排序方式: 共有55条查询结果,搜索用时 0 毫秒
51.
基于Sentinel-1A极化SAR数据与面向对象方法的山区地表覆被分类 总被引:1,自引:0,他引:1
地表覆被分类对国土资源调查评估及全球变化具有基础性和关键性意义,但山区由于地形和云雾等的影响,可利用光学遥感影像和其他资源十分稀缺。因此,论文以渝东南山区为研究区,基于Sentinel-1A极化合成孔径雷达(SAR)数据,通过系列预处理,得到后向散射系数值,同时对各类地物的VV/VH极化后向散射系数、纹理、高程和坡度等特征值统计分析,综合这些特征值运用面向对象分类方法对单时相与多时相SAR数据进行地表覆被分类,最后将这两种分类方法与Landsat 8 OLI数据分类作对比。研究表明:1)在同时运用面向对象分类方法的前提下,单时相SAR数据分类和Landsat 8 OLI数据分类精度相当,多时相SAR数据面向对象分类精度最高,总精度为85.65%,Kappa系数为0.829 9;2)与光学数据相比,SAR数据对阔叶林、人工建筑提取有优势,精度提高了10%以上,多时相特征有利于耕地和针阔混交林提取,分类精度比单时相提高了9%左右;3)研究区土地覆被类型以林地为主,占总面积的42.68%,耕地、草灌次之,人工建筑、草地与河流占地面积较少。 相似文献
52.
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。 相似文献
53.
针对东北老工业基地辽东地区突出的生态环境问题,选择本溪歪头山—溪湖典型生态环境严重破坏地区,开展辽东典型区域生态环境变化遥感监测分析。 相似文献
54.
基于高分数据的村级地块面向对象分类方法研究 总被引:1,自引:0,他引:1
针对农作物对地抽样调查工作中村级抽样单元野外调查工作量大的问题,研究了一种基于高分数据的村级农作物种植面积提取方法。以辽宁省北镇市孟家村SPOT5遥感影像为实验数据(主要包括农田、裸地、道路、大棚、水体、房屋等类型),基于eCognition平台,根据局部方差法筛选地物最优分割尺度,按照最优分割尺度从大到小组织实验区地物分割次序,结合影像对象的光谱、形状等特征,建立分类规则,完成了村级农作物种植面积的提取。该方法有效避免了在影像分割时参数反复试错带来的复杂性和随机性,提高了农作物种植面积面向对象分类精度和效率。通过野外调查样地进行精度验证表明,精度达到90.4%,为提高农作物种植面积对地抽样调查工作效率,减少野外调查的工作量提供技术支撑。 相似文献
55.
随着经济快速发展,工业固废、非正规垃圾、未覆盖建筑渣土等固体废物急剧增加,对区域生态环境造成极大威胁。固废堆场具有面积小、分布散等特点,目前国内仍缺少针对各类固废堆场的遥感自动识别研究。为此,基于国产高分辨率卫星遥感数据,根据野外实地光谱采集结果,分别开展了未覆盖建筑渣土、工业固废及非正规垃圾的自动识别方法研究,提取研究区各类固废堆场。结果表明:未覆盖建筑渣土在蓝波段与绿波段分别存在"吸收谷"与"反射峰",基于该特征构建的比值指数模型,结合直方图双峰法阈值分割可以有效提取未覆盖建筑渣土区域;工业固废、非正规垃圾2种固废类型多样,光谱反射率没有明显规律,结合其纹理、色调等特征,采用面向对象多尺度分割、支持向量机监督分类方法能够较好地识别2种类型固废;基于自动化提取技术并结合人机交互判读方法,提取的研究区未覆盖建筑渣土、工业固废及非正规垃圾等3种固废堆场的精度分别达到96.83%、88.26%、85.71%,各类固体废物遥感识别精度较高,极大提高了固废监测效率。 相似文献