多尺度分割与特征优选下的盐碱地提取

土地盐渍化作为一种土壤灾害,严重制约着社会经济与农业的发展。对盐碱地进行实时监测,可为盐碱地的评价改良提供科学依据。由于盐碱地的信息复杂、提取精度不高,因此本文以高分六号（GF-6）卫星遥感影像为数据源,采用分形网络演化算法（fractal net evolution approach,FNEA）进行影像对象的多尺度分割,从面向对象的角度减少高分影像分类结果中的椒盐噪声问题,通过计算图像对象的局部方差和变化率来确定适宜的盐碱地分割尺度。利用基于特征选择的相关性算法（correlations-based feature selection,CFS）与Relief F算法分别对由光谱、纹理、形状、遥感指数构成的初始特征空间进行特征优选,精简特征子集,解决特征数量冗余问题,以此来优化随机森林对盐碱地提取精度。结果表明：CFS约简后的特征子集更小,精度更高,说明在盐碱地提取过程中,筛选特征数目能够减小冗余数据对提取精度的影响。CFS优化后的随机森林对盐碱地的提取效果较好,该方法总体分类精度达到83.7%。     

基于光谱与纹理特征融合的滩涂信息提取方法

滩涂在光学遥感影像中具有光谱信息综合的特点,单纯基于光谱特征的滩涂信息提取方法精度不高.本文在海岸带地物分类过程中,引入了纹理特征分析,发展了一种基于光谱和纹理特征融合的滩涂信息提取方法.该方法首先利用神经网络分别实现基于像元光谱特征和基于图像纹理特征的海岸带地物分类;在两种分类结果的基础上,建立融合模型,完成决策级的信息融合,从而得到最终的滩涂信息提取结果.试验结果表明,在海岸带地物分类过程中引入纹理特征分析是有效的,决策级的光谱与纹理信息融合可以使滩涂信息提取的精度达到92.3%.另外,神经网络方法用于海岸带地物分类亦是可行的.     

基于改进光谱角法的红树林高分遥感分类方法研究

传统影像分类方法多利用影像端元光谱进行地物分类,影像的空间结构信息被忽视,本研究结合面向对象分类方法思想以提高红树林遥感分类精度。本研究提出了一种结合端元类型选择、像元提纯等混合像元分解手段及分水岭图像分割算法的改进光谱角影像分类方法,并以山口红树林国家级自然保护区为研究区,利用GF-1号遥感影像数据,在光谱特征分析和地面调查的基础上,对红树林生态系统进行分类,并对分类精度进行分析。研究结果表明:改进的光谱角分类方法对GF-1影像分类效果较好,既兼顾地类光谱组成较复杂时的特殊性,又有效避免结果的破碎化现象,且总体精度达到95%（KAPPA系数0.944）,证明了其在红树林遥感影像分类及信息提取方面的应用潜力,为红树林生态系统业务化遥感监测奠定了基础。     

基于eCognition的本溪典型区域生态环境变化遥感分析

基于eCgnition软件平台,采用先进的面向对象分类技术,开展本溪典型区域生态环境变化遥感监测分析。利用面向对象的多尺度分割方法,充分结合影像中的光谱、纹理、几何性信息等各种对象特征,针对不同影像、不同地物目标的信息提取,实现区域生态环境变化遥感分析。     

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.     

基于面向对象的海岸带土地利用信息提取研究

针对海岸带复杂多样的土地利用信息,选取山东省乳山市海岸带为研究区域,运用 Landsat TM遥感影像数据,基于面向对象分类方法,利用不同地物的光谱、形状、纹理和空间关系等特征,通过多尺度分割、隶属度函数法和标准最邻近分类法提取研究区土地利用信息,并对分类结果进行精度评估。结果表明：①隶属度函数法和标准最邻近分类法结合,提取出乳山市海岸带12 种土地利用类型信息,很好地区分了盐田和养殖水面、林地和园地,可提取出主要的道路和河流等细长线状地物;②将提取结果与最大似然法对比,面向对象分类方法提取精度达到82.50%,Kappa系数为0.809 1,分别比最大似然法提高了11.44%和0.105 5,很好地避免“同物异谱”和“异物同谱”对分类精度造成的影响,有效地避免了“椒盐”现象。面向对象分类方法提取中分辨率遥感影像精度较高,为海岸带土地利用信息的快速、准确提取提供了有效的技术手段。     

基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究

针对滨海陆地复杂地物环境下如何提高土地覆盖信息遥感提取精度的关键问题,基于最新发射的国产高分(高分辨率)1 号和资源3 号影像,采用面向对象分类法和最大似然法,开展杭州湾南岸滨海陆地土地覆盖信息的遥感提取。结果表明,相比最大似然法,面向对象法结合高分1 号既考虑对象的光谱、空间和纹理等多种属性特征,又充分利用高分影像所提供的丰富纹理和空间信息,对于土地类型多样、边界模糊等混合像元具有较好的识别能力,获得较高分类总精度(90.4%)和Kappa 系数(0.876 7);分割尺度对高分影像分类精度具有重要影响,高分1 号2 m和8 m最优分割尺度分别为63%和65%,资源3 号影像最优分割尺度为66%;高分1号比资源3 号更能体现在植被和水体等地物信息提取方面的优势。     

基于RS和GIS的番禺区土地利用分类研究

高空间分辨率遥感影像使得土地覆盖和土地利用信息的提取成为可能。以多光谱和高分辨率遥感影像数据SPOT5为主要数据源,以RS图像处理,解译分类和GIS空间分析为主要技术,结合DEM、其他社会经济自然地理数据和实地调查等的辅助分析方法,进行番禺区土地利用二级分类,为研究土地利用和环境规划管理提供了一种可行途径。     

基于RS和IGS的番禺区土地利用分类研究

高空间分辨率遥感影像使得土地覆盖和土地利用信息的提取成为可能。以多光谱和高分辨率遥感影像数据SPOT5为主要数据源,以RS图像处理,解译分类和G IS空间分析为主要技术,结合DEM、其他社会经济自然地理数据和实地调查等的辅助分析方法,进行番禺区土地利用二级分类,为研究土地利用和环境规划管理提供了一种可行途径。     

辅以纹理特征的HJ-CCD海上溢油信息提取 ——以PL19-3溢油为例

鉴于依赖光谱特征的传统溢油信息提取方法面临信息提取精度低的困境,提出采用光谱特征与纹理分析结合的方法应用于溢油监测.选择位于渤海的蓬莱19-3油田溢油事故为研究对象,基于覆盖溢油事故阶段的8景30m分辨率HJ-CCD数据,在溢油目标提取过程中,引入了方向性纹理特征分析,将主成分光谱降维、方向梯度边缘检测等技术相结合,形成了基于光谱与纹理特征的溢油信息提取技术.所述方法经8组数据检验后,用类间分歧度方法进行了对比评价.结果表明:将纹理分析方法应用于溢油信息提取,类间分歧度提高到1.9999,提高了油膜影响边界和油膜厚度分区识别能力.     

基于哨兵二号遥感影像的近海养殖区提取方法研究

卫星遥感为近海养殖区信息的精确提取提供了有效的技术手段,对实现海水养殖业的科学监管具有重要意义。现有光学遥感手段对养殖区信息的提取多侧重于影像空间特征的使用,对于光谱和空间信息的结合在养殖区特征表达与判别提取方面的综合利用还有待进一步挖掘。本文利用哨兵二号卫星遥感影像,针对近海养殖区小样本、多维度、水体组分复杂等特点,...     

基于面向对象的北京市区城市内部用地信息提取

选取北京市四环以内为研究区域,以资源三号卫星遥感影像为数据源,针对类型多样、特征易混淆的城市内部用地以及高分辨率遥感影像海量信息、人工提取费时费力等特点,论文基于面向对象分类方法,探讨城市内部用地自动提取方法,并对分类结果进行精度评估.结果表明:利用不同地物的光谱、形状、纹理和空间关系等特征,通过多尺度分割和隶属度函数法,构建合理的分类层次,不仅精确提取出研究区内水体、绿地、建设用地和待开发用地,更独具创新地区分了城市建设用地内部各种地物类型,包括工业生产用地、低密度和高密度生活用地以及交通用地.该方法有效地利用了资源3 号卫星影像的光谱、纹理及空间信息特征,总体精度可达到87.00%,Kappa系数达到0.853 9,取得较好的分类效果.     

泰国水稻种植区耕地信息提取研究

耕地信息是重要的农业信息,是分析土地资源利用程度的基础。论文通过面向对象的方法提取了泰国的水稻种植区耕地信息。研究中以TM影像作为数据源,首先考虑多光谱特征、紧密度和光滑度等几何特征,通过区域合并方法进行影像的多尺度分割,生成同质的影像对象多边形。然后选取影像中样地的光谱标准差、形状指数、对称度和密度作为耕地类别的识别特征,并采用模糊函数方法对各特征进行了定义。最后利用最相近匹配方法,对每个对象多边形进行类别判别。在分类的基础上,进行同类别的合并和统计,得到耕地的分布和比例信息。通过野外实测样地和目视解译结果检验,耕地类别符合率为90.25%,面积相同率为90.25%,形状一致性为90%,最终土地利用程度分析结果精度为90%。     

基于无人机多光谱的沼泽植被识别方法

为了探究高分辨率无人机多光谱数据对沼泽植被群丛识别能力,在洪河国家级自然保护区的核心区、缓冲区和实验区分别建立典型样区,通过低空无人机搭载的RGB及多光谱相机获取研究区正射影像,构建多维数据集并确立4种分类方案.采用面向对象的随机森林（RF）算法,对输入的多维数据集进行变量选择和参数（mtry、ntree）调优,构建适合沼泽植被群丛尺度识别模型.结果表明：优化的面向对象的RF算法对沼泽湿地植被具有较高的识别能力,在95%的置信区间内,核心区方案四（结合了光谱波段、纹理特征、几何特征、位置特征、地表高程信息和植被指数）获得最高总体精度为87.12%,kappa系数为0.850,比方案二（结合了光谱波段、几何特征和位置特征）总体精度高12.27%,kappa系数高0.140;对于单一典型沼泽湿地植被识别精度中,芦苇获得最高的用户精度高于88%,生产者精度高于90%,小叶章的生产者精度高于85%,但是在核心区用户精度较低,仅为78%.该方法可以作为沼泽植被群丛识别的有效方法,为研究沼泽湿地生态环境变化提供更准确的数据支持.