多源遥感数据融合在城市发展研究中的应用

多源遥感数据融合是一种通过高级影像处理技术来复合多源遥感影像的技术,其目的是将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合,提高获取信息的有效性和准确性,解释的可靠性,以形成对目标的完整一致的信息描述,把不同传感器的遥感数据和非遥感数据融合在一起应用,是遥感技术应用向纵深发展的必然趋势。本文利用上海地区不同时期、不同卫星的遥感数据及没时期上海城区发展的地图数据,制作了上海市城市发展态势图,并对结果进行了分析研究。     

基于TM影像的森林三维绿量的遥感测算

以北京市八达岭林场为研究区,TM影像为数据源,结合地面样地调查数据,利用多元线性回归分析法分树种建立了北京市八达岭林场三维绿量(TGB)的估测模型。对估测模型进行评价和精度验证,得到阔叶林、针叶林、混交林三维绿量模型的决定系数(R2)分别为0.858、0.756、0.759,测算精度为85.63%。基于模型估测八达岭林场的三维绿量,总量为1 498.635万m3;与利用森林资源二类调查数据计算的地面实测三维绿量对比,测算精度为90.89%。     

高分辨率遥感影像在抗震救灾中的应用

对绵阳地区地震灾害前后的影像进行了几何校正、图像融合等处理,通过目视解译对绵阳地区的建筑物损坏及塌方和泥石流等受灾情况进行了评估,介绍了快鸟影像在绵阳地区抗震救灾中的应用.     

双时相影像联合不确定性对变化检测精度的影响机理探索

研究了双时相影像的联合不确定性对变化检测结果精度的影响机理,为通过抑制不确定性的方法提高变化检测精度的工作奠定理论基础.首先利用联合熵对双时相影像的联合不确定性进行量化评估;进而基于空间统计相关方法,研究影像的联合不确定性与双时相影像变化检测精度指标之间的关系;最后建立双时相影像联合不确定性对变化检测结果精度的作用模型.实验结果表明:双时相影像的联合不确定性与变化检测结果的精度之间呈现出强负相关性,且对变化检测结果精度的影响模式具有线性特征.     

土地利用遥感变化监测中影像融合方法的研究

遥感影像融合技术已广泛用于土地利用和资源环境的变化监测,然而现有的融合方法存在较大的光谱畸变,影响了监测分析后处理的精度.本文提出了一种保光谱的遥感影像融合方法,以IKONOS全色和多光谱影像为试验数据进行融合,并与IHS变换、主分量变换和小波变换融合方法的结果进行了比较.结果表明,本文提出的遥感影像融合方法的融合影像在视觉效果和保光谱特性上都优于其他三种方法.     

基于ETM+遥感影像的数据融合试验及分析评价

以泉州德化阳山-安溪潘田地区的ETM+遥感影像为基础数据,采用Brovey、HSV、Principal Component(PC)、Gram-Schmidt和Wavelet遥感影像融合算法对Landsat ETM+影像进行融合,并就融合图像的空间信息、清晰度和光谱保真能力进行评价.     

基于CBERS-04遥感影像的朗玛村地区岩土分类

为了探索国产陆地探测卫星遥感影像的岩土识别性能,基于CBERS-04遥感影像光学特性分析,应用多种传感器遥感影像进行了青藏高原朗玛村地区的岩土分类研究。对比分析了CBERS-04与Landsat-8陆地成像仪(OLI)数据岩土分类及协同岩土分类的效果,并依据1∶250 000基础地质图和野外地质调查进行了验证分析。结果证实CBERS-04相对Landsat-8OLI的遥感影像岩性分类精度略低,但仍具有较高的分类精度,辅助人工地质解译基本满足中比例尺岩土分类和地质调查图编绘的需要。2种数据源的空间分辨率和光谱分辨率较为相似,且具有互补性,其协同分类可提高岩土分类的精度。     

苏州建设用地变化及城市扩展研究

随着工业化与城镇化步伐的加快，建设用地不足已成为制约城市发展的突出问题。利用1986、1998、2003年的多源卫星遥感影像，结合统计数据，分析了苏州近20年来建设用地变化和城区扩展特征，初步探讨了引起这种变化的原因。最后得出城区发展以外延扩展为主．土地利用效益有待提高，建设用地结构不尽合理等结论。     

贵州省赤水河流域土地利用/覆被变化及驱动力分析

以遥感影像与土地利用/覆被详查资料为主要数据,在Arc-GIS支持下研究贵州省赤水河流域2000-2010年间土地利用/覆被变化,分析土地利用结构变化和动态变化特征,阐明耕地变化的驱动因素.结果表明：2000-2010年间,耕地（旱地、水田）面积减少51.84 km2;园地、水域、灌木林和裸岩面积变化程度较小;草丛、稀疏植被和森林面积分别增加了1.98 km2、2.19 km2和12.85 km2;其中,建设用地年变化率与动态变化最显著分别为10.98％、13.18％,面积增加了33.40 km2.研究认为,除自然因素外,政府政策、工业化、城镇化等人文因素是影响流域土地利用的主要驱动力.     

基于深度极限学习机的高光谱遥感影像分类研究

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱遥感数据的地面物体精确分类是高光谱遥感技术的核心应用之一.针对高光谱遥感影像的分类问题,提出一种基于深度极限学习机(D-ELM)的分类方法.该方法利用一种新的深度学习模型——深度极限学习机对高光谱遥感影像进行分类,并与基于极限学习机(ELM)、支持向量机(SVM)、核极限学习机(ELMK)分类方法进行了比较分析.研究结果表明:相对于ELM、SVM、ELMK分类方法,D-ELM分类方法能够更加准确地挖掘高光谱遥感影像的空间分布规律,提高分类的准确度.