基于空间光谱信息协同的城市不透水层提取方法比较研究

[目的]利用不同的端元提取方法及混合像元分解算法计算南京市2018年城市不透水层覆盖度,评估各方法的精度,为城市可持续发展提供可靠的基础数据支撑.[方法]采用Landsat 8 OLI遥感影像,基于像元纯度指数(pixel purity index,PPI)并考虑空间光谱信息协同提出空间像元纯度指数(spatial p...     

一种基于高斯马尔可夫随机场模型的混合像元分解方法

传统的混合像元分解模型只考虑了光谱信息,而忽略了空间相关信息的利用.事实上遥感影像以及分解后获得的组分影像都具有空间自相关关系.本研究提出利用高斯马尔可夫随机场模型来描述组分空间相关的特性,构建一种综合利用影像光谱和空间信息的混合像元模型,以提高混合像元分解精度.利用模拟与真实的数据证实了本文方法的有效性,一定程度上能...     

亚像元定位之邻域像元选取问题研究

混合像元普遍存在于各类遥感影像中,混合像元分解仅能获取像元内部各类地物丰度数据,要获取其空间分布信息还需要进行亚像元定位处理.空间相关性是目前大多数亚像元定位方法的理论基础,而距离是主要决定因素.同时距离决定了亚像元邻域范围内参与其所属类别判定的像元位置和个数,从而决定亚像元空间排布结果.因此针对亚像元定位过程中邻域像元选取问题,就常见的邻域选取方法进行对比试验,并就各种方法的效果进行探讨.     

基于SAM遥感影像的分类技术研究

目的以混合像元提纯为突破口,研究遥感影像高分类精度的方法,以减少由于地物波谱的复杂性、传感器空间分辨率的局限性导致混合像元普遍存在而引起的影像信息不确定性和分类精度低指标性。方法利用光谱角（SAM）分类法,经过混合像元辨别和提纯、端元样区的定义等步骤,对影像进行分类。结果与传统最大似然分类法比较实验结果表明,SAM方法对地表覆盖比较复杂的零散地区遥感影像分类具有较高的精度。结论因选择合适的方法消除了混合像元,SAM是一种有效的遥感影像智能分类方法,对提高影像分类精度具有极为重要的实践意义。     

面向地表特征变化区域的时空遥感数据融合方法研究

高时间、高空间分辨率的遥感影像能够在空间、时间尺度上精细刻画植被生物物理特征和结构特性及其在空间、时间上的变化,对监测植被生态特征有着重要的作用.为有效记录地表特征的变化,本文提出了一种基于像元降尺度的时空遥感数据融合算法(downscaling difference spatial and temporal data fusion algorithm,DDSTDFA).该方法分别开展基于Landsat、MODIS和NOAA影像的模拟与真实实验,与已有STDFA(spatial and temporal data fusion algorithm)和FSDAF(flexible spatiotemporal data fusion)进行对比.结果表明,DDSTDFA算法表现出以下优势:1)DDSTDFA算法能够同时预测地表特征发生的多种变化方向,改进了基于像元分解算法的缺陷,与STDFA相比在变化区域表现出更高的精度;2)DDSTDFA融合影像的空间分布特征更接近真实影像,消除像元分解融合法中常见的"图斑""边界"问题;3)与FSDAF算法相比,DDSTDFA算法在保证影像融合精度的前提下,运行速度提高了50%~60%.因此,DDSTDFA算法更适合于大范围高时空影像数据融合,为地表动态监测提供丰富的遥感影像数据源.     

基于模糊理论的混合像元分类方法

为了解决遥感影像中混合像元的分类问题,主要介绍遥感影像混合像元的模糊分类思想和模糊分类模型,研究模糊模型的分类优缺点以及其适用条件.并与最大似然分类进行分析和比较,结果表明:应用模糊分类模型对混合像元的分类更合理,精度更高,效果更好.验证了模糊理论对混合像元的分类的优势.     

面向混合像元分解的光谱维小波特征提取

根据线性混合模型的特点,探讨面向混合像元分解的光谱特征提取与选择,提出以小波低频系数为特征的混合像元分解方法.高光谱像元矢量进行离散二进小波变换后,提取光谱特征影像,再基于特征影像估计出混合像元的组分,并用AVIRIS合成影像验证该分解方法.实验结果表明,良好的光谱特征能够较大地提高遥感混合像元的分解精度,比原始波段分解的精度提高约23%.     

基于模糊C均值和BP神经网络的遥感影像自动分类算法

针对非监督分类算法分类精度不高、监督法分类算法的训练样本需要人工选择且容易误选的问题,提出了一种基于模糊C均值聚类(FCM)和BP神经网络相结合的遥感影像自动分类算法。首先利用FCM对影像进行初始聚类,然后根据聚类结果,由该算法自动选取其中的纯净像元作为训练样本,并送入BP网络进行学习,用最终训练得到的BP神经网络分类器对TM遥感影像进行分类,实验结果表明该算法具有较高的分类精度,能够满足大尺度地物类别判定的需要。     

一种亚像元遥感图像的小波插值及滤波方法

该文分析了亚像元技术及相关的几种传统插值方法.针对传统插值方法拟合精度不高的缺点,提出了对两帧错半个像元的遥感图像进行小波插值与滤波的方法,即利用图像中已知点的全局信息对小波系数进行逐层估计.最后通过信息融合,将图像重构为一幅信息更丰富、分辨率更高的遥感图像.由于考虑到图像的全局信息,该算法对图像细节信息保持较好.实验结果证明了该算法优于传统方法,为采用亚像原成像技术提高航天遥感系统空间分辨率提供了一种图像融合重构的新方法.     

高光谱识别目标的光谱分离分析方法

介绍了线性混合光谱模型,提出了一种分析复合光谱的方法-通过已有的光谱数据库,利用约束最小二乘法分离出像元组份,并能计算像元组份比,对此进行实验,验证了其可行性,并分析了一个30通道的遥感图像。实验以及图像分析的结果表明此种方法能用来分析混合像元问题,即能分离出像元组份,计算出像元组份比获昨比值图像,能利用高光谱数据识别小于地面像元的目标。     

用于高光谱遥感图像分类的空间约束高斯过程方法

高光谱遥感图像分类是遥感图像处理的一项重要内容.高光谱遥感图像具有非线性属性.图像中不同方位光谱特征的变化将使得仅从标记训练样本得到的分类器分类精度不会太高.为了提高分类的精度,一方面应对光谱信息的合理利用;另一方面,对空间信息的利用也非常重要.高斯过程(Gaussion process,GP)是一种贝叶斯统计学习方法,能够建立概率模型,并且使得分类结果更易于解释.传统GP分类方法中核函数的构造仅利用光谱信息.本文提出了一种加入空间关系的新分类方法.利用遥感图像空间相关性,在GP分类方法中通过构造新的核函数(spatial Gauss kernel,SGK)来实现空间约束,部分消除了同物异谱和同谱异物造成的分类错误.实验结果表明,该方法对于提高高光谱遥感图像的分类精度具有积极意义.     

高空间分辨率遥感环境制图的几个关键技术研究

在大量实际工作的基础上,分别对影像的空间分辨率和像素分辨率的选择,色彩的匹配与还原处理等具体技术问题进行了总结与讨论.实践证明,这些处理方法在具体的应用中取得了很好的效果.     

海岸带红树林范围与种类识别精度的荟萃分析

对2000年以来基于遥感数据的红树林范围与种类识别的研究结果进行荟萃分析,阐明红树林范围和种类识别精度的现状,分析遥感数据源、分类算法、地物类型和物种数对总体精度的影响.结果表明,红树林范围识别的总体精度范围为55.7％～99.7％;约66％的研究基于Landsat遥感数据开展,且总体精度最高(75％～99.7％);光...     

高原山区遥感植被制图研究综述

 植被制图是植被生态学研究的基础和重要内容之一.在环境复杂、异质性高的高原山区,由于诸多因素的影响给该区域的遥感植被制图带来很大的困难和挑战.作者重点介绍在复杂山区环境中利用遥感技术进行植被制图的基本过程.为了提高山区遥感植被图的精度,建议注意以下几点：①在提取训练样本阶段,应将同一地物或者植被类型根据其不同的光谱特征分成不同亚类型进行选取训练样本;②现有许多地形校正模型不能有效地提高遥感分类精度;③分类器选择时,建议选择人工智能神经网络分类法、决策树、基于专家知识分类法等先进的非参数分类器;其次如果选择使用中低分辨率影像数据,可以考虑使用亚像元或软分类法;当使用高分辨率影像时,选择基于对象分类法要优于基于像元分类法;④结合辅助数据,尤其是DEM数据能显著提高山区遥感植被或森林制图精度.将来高级地形校正模型和分类算法需要进一步开发和发展.GIS技术与遥感数据结合也是未来遥感植被制图技术发展的一个重要方向.未来研究还需要将群落和植被生态学的理论和方法与遥感技术相结合来提高山区植被制图精度,并促进遥感科学和空间植被生态学发展.     

遥感制图中几何纠正精度评价

在利用遥感图像的制图过程中,很多步骤存在误差,影响到成图的质量和可信度.对遥感制图精度的评价,是提高和改进制图精度的必要前提和有效方法.本文选取遥感制图中的几何纠正过程作为整个制图过程精度评价的切入点,对遥感图像处理软件,操作人员和不同分辨率遥感图像三个影响精度的主要因素进行分析.通过精度评价分析,可以得出:遥感图像处理软件和操作人员在多次操作的情况下,误差可以忽略不计,而不同分辨率的图像经过正确的制图匹配也可以得到较高的精度.     

基于Landsat 8的喀斯特峰丛洼地地貌信息提取

通过对喀斯特峰丛洼地的地理形态特征和遥感影像特征的研究,基于归一化植被指数(NDVI)、地表温度(LST)及地形坡度数据等,结合Arc GIS工具的模型构建器(Model Builder)可视化空间建模,建立了"一键式"遥感自动提取峰丛洼地地貌模型。运用分形理论,计算洼地斑块周长—面积关系,分维数和稳定性等指数,揭示峰丛洼地空间结构特征。实验表明:(1)通过运用集成NDVI、LST及坡度数据综合算法,能够有效增强地物图像的特征差异,从而区别峰丛和洼地的影像特征统计值,有利于喀斯特地貌单元阈值自动选取,提取精度为82.32%;(2)研究区洼地斑块周长-面积的关系为y=0.681x-0.002,二者的相关系数R2为0.901 7,周长和面积的分维数D=1.362,表示研究区图斑镶嵌结构较稳定。     

空间数据挖掘的研究与应用

空间数据挖掘就是从空间数据库中抽取隐含的知识、空间关系或是空间数据库中存储的其他的隐含的模式的过程 空间数据挖掘在地理信息系统(GIS)、空间遥感、测绘、资源和环境管理等很多领域有广泛的应用前景 本文对空间数据挖掘的具体应用进行了探讨.     

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．      

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。     

基于多源数据及三层模型的小班林型识别

【目的】目前关于林型识别的研究区域主要为小范围森林区域和林场,为了探究较大范围内林型的识别方法,本研究使用Sentinel-2光学遥感影像、森林资源二类调查数据、数字高程模型(DEM)和Sentinel-1雷达遥感影像数据建立林型识别模型。【方法】以淳安县作为研究区域,针对淳安县各个小班中的7种林型:毛竹(Phyllosstachys edulis)林、茶树(Camellia sinensis)林、山核桃(Carya cathayensis)林、杉木(Cunninghamia lanceolata)林、马尾松(Pinus massoniana)林、阔叶混交林、其他硬阔林进行识别。研究采用分层的方法对林型进行识别,整体分为3层。第1层使用RF算法建立林地与非林地识别模型;第2层对林地数据进行树种结构识别,分别使用随机森林(random forest, RF)、极端梯度提升(eXtreme gradient boosting, XGBoost)和 轻量级梯度提升机(light gradient boosting machine, LightGBM)方法建立不同模型并对比分析实验结果;第3层将树种结构细分为林型。【结果】第1层RF林地与非林地识别模型总体精度为98.08%;第2层树种结构识别模型中对比了3个模型不同特征组合下的性能,其中LightGBM模型总体精度最高,达到81.43%;第3层模型对林型进行识别,基于所有特征结合雷达遥感因子建模的情况下,LightGBM模型精度为84.51%,经递归特征消除法(recursive feature elimination, RFE)选择特征后,最优精度为83.21%。【结论】通过各个模型的特征重要性图发现,光学遥感中的绿光、红光、近红外波段和红边波段,以及DEM提取的地形因子对研究区域小班林型识别有较好的效果,而Sentinel-1雷达中提取的自变量对林型的识别没有特别明显的帮助。