基于珞珈一号的上海市建成区提取研究

夜光遥感数据提取建成区指的是在夜间黑暗的灯光背景下，以人类活动引起的灯光作为数据源提取城市建成区范围。首先对夜光遥感数据进行预处理，然后对处理后的影像进行经验阈值法、聚类阈值法、动态阈值法、统计数据比较法、突变检测法和高分辨率影像数据空间比较法等的城市建成区提取，最后对这些方法进行精度评估。实验结果表明，连通法从操作的便捷度和操作过程优于传统的提取建成区方法。从提取面积的准确程度和提取空间的吻合程度上看，连通法在珞珈一号数据提取建成区上优于其他几种阈值提取方法。     

基于Landsat8数据和"珞珈一号"夜光数据的合肥建成区提取

以Landsat8数据和"珞珈一号"夜光数据为主要数据源,将遥感与地理信息科学技术相结合,对合肥建成区进行提取.首先将Landsat8相应波段分别与自身第8波段进行Gram-Schmidt变换处理,并对处理获取的新波段进行波段计算,获取土壤调节植被指数(SAVI)、改进的归一化差异水体指数(MNDWI)和改进的归一化裸露指数(MNDBI),分别代表植被、水体、建成区三类主要的土地覆盖类型,将三指数波段进行合成,通过监督分类获取整个合肥市的建成区分类图.最后运用"珞珈一号"夜光数据采用二分迭代法获取的建成区边界去除建成区分类图中远离城区的建成区和城区周边被错分为建成区的裸地或农田,获得精准的合肥市建成区.结果表明GS变化后的"三指数法"影像监督分类的精度有了较大的提升,可达93.39％,Kappa系数达到0.8670,同时"珞珈一号"夜光数据可有效地去除建成区周边裸地,使得精度提高到95.10％,Kappa系数也达到了0.9010.     

基于遥感的合肥市建成区时空变化分析

以合肥市为研究区,以6期Landsat卫星影像为数据源,采用目视解译法和支持向量机法对合肥市遥感影像进行监督分类与精度评价,在此基础上结合紧凑度指数、分形维数、重心转移指数等指标分析合肥市建成区的时空变化.研究结果表明:(1)1995—2013年合肥市建成区扩展以边缘式扩张形式为主,由主城区边缘向外以发射状延伸;201...     

DMSP夜间灯光数据与Landsat数据结合的建成区提取研究——以江西省为例

建成区面积代表着城镇用地水平和发达程度,其变化反映了城市扩张强度和经济发展水平.该文以江西省为研究区域,提出了一种Landsat TM/ETM＋光学遥感影像与DMSP/OLS(Defense Meteorological Satellites Program/ Operational Linescan System)夜光数据相结合的建成区提取方法,提取精度达到89.7%;利用长时序提取结果分析了江西省1995年～2014年的城市建成区扩张情况,结果表明江西省近20 a间建成区面积增加了1 276.33 km2,扩张率达423.99%.综合分析建成区提取结果与经济统计指标,结果显示江西省的建成区面积扩张与经济发展存在显著正相关关系(R2＝0.62);鄱阳湖生态经济区建立后,区域内城市的建成区建设速度和经济发展速度明显加快.     

苏州建成区范围界定及形态分析

城市建成区范围与形态是城市规划与管理的基础信息,利用2010年5月24日的卫星遥感影像,提取了苏州市建成区范围,得知苏州市主建成区面积为618 km2,主建成区重心在五峰园。苏州市各区建成区形态特征参数反映两种城市扩张模式:一种是整体齐头推进;一种是局部多头推进。通过建成区形态分析发现苏州在城市建设方面的一些问题。为苏州城市精确规划、管理与研究的需要,今后有必要利用遥感和GIS对苏州市建成区范围定期进行提取。     

城市不透水面遥感信息提取方法的比较研究

不透水面信息是有效评估城市化进程及发展水平的重要参数.以处于快速发展中的杭州市为例,基于Landsat和SPOT卫星遥感影像数据,计算并分析4种光谱指数(NDISI、ENDISI、BCI和BUAI)及2种监督分类方法(支持向量机和神经网络)对不透水面的提取精度,以确定遥感提取杭州市主城区不透水面信息的最佳方法.结果表明：BCI指数法的提取精度最高,其次是BUAI指数法,NDISI指数法的提取精度最低.该研究可为有关部门快速且高效提取分析不透水面信息提供参考.     

珞珈一号夜间灯光影像的建设用地提取

建设用地的准确获取对了解城市建设发展、监测城市建设情况和规划空间布局有重要意义.以往的夜间灯光数据在市级以上的建设用地提取中,准确度都会受到分辨率与尺度的影响,小尺度对准确度影响更大.130 m分辨率和250 km幅宽的珞珈一号数据的出现,让城市建设用地的提取更具潜力.本研究通过整合珞珈一号夜间灯光数据与兴趣点数据以及Landsat8反演得到的地表温度数据,采用经验阈值法提取建设用地并进行精度评价.结果显示,珞珈一号影像在小尺度提取中,虽然总体精度(0.825)较高,但是误分很严重,导致Kappa系数只有0.359;通过平均值法与兴趣点数据结合提取,精度数值均有提高,但误分还是较多,Kappa系数只有0.442;在加入地表温度数据后,用LJ&LST综合指数提取建设用地,极大地改善了误分的现象,总体精度为0.874, Kappa系数达到0.620.实验表明,即使城市中存在河流,在珞珈一号数据的支持下介入地表温度的LJ&LST综合指数也可以提高建设用地的提取精度.     

基于夜间灯光数据的川渝城市建成区时空动态

通过研究川渝地区城市时空动态分布以及城市的发展趋势,以期缓解人地矛盾、优化城市空间布局。本文使用由NGDC下载的DMSP/OLS卫星F101993、F121998、F142003、F162008稳定灯光年度合成影像和NPP/VIIRS卫星2013、2018年7月的月合成影像两种夜间灯光数据。以五年为一周期,通过阈值二分法提取川渝地区城市建成区,并利用紧凑度与分形维数、标准差椭圆和城市建成区扩展时空分布特征分析川渝地区城市建城区近25年动态变化过程。结果表明：（1）两种夜间灯光数据拟合R2值约为0.7455,提取误差在3%以内,空间精度相对较高;（2）川渝地区紧凑度指数随时间推移而降低,分型维度大致呈上升态势;（3）城市建成区城市重心逐渐东移,城市拓展的方向性先降低后增强,扩展方向由西南-东北转为西北-东南方向;（4）川渝地区城市建成区不断扩展,扩展速度虽有波动但大致呈上升态势,成都、重庆的核心地位日益增强。可见在1993-2018年间,川渝地区城市群规模不断扩大,城市结构日益复杂,城市发展以外延式扩展为主,破碎程度较高;城市建成区重心呈现东移趋势,表明以重庆为核心的东部城市发展稍快于西部。     

基于遥感指数的城市建城区界定与自动提取

建筑用地是一类复杂的土地利用类型,难以用简单的方法将它们从遥感影像中准确提取出来.而城市建成区的界定,更是缺乏有效的方法,因此亟需一种科学的方法来准确提取城市建成区.新近提出的IBI建筑用地指数虽然可以将建筑用地较好地从影像中提取出来,但仍无法将城市建筑用地和农村建筑用地区别开来.为此,本文提出一种基于连通区域的新算法...     

近20年晋江市城市建成区拓展变化及驱动力分析

针对使用单源数据提取城市建成区精度过低的问题,利用遥感和地理信息技术,以Landsat陆地卫星遥感影像和夜间灯光数据作为主要数据源,对2002—2018年晋江市建成区拓展动态进行监测分析。利用GIS空间叠加分析功能,结合多源数据对城镇用地的提取结果,得到各时期建成区扩展信息,并分析促使晋江市建成区拓展的驱动力。结果表明,2002—2018年晋江市建成区拓展过程中,拓展速率先快后缓,建成区空间重心不断南移,建成区分布格局逐渐形成以陈埭镇-池店镇-青阳街道为中心的北部主城、以安海镇-灵源街道为核心的中部辅城和以英林镇为核心的南部辅城的"全市一城、一主两辅"大城市新格局。研究结果可为有关部门制定城市发展规划提供参考。     

基于SVR的GF1号遥感影像森林蓄积量估测

国产高分辨率卫星遥感影像已成为森林资源调查和监测的重要数据源。基于国产卫星遥感的森林蓄积量估算成为重要的研究方向之一。本研究以福建省将乐县为研究区,选择国产高分辨率高分一号卫星2 m分辨率遥感影像为主要数据源,加以辅助野外实地调查数据,分别采用多元线性回归和SVM(support vector machine)回归方法开展亚热带针叶林蓄积量估算效果评价研究。首先,从融合影像中提取遥感因子,包括11个光谱因子和10个纹理因子等;其次,对21个遥感因子进行相关性分析,选取皮尔森相关系数较大的6个遥感因子;第三,应用多元线性回归和支持向量机回归(support vector regression,SVR)对所选遥感因子建立模型,选取最优模型反演将乐县蓄积量分布图。结果表明:支持向量机回归(SVR)估测蓄积量的模型预估精度达到98. 22%。     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习算法.通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.将支持向量机理论应用到遥感图像分类的研究还处在初级阶段,传统分类算法应用于遥感图像分类存在运算速度慢、精度比较低和难以收敛等问题.从支持向量机基本理论出发,建立了一个基于支持向量机的遥感图像分类器.用遥感图像数据进行实验,并将结果与其它方法的结果进行了比较分析.实验结果表明,利用SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度.     

基于卫星遥感图像的农作物分类算法

为提高遥感图像对农作物的预估精度和农业种植效率, 设计了基于卫星遥感图像的农作物分类算法。 以2018 年 7 月 30 日哨兵二号(Sentinel-2)卫星拍摄的高分辨率哈尔滨市农业示范基地卫星影像为实验数据, 在不同光谱波段内(含红边波段), 通过使用最大似然法、 支持向量机法、 神经网络法分别对影像中水稻、 大豆、玉米、 高粱等农作物特征进行提取、 分类, 获得到农作物分类图;将统计结果与真实的参数进行比较, 分析了相同算法下使用不同数据源, 不同算法使用相同数据源, 这两种情况下的分类精度与可靠性。 实验结果表明,通过神经网络法得到的分类结果精度最高, 可靠性最强, 适合于全国范围内推广。     

基于卫星遥感影像的土地分类实验方法研究

为了让本科生充分理解和掌握遥感影像处理技术,结合吉林大学大学生创新创业训练计划,设计了基于高分辨率卫星遥感影像的校园土地分类实验项目。以2015 年9 月20 日高分二号( GF-2) 卫星拍摄的吉林大学中心校区卫星影像为实验数据,通过使用不同的光谱指数以及支持向量机( SVM: Support Vector Machine) 分别对影像中的建筑物、植被、水体、平地和操场等地物进行提取,进而得到基于高分辨率遥感影像的校园地物分类图,并对分类结果中各种地物信息进行统计分析,将统计结果与真实的地物参数进行对比,近而改善该方法的分类精度与可靠性。实践结果表明,该实验可以有效的帮助学生对知识的理解和掌握,达到了预期的教学效果。     

基于遥感和GIS的土地利用分类方法研究

本文基于遥感卫星数据,在遥感软件ENVI 5.1和地理信息系统软件Arc GIS 10.0的支持下,通过最大似然法(MLC)、支持向量机(SVM)、人工神经网络(ANN)三种方法,对研究区土地利用/覆盖(LUCC)分类进行信息提取,并对不同分类方法的结果进行比较分析和精度检验.研究表明:使用支持向量机进行遥感图像分类,精度优于最大似然法和人工神经网络,且学习速度也较快,可更好地区分土地利用类型,提高土地利用信息的精度,适用于不同地貌单元,能够作为小尺度范围内遥感影像LUCC分类研究的有效工具.     

基于支持向量机的地基单站GPS反演大气剖面

提出基于支持向量机的地基单站GPS遥感大气剖面的反演方法,主要包括经典支持向量机、最小二乘支持向量机、相关向量机3种方法,利用青岛地区的历史数据进行了仿真反演对比研究,并与神经网络反演方法进行比较,结果表明支持向量机能够有效地应用于地基单站GPS大气遥感领域.     

基于DMSP/OLS夜间灯光数据的山东省土地城镇化水平时空特征分析

以2000-2013年DMSP/OLS卫星提供的夜光遥感数据为数据源,运用比较法,在RS和GIS技术的支持下,测度出山东省14年间逐年城镇用地的时空特征.结果显示:使用夜光遥感数据测度城镇用地效果较好,Kappa系数与OA值均达到精度要求;在空间分布上,较大的城镇斑块集中于济南—青岛一线,且趋于分散化;在时间变化上,山...     

基于多时相遥感数据的吉林盐碱区土地覆被信息提取方法对比—以镇赉为例

利用多时相的遥感数据制作的多维分类特征数据集,可以充分挖掘遥感影像中的植被信息提高地表覆被信息的分类精度。以世界三大盐碱土分布区之一的吉林省镇赉县为例,利用多时相Landsat8遥感数据制作的多维分类特征数据集,通过不同的分类方法提取了实验区11类地表覆被信息,并进行精度对比分析。结果表明:1支持向量机(SVM)法对苏打盐碱化土壤特殊生态环境的地表覆被信息提取具有较好的分类效果,总体分类精度87.77%,Kappa系数0.864 9;其中盐碱地的分类效果较好,生产精度达到98.34%。2不同方案分类精度从高到低依次为:支持向量机、最大似然分类、神经网络、最小距离、光谱角法。3镇赉县的土地利用类型以旱地、水田、盐碱地为主,镇赉西部以旱地为主要,中部地区盐碱地、碱泡、旱地交错分布,东部以水田为主。     

基于FY-3A/MERSI中国区域地表类型识别研究*

基于风云三号卫星(FY3)搭载的中分辨率光谱成像仪(MERSI)可见光、近红外和热红外通道资料,利用支持向量机分类方法,对整个中国区域4个时段(2012年2月、2012年4月、2012年8月和2012年11月)地表类型进行识别,并进行分类精度验证。结果表明:4个时段分类结果的总体精度都保持在95%以上。可见,基于FY-3A/MERSI数据,利用支持向量机方法得到的分类结果精度非常高,符合实际情况,表明MERSI资料及本文研究方法在地表类型识别上具有其有效性。     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.