精度有提升作用,而对林地的分类精度有一定的削减.(3) 2015年研究区土地利用以耕地为主,其次是建设用地和林地,水域、未利用地和草地的面积相对较少.中等分辨率遥感影像的面向对象土地利用分类的适用性较好,可为区域土地利用信息提取提供参考.     

基于定量遥感产品的土地覆盖分类方法研究

准确进行土地覆盖类型提取具有重要的实际应用价值,但是目前常用的分类数据较为单一,通常使用地物反射率数据或植被指数,较少使用定量遥感产品.为此,本文使用反照率等产品评价定量遥感产品在地物分类中的实际应用效果.提取定量遥感产品的年平均值、标准差等特征作为地物分类依据,运用随机森林分类方法建立中国地区土地覆盖分类的自学习模型,与仅用地物反射率和NDVI数据进行分类的结果进行比对.结果显示,定量遥感产品辅助下的随机森林模型宏观尺度土地覆盖分类方法的总体精度为89.8%,Kappa系数为0.86,比仅用反射率和NDVI数据进行土地覆盖分类的总体精度提高了12.9个百分点;通过下降梯度法对分类特征的重要性进行评价,发现叶面积指数和反照率2种定量遥感产品在土地覆盖分类模型中重要性较大.结果表明,定量遥感产品用于土地覆盖类型的信息提取,会提高资源环境要素提取的精度,本文方法可为地物分类提供新的思路.     

结合植被覆盖度指数的土地覆盖分类方法研究

基于Landsat 8 OLI反射率数据,结合定量遥感反演植被覆盖度（fractional vegetation cover, FVC）提取的植被物候特征数据,对比了神经网络、支持向量机和随机森林3种土地覆盖分类方法．结果表明:随机森林分类方法具有较好的结果,反射率结合植被特征数据的分类方法的总体精度为85.52%,Kappa系数为0.8212,比仅用反射率的土地覆盖分类总体精度提高了3.45百分点,Kappa系数提高0.0429;植被覆盖度提取的植被特征数据能有效改善耕地、草地和裸地的制图精度和用户精度,对林地与水体的用户精度分别提高了7.79百分点与1.81百分点,灌木与人造地表的制图精度分别提升了7.69百分点与0.59百分点．整体来看,结合植被覆盖度及其派生植被特征进行土地覆盖信息的提取,在简单易行的同时,为提高分类精度提供了有效支持．      

基于Hyperion高光谱遥感影像的植被覆盖度提取研究

基于Hyperion高光谱影像,对提取植被覆盖度的传统像元二分法进行了改进,提出通过地物分类来提高植被覆盖度提取精度的算法.该算法先对研究区进行分类,在较高分类精度的基础上,结合不同地物的NDVI频率累积图和实际情况得到各类地物的植被覆盖度,最后得到研究区域的整体植被覆盖度.结果表明,经支持向量机分类的总体精度为83.2%,Kappa系数为0.710;相同NDVI值,林地的植被覆盖度农田的植被覆盖度草地的植被覆盖度,实验结果与实际基本相符;改进的像元二分算法改善了传统像元二分法中存在的水体、裸地非植被覆盖区得到非0的植被覆盖度和高植被覆盖地区检测灵敏度下降等问题,丰富了传统像元二分法的细节信息,得到更符合实际的植被覆盖度.     

土地覆盖遥感分类方法的比较与分析

针对遥感技术在土地覆盖分类中应用的重要性,以Landsat TM影像为数据源,选择传统的最大似然分类器、最小距离分类器和新兴的支持向量机分类器、以及面向对象分类方法,设计不同的分类判据特征组合,对不同分类器、不同分类特征组合的精度进行比较分析。结果表明,最大似然分类器、支持向量机分类器都具有良好的分类效果,综合使用多种特征作为输入可以提高分类精度,适合于研究区域土地覆盖分类。     

基于随机森林算法的城区土地覆盖分类研究

随机森林算法是一种高度灵活且易于使用的机器学习算法,目前在遥感影像分类中应用广泛。为了验证其在城市土地覆盖分类中的效果,本文对河南省洛阳市局部城区进行了土地覆盖分类实验,将Landsat 8(OLI)遥感影像的光谱波段、光谱指数和纹理特征相结合,构成多种特征组合进行随机森林算法分类比较,选择分类效果最佳方案,并与支持向量机方法进行比较。后利用随机森林算法对该组合特征变量高维数据进行降维处理,得到优化特征方案。实验结果表明:采用多源特征组合的随机森林算法的土地利用分类效果最佳,总体精度为90.54%,Kappa系数为0.890,比支持向量机方法的分类精度提高了3.1%;降维处理后的特征方案与随机森林结合在保证分类结果拥有高准确度的同时,减少了运算时间,实现了土地覆被类型信息的高效获取。表明随机森林算法在城区土地覆盖分类上有很好的适用性与稳定性。     

利用国产CBERS卫星影像进行矿业城市土地覆盖分类

中巴地球资源卫星(CBERS)作为目前最主要的国产资源卫星,在土地覆盖监测中具有广泛的应用前景。结合土地覆盖遥感分类新技术的发展和应用,以典型煤矿城市为例,对CBERS遥感影像应用于矿业城市土地覆盖分类的若干新方法进行了试验与分析。在这些新方法中,面向对象分类方法克服了传统基于像素分类中存在的问题,支持向量机在分类精度方面比传统分类器具有一定的优势,混合像元分解方法则实现了亚像元级地物成分比例的估算。这些新方法的有效应用将促进国产卫星数据源在典型区域的应用,同时服务于遥感专题应用信息处理精度的改进和提高。     

基于GF-1 PMS影像的土地利用/覆盖分类研究

土地利用/覆盖变化是当前全球环境变化的重要内容之一,而土地利用/覆盖分类是其基础工作之一。以萍乡市区为研究区,利用国产GF-1 PMS影像为基础数据,采用最小距离、最大似然法、平行六面体和支持向量机四种监督分类法进行了土地利用/覆盖分类试验研究。结果表明:最大似然法和支持向量机分类算法具有更好的分类精度,总体精度分别为93.3和96.03,Kappa系数分别为0.917 2和0.948 7,而最小距离法和平行六面体的精度则差很多。由于GF-1 PMS的多光谱波段和全色波段的空间分辨率分别为8 m和2 m,因而支持向量机分类结果可以满足很多水文、生态等模型的需要。     

基于GEE平台的国家公园土地覆盖变化遥感检测方法构建

【目的】高效、可靠地提取土地覆盖动态变化信息对于国家公园保护与管理方案制定具有基础性数据支撑作用。本研究主要目的是构建经济高效的遥感监测方法,提取钱江源国家公园体制试点区2001—2017年的土地覆盖变化信息,评估国家公园保护与管理活动的有效性。【方法】首先定义研究区的土地覆盖分类体系(耕地、森林、草地、水体、人造地表和裸地),并利用增强型目视解译方法选取历史训练样本点;其次综合Landsat多季节复合数据的光谱波段、光谱指数、纹理特征和地形特征,基于Google Earth Engine(GEE)云平台执行随机森林分类算法,生成土地覆盖数据集;最后建立土地覆盖转换规则从而识别主要的土地覆盖变化类型及其空间分布模式。【结果】独立样本集验证结果表明,钱江源国家公园2001年、2009年和2017年土地覆盖总体分类精度分别为83.12%、81.82%和87.35%。造林活动、耕地废弃和开发建设的变化信息体现出保护管理工作取得显著成效。【结论】增强型目视解译能够高效、可靠地选取历史训练样本点,从而支持历史土地覆盖数据集构建。采用基于云计算的变化检测技术可快速评估国家公园管理措施的有效性并发现生态脆弱地带,具有高效、经济及计算资源限制性少等优势,可广泛推广应用。     

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题, 提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机（SVM）分类模型. 以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能. 为验证其有效性, 将该模型应用于森林覆盖类别分类, 并与标准支持向量机模型分类结果对比. 实验结果表明, 该方法能提高支持向量机对混合像元划分的精度.     

基于合成核支持向量机的高光谱土地覆盖分类

提出一种基于合成核支持向量机的高光谱数据分类方法。该方法首先对高光谱数据进行分组, 对得到的不同数据组分别运用支持向量机方法进行分类参数的优化, 然后组合不同的核函数来综合不同的数据组, 得到最终的分类结果。利用华盛顿地区 HYDICE 高光谱数据对所提出的方法进行评价和验证, 结果表明, 基于合成核支持向量机的高光谱图像分类, 可获得比传统支持向量机更高的分类精度。     

蒙古国克鲁伦河流域土地利用与土地覆盖现状分析

为构建我国北方疆域生态安全防御体系提供理论依据,以蒙古国克鲁伦河流域作为研究区,利用Path-Row=130-27的TM遥感影像数据,采用PCI、Erdas、ArcGIS等遥感及地理信息系统软件,对近年的土地利用与土地覆盖现状进行分析。通过非监督分类及目视解译,得到调查区林地、草地、灌木林、湿地、农田、水体、城镇七大土地利用类型及其分布特征;探讨了蒙古国克鲁伦河流域土地利用与土地覆盖变化的空间分布规律,得出草地占据主要类型,面积为44.8%,城镇、工矿用地占极小比例,畜牧业是该地区的主要经济活动方式。     

基于MODIS数据的生物保护区域土地覆被分类

中分辨率(250 m和500 m)MODIS数据比1 km分辨率的AVHRR具有更高的空间和光谱分辨率,在区域尺度上土地利用/覆盖得到了广泛的应用.该文主要探讨了如何在生物保护中利用MODIS数据获得区域土地覆被分类信息.采用决策树和最大似然法相结合的分类方法,对MODIS数据进行了生物保护区域土地覆被分类制图,并利用Landsat TM土地覆被制图作为参考数据对MODIS数据土地覆被制图进行了精度评价.结果表明,利用MODIS数据在区域尺度上可以获取令人满意的土地覆被分类.     

重庆石灰岩植被的数量分类及其基于环境因子的判别分析

基于经典聚类法和模糊聚类法对重庆石灰岩植被进行了分类研究，并基于环境因子对其判别分析进行探讨。结果表明，经典聚类法和模糊聚类法结合用于石灰岩次生植被的研究可取得较为满意的结果。前者对较高级的单位具优势，后者对植被中、低级分类单位较佳。综合考虑，可将重庆石灰岩植被分为６个植被型，１５个群系，土壤ｐＨ值和岩石裸露度对植被型间判别作用最重要。     

太平洋西北部地区天然林景观动态及破碎化驱动力分析

[目的]准确量化森林破碎化程度以及破碎化过程,对于理解森林的生境变化导致的生态服务功能变化具有重要作用.本研究旨在量化美国西北部天然林破碎化空间过程,探究其社会经济驱动因素,为构建合理的森林经营方案提供参考,并为提高中国东北地区天然林的管理水平提供借鉴.[方法]利用美国国家土地覆盖3期数据(NLCD2008、2013及...     

基于随机森林和支持向量机的云南省土地利用分类

针对基于遥感进行大尺度空间上土地利用类型分类研究的精确性问题,对比提出适用于多样性高原山地地貌大尺度下精确高效的土地利用分类提取方法和土地分类模型。基于2019—2021年云南省sentinel-2卫星影像数据,分别采用随机森林（random forest,RF）和支持向量机（support vector machines,SVM）算法对云南省土地利用进行分类,通过目视解译随机抽样选取1 525个样本点进行精度验证。结果表明：应用RF和SVM分类算法对云南省土地利用分类精度均达80%以上,2019—2021年云南省土地利用中耕地主要呈现先增加后减少趋势;采用RF与SVM总体精度和Kappa系数均值能够更加有效进行土地利用分类比较分析;研究区内RF算法识别地物信息的准确度高于SVM,更适合云南省高原山地土地利用分类研究     

大面积遥感植被成图方法的述评

自然植被的地理空间分布是十分重要的环境因子，其应用需求范围很广，包括全球气候变化，自然灾害监测，生态系统活力监测以及火灾管理等。日益增长的更高层次的应用需要一种有一定比例尺的大范围的且能提供详细信息的植被数据集。笔者介绍一种能生成分辨率为30m的自然植被类型覆盖图以及可用于可燃物和火险评估项目的结构变量的遥感方法。此方法的成功有赖于传感器的改进和数据的质量、对区域及其植被生态的全面了解、大量遥感和地面数据的成功整合以及灵活的成图算法。初步成果来自犹他州中部地区，包括28个植被类型。森林、灌木和草本层的郁闭度（亚像元密度）的分类总精度为60％（按生命表平均），三者郁闭度的相关系数分别为0．89，0．60和0．55，平均冠层高的相关系数分别为0．73，0．50和0．20。对改进过的第一轮技术成果进行了讨论，其中包括成图模型的细化、有关环境梯度的应用以及与实际植被类型相关的潜在植被问题等。