基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.     

IKONOS图象的城市土地利用信息提取方法研究

目前，高分辨率遥感图象正愈来愈多地应用于土地与水资源的监测和管理，其中，IKONOS图象数据因其具有较高的空间分辨率和人机交互的解译效果．在省市土地利用信息获取及在城市研究中更具有广阔的应用前景．以南京幅的IKONOS图象数据为基础．以城乡接合部的不同试验区为对象，着重讨论了高分辨率遥感图象城市土地利用信息的提取与分类方法其主要思想是先应用常用的多光谱分类算法对试验区的土地利用现状进行初始的类别划分，然后采用Majority Filtering技术获取图象的上下信息，并给你根据地物的形状特征和空间关系对初始分类结果进行校正与调整．研究结果表明，当初始的类别划分能满足一定精度时，采用本所提出的方法能进一步改善高分辨率图象城市土地利用信息的分类效果．     

基于POI和主动学习的城市功能区分类方法研究

城市功能区是认知城市复杂系统的重要单元。然而，由于城市系统的复杂性，城市功能区分类目前仍存在一定的挑战。本文提出构建一种基于POI(Point of Interest，兴趣点)和主动学习算法的城市功能区分类方法。一方面，该方法采用的主动学习算法是一种半监督分类方法。相较于非监督分类方法，该方法可具有更高的分类精度；相较于监督分类方法，该方法仅需标记少量的功能区类型，而由于城市系统的复杂性，功能区类型的标记往往需要行业专家的专业知识及对城市深入地熟悉与了解。另一方面，相较于现有研究中常用的大数据（高空间分辨率遥感影像、POI、移动通信、公交刷卡等社会感知数据），该方法选择的POI数据具有易获取、数据完整性高且兼顾城市系统中地理实体的自然属性和社会经济属性的特点，使得本方法具有较高的可行性。本文以北京市朝阳区为例，采用该方法进行城市功能区分类，并将识别结果与人工识别结果进行对比分析，验证了本方法的可行性与准确性，然后分析了该方法实现过程中的两个重要参数对分类结果准确性的影响。     

高分辨率遥感数据和POI数据支持下的城市土地利用分类——以宁波市某广场为例

遥感影像数据用于城市土地利用分类由来已久,但这种方法难以识别建筑物的社会经济属性.而包含社交媒体数据在内的多源数据为城市研究与应用提供了丰富的数据资源,能有效弥补遥感影像数据无法体现建筑物内在特征的不足.以宁波市某广场为例,利用高分辨率遥感数据和兴趣点(POI)数据,结合主题模型,研究使用多源数据融合是否会对城市土地利...     

基于决策树的多源遥感数据分类

遥感影像是获取土地覆盖信息的重要手段。分析了影响决策树分类的特征因子,并根据这些因子构建分类决策树。结合中分辨率多源遥感数据,对贡嘎山区进行土地覆盖分类,通过与最大似然法分析对比,基于决策树的多源数据分类对试验区的分类精度(总体精度85.71%,Kappa系数0.83)远高于基于像素的最大似然法监督分类(总体精度63.56%,Kappa系数0.58)。     

江南丘陵区土地利用/覆被分类

江南丘陵区土地利用/履被类型相对比较复杂，传统的基于光谱特征的计算机自动分类的精度难以达到实际应用的需求．为了提高分类精度，需要模仿目视解译过程，从遥感信息机理与地学规律的综合分析人手，综合其它辅助信息进行分类．在对绍兴试验区地学背景知识和遥感数据光谱特性充分分析的基础上，获取了试验区各类典型地物分类的知识，并以规则的形式表示这些知识，集成TM影像亮度值、亮度值关系和DEM、坡度和坡向地理辅助数据对试验区土地利用/履被进行分类．结果表明，该方法可以方便有效地综合多种辅助数据进行分类，得到令人满意的分类结果，本次试验的分类精度为86．66％。     

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。     

基于LiDAR的城市土地集约利用评价方法研究

城市土地集约利用水平反映了城市土地利用的强度和效率,是城市三维空间布局的藐视指标,关系着如何规划城市土地的用途.LiDAR数据是数字地形模型和三维城市模型的主要数据源.研究提出了基于LiDAR数据自动进行城市土地集约评价的三阶段框架.首先对LiDAR数据进行分类,获取植被、建筑物等信息;接着产生100 m×100 m的评价网格,计算每个网格的三维房地指数和植地指数,进而生成城市土地集约利用评价专题图;最后以Optech获取的江苏徐州的LiDAR数据为例展示评价的效果.     

城市土地利用中航空影像图的应用研究

应用航空遥感技术，针对中小城市规划要求，按照《城市用地分类与标准》规范，建立了城市土地利用类型判读标志。应用航摄资料获得了城市土地利用数据，为城市土地开发利用，合理布局提供了基础资料，同时完成了城市规划用底图，实践证明利用航空影像图获取规划基础数据，精度可靠，适合在中小城市规划中推广应用。     

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．      

基于多源数据产品集成分类制作的青藏高原现状植被图

充分利用多源植被分类/土地覆盖分类产品各自的优势,通过专门设计与青藏高原植被类型相适应的植被分类体系,选用集成分类方法,在数据可靠性的基础上遵循一致性的原则,制作了青藏高原现状植被图,其在现势性、分类体系的针对性和分类精度上均表现更优．从分类结果的现势性来看,青藏高原现状植被图较早期中国植被图能更好地反映青藏高原植被覆盖现状;从分类体系的针对性来看,青藏高原现状植被图采用了针对青藏高原植被专门设计的分类体系,有利于从多源数据产品中充分提取出具备高可靠性和一致性的植被覆盖信息;从分类精度来看,青藏高原现状植被图的总体精度（78.09%,Kappa系数0.75）较已有相关数据产品提高了18.84% ~ 37.17%,特别是对草地、灌丛等植被类型的分类精度有明显提升．      

基于卷积神经网络的手绘草图识别

针对目前手绘草图识别难度大,识别准确率低且主要以手工提取特征为主,提出一种新的卷积神经网络结构DCSN( Deeper-CNN-Sketch-Net) 进行手绘图像识别。DCSN 模型是根据手绘草图的特点进行设计,如在首层采用了更大的卷积核获取草图的结构信息和更小的步长尽可能多保留特征信息,通过增加网络层数加深网络深度等。为进一步提高识别准确率,针对手绘草图的特点提出了两种新的数据增强方法,小图形缩减策略和尾部移除策略增加数据集的多样性,并利用扩充的数据集训练DCSN 网络。经实验验证,所提出的模型在目前最大的手绘图像数据集上可以取得70． 5% 的识别准确率,超过了目前存在的几种主流的手绘草图识别方法。     

基于Tree-CNN 的飞机腐蚀铆钉分类

针对目前飞机腐蚀铆钉分类准确率较低，且以手工检测为主的现状，提出一种基于Tree 结构的CNN ( Convolutional Neural Networks) 分类算法用于飞机铆钉腐蚀分类。算法中Tree 的深度和节点数由普通结构的 CNN 分类方法计算得到的铆钉类别的混淆矩阵决定，对于5 分类的飞机铆钉实验，Tree 的深度为3。经实验验 证，所提出的Tree-CNN 模型在飞机腐蚀铆钉数据集上分类精度达到86． 5%，获得了较高的腐蚀铆钉分类准 确率。     

基于Keyhole和Landsat MSS融合影像的土地利用变化监测研究—以杭州湾南岸为例

以杭州湾南岸为研究区,利用1980年9月20日的Keyhole遥感影像与同一时期的Landsat MSS遥感影像,通过融合处理,获得既具有高空间分辨率又有多光谱分辨率的历史遥感影像,填补历史高分辨率遥感影像的空缺．研究结果将历史土地利用类型变化监测时间序列推前的同时,提高杭州湾南岸土地利用变化监测的精度．研究中将使用历史融合影像对杭州湾土地利用类型变化进行监测,同时结合1990—2020年4景Landsat遥感影像,获得杭州湾南岸地区近41年的土地利用情况,辅以前人的目视解译结果图,得到分类精度>90%的土地覆被利用分类结果．从面积变化、类型转化、年均变化率3方面分析讨论了1980—2020年间杭州湾南岸地区土地利用的时空变化特征．结果表明:1980—1990年,杭州湾南岸库塘呈减少的趋势,耕地逐渐向海岸地区扩张;1990—2020年,城市的扩张面积不断增加且呈现向海岸扩张的趋势,库塘的面积增加明显,主要表现在人工养殖场继续向海岸扩张．城市的发展是影响杭州湾南岸土地利用变化的主要因素,并且在杭州湾城市规划的同时应该充分考虑其生态环境的问题,加强自然湿地保护,严格控制自然湿地的开发规模,坚持可持续发展,在保护湿地的基础上进行合理的开发利用．      

位置服务大数据下广州市土地利用类型模拟探讨

位置服务(LBS)产生的时空行为大数据为地理环境模拟提供了重要机遇,也为土地利用类型的模拟识别提供了创新思路。位置服务大数据下的居民活动强度的周期性变化与土地利用有显著相关性,带有较强的土地利用指示性,在土地利用类型模拟识别上具有较大的应用价值。以广州为案例,本文利用百度地图平台APP联盟用户的位置服务大数据,以150*150m格网为精度单元,应用监督分类方法中的随机森林分析法模拟识别土地利用类型,模拟总准确率达72.40%,其中,村镇建设用地、工业用地、公园绿地、居住用地和商业金融用地的预测准确率分别为50.39%、82.65%、49.53%、82.66%和49.56%。研究结果表明随机森林方法在应用高密度时空行为大数据进行土地利用类型模拟的有效性及位置服务大数据在城市土地利用类型模拟上的潜在价值,也反映了居民活动强度空间形态与土地利用之间的显著相关性。当然,这需要利用不同的技术手段在不同城市和城市的不同区域上更多的案例实证。     

基于 CatBoost 算法的面向对象土地利用分类

为实现较高层次的遥感影像分类及有效去除高维特征的信息冗余,以 Sentinel-2 遥感影像为数据源,应 用 CatBoost 算法对龙江县进行了面向对象的土地利用分类。利用 CatBoost 算法对全部特征集进行降维,分别使 用 CatBoost、ＲF(Ｒandom Forest)和 AdaBoost 算法进行土地利用分类并对分类结果进行对比。研究结果表明, CatBoost、ＲF 和 AdaBoost 算法的 Kappa 系数均在 0． 77 以上,且 CatBoost 算法的 Kappa 系数高达 0． 911 4。因此 CatBoost分类法是土地利用分类的有效方法,为土地类型的划分提供了快捷可行的方法。     

多因子贡献率权重的城市精细人口空间化方法:以北京市为例

以北京市作为研究区，以土地覆盖、河流道路、DEM、珞珈一号夜间灯光以及兴趣点各数据作为影响因子建立人口指标体系，针对人口空间化中多源数据权重确定方法复杂且主观性强的问题，提出以主成分分析法挖掘各项数据特征，以因子对指标评价体系的贡献率作为权重进行多因子加权融合，实现北京市30 m×30 m精细人口空间化．与Worldpop数据进行精度对比分析，结果表明:1）人口精细空间化结果的精度（R2=0.85、E_MR为0.28）优于Worldpop数据的精度（R2=0.67，E_MR为0.48）；2）北京市人口主要分布在中心主城区内，且向外呈现波动性递减趋势，在外围出现多个郊区次中心，与兴趣点密度具有相似的空间分布；3）各类兴趣点因子被赋予了较高的权重，可作为北京人口空间分布的重要指示性因子．该研究方法可为其他城市精细人口空间化研究提供参考．      

基于局地气候分区的城市热环境分析

局地气候分区(local climate zone, LCZ)是一种用于城市热岛研究的地表分类系统框架．本文基于卫星遥感影像、建筑物矢量等多源数据,开展了北京市中心城区局地气候分区分类制图,探讨了不同LCZ类型的热特征及季节差异:1）根据城市建筑矢量、地物覆盖分类数据,利用分层次分类方法构建研究区LCZ地图;2）利用Landsat 8卫星遥感影像和辐射传输方程法,反演得到研究区逐月地表温度数据;3）结合LCZ地图和多时相地表温度数据,分析不同局地气候分区各月份及季节间的热表现及差异．结果表明:研究区建筑以中低层为主,且多为开阔类型,自然地表覆盖中低植被区LCZ D占主要比例;LCZ 1-3密集建筑类型较其他建筑类型地表温度更高, 且随着建筑高度的降低温度依次增加,除水体外,LCZ A/B 林区是所有类型温度较低的区域;夏季各LCZ分区之间温度差异显著,7月份热岛强度达到全年最大值．研究结果能够为城市规划设计提供参考,助力于城市的可持续健康发展．