基于高分二号影像的高潜水位矿区水体提取方法

淮南矿区位处高潜水位平原区,区域内水系发达,且长期地下煤炭开采使地表形成大面积水区。文中基于国产高分二号(GF-2)影像数据,以淮南潘谢矿区三座矿山为例,利用2016年GF-2多光谱与全色融合数据,选择单波段阈值法、多波段谱间关系法、归一化水体指数法(NDWI)三种水体信息自动提取方法和监督分类法,对研究区内水体进行提取。结合实地采样得到的混淆矩阵对水体区域的整体提取结果进行精度验证对比分析。实验结果表明:利用监督分类法提取水体信息效果最好,总体精度达到98.18%,Kappa系数为0.94;自动提取方法中单波段阈值法效果最好,总体精为93.26%,Kappa系数为0.81。本研究对比分析得基于GF-2遥感数据的最优矿区水体信息提取方法为监督分类法,为后期矿区水体的动态变化预测和治理提供了科学依据。     

基于无人机遥感的煤矸石山植被分类

植被种类的准确分类是实现煤矸石山植被修复效果评价的基础。利用无人机遥感技术获取不同季节的煤矸石山可见光影像，通过色彩空间转换和纹理滤波充分挖掘可见光影像中丰富的色彩、结构及纹理等特征；然后对传统人工特征选取方法做出改进，该方法可快速、简单、高效地筛选特征信息以获取最优分类特征，并将优选结果与RGB影像融合以获得多特征融合影像；最后，利用3种监督分类模型分别对两期RGB影像及多特征融合影像进行分类处理并对结果进行精度评价及植被动态变化分析。结果表明：基于改进的人工特征选取方法可筛选出不同季节煤矸石山影像的最优分类特征，所选特征不仅能有效反映各类地物的差异性，同时可降低特征信息冗余以提高影像分类精度及效率。支持向量机（Support Vector Machine Classification, SVM）分类方法结合多特征融合影像的分类精度最高，总体分类精度最高可达90.60%，相应Kappa系数为0.878 0，较同期RGB影像分别提高了9.74%和0.126 5；而最大似然（Maximum Likelihood Classification, MLC）和神经网络（Neural Netwo...     

基于PCA-GA-SVM模型的地表下沉系数预测

为解决地表下沉系数难以精准预测的问题,提出了基于主成分分析(PCA)的遗传算法(GA)优化的支持向量机(SVM)模型.利用主成分分析法对４５个矿区的７个地表移动参数影响因子进行降维,提取出新的主成分,同时通过遗传算法获取能够优化支持向量机的最优惩罚参数和最优核函数参数,将主成分输入优化后的支持向量机,对比地表下沉系数的预测值与真实值之间的差距,计算平均相对误差,并与SVM,PCAＧSVM,GAＧSVM３种模型的平均相对误差对比.结果表明:PCAＧGAＧSVM 模型的平均相对误差可以达到７．０１％,精度更高,更能准确地预测地表下沉系数.     

基于GAPSO-SVM的煤层底板破坏程度预测

为了对煤层底板破坏程度进行正确预测,分析遗传算法(GA)和粒子群优化(PSO)算法存在优化支持向量机(SVM)易陷入局部最优解和分类精度相对较低的问题,提出了GAPSOSVM优化算法。综合考虑GA和PSO算法的优点对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡。通过对曹庄煤矿底板破坏程度的预测表明,该方法不仅能够取得良好的分类效果,分类精度高于GA-SVM和PSO-SVM,而且有较好的鲁棒性。     

基于Landsat影像USGS地表反射率产品的土地 利用年际变化成因分析

应用支持向量机机器学习方法,对贵阳市及周边地区Landsat影像USGS地表反射率产品进行分类,通过比较2011～2015年五年区域地表覆盖分类结果图,结合区域工业和建筑业产值数据,分析该区域地表覆盖和土地利用年际变化成因,分析结果表明:(1)5年间随着经济社会的发展,呈现出林地和耕地的面积不断减少的土地利用变化格局;(2)研究区5景影像分类精度较高,总体精度范围91.14%～98.60%,Kappa系数范围0.93～0.98,分类结果真实的反应了研究区地表覆盖及其变化情况。从分析结果来看,优化城市发展空间格局,有序开展植被修复并进行持续遥感监测十分必要。     

基于高分一号卫星遥感影像的城市绿地提取对比研究

针对目前面向对象方法在高分辨率遥感影像中提取绿地专题信息的特点,文中提出一种利用高分辨率遥感影像提取城市区域范围绿地信息的方法,结合K-T变换和ICA变换,根据地物的遥感影像特征、光谱特征信息和基于阀值的分类技术进行有效波段最优组合及地物分类,从而大幅提高了绿地专题信息提取的精度。研究中提出本方法和基于NDVI的典型绿地提取方法的提取结果进行精度评价,实验结果证明,在城市区域范围尺度上,该方法计算简便且实现了94.97%的高精度和总Kappa系数为0.919 5的评价结果。     

基于图像型的矿井火灾探测方法研究

针对煤矿井下复杂环境中传统火灾探测的不足,提出了基于图像处理技术的SVM分类器模型进行火灾探测。首先利用颜色空间进行火焰图像的分割,进而提取出尖角数、圆形度、质心位移等特征,最后通过改进人工蜂群算法优化参数后的支持向量机融合特征量进行分类,以取得最优的探测效果。     

基于资源三号卫星影像的岩性监督分类研究

监督分类法在遥感影像分类中应用广泛,结合已有地质资料和实测地质剖面信息,将研究区岩性分为苏维依组泥岩和粗砂岩,库姆格列木群泥岩、砾岩和含砾粗砂岩,巴什基奇克组粗砂岩和砾岩,巴西改组细砂岩等8个类型,运用ENVI提供的常用监督分类方法——最大似然法,对研究区的遥感影像进行岩性分类研究。并利用混淆矩阵分别对不同影像的分类结果进行精度评价,结果表明ZY-3影像的分类总体精度达到了78.65%,Kappa系数为0.760 6,能够较好地进行岩性信息提取,具有较高的可靠性,可在地质调查工作中推广,能够有效地减少面积性地质测量工作,特别适用于岩石裸露程度较高的艰苦工作区。     

基于无人机的高潜水位煤矿区沉陷耕地提取方法比较

准确、快速、低成本的获取高潜水位煤矿区沉陷耕地的面积、分布、受损等信息对耕地保护有重要的意义。色彩空间转换、纹理分析和植被指数等方法能够有效的增强和挖掘影像潜在的信息,对信息提取有很大帮助。利用2018年4月获取的无人机可见光影像对典型高潜水位煤矿区——山东兖州兴隆庄煤矿的沉陷耕地进行了提取研究。首先统计了耕地、积水区等地物在可见光三波段的均值和标准差,比较发现耕地与积水区在红、绿、蓝3个波段均有重合。其次对研究区影像进行了色彩空间转换与二阶矩阵纹理滤波,统计了耕地与积水区共27项色彩与纹理特征指标,利用均值和标准差计算了变异系数和相对差异值,最终选取色度(变异系数26%,相对差异73.33%)和绿色信息熵(变异系数20.59%,相对差异72.79%)作为耕地提取的最优特征,采用最大似然法进行耕地提取。之后计算了备选的6种可见光植被指数,根据结果分布图,选取了过绿指数EXG(excess green index)、可见光差异植被指数VDVI(visible-band difference vegetation index)、红绿蓝植被指数RGBVI(red green blue vegetation index)及归一化绿红差异指数NGRDI(normalized green-red difference index)作为沉陷耕地提取指数,利用双峰阈值法确定了耕地提取阈值。比较提取结果得出,EXG和NGRDI指数无法全面、客观反映研究区实际情况,VDVI指数的耕地总体分类精度为81.05％,高于RGBVI指数的71.38％,是本研究中最适用于高潜水位煤矿区沉陷耕地提取的指数。最后利用验证区影像,以基于样本面向对象提取的沉陷耕地面积作为参考值,通过比较面积及误差得出,基于色彩与纹理特征法提取的面积与参考面积更接近,误差(6.8%)小于可见光植被指数法(16.0%),更适用于高潜水位煤矿区沉陷耕地的提取。本研究结果客观反映了由于采煤沉陷导致耕地颜色、纹理、疏密等变化特征,为高潜水位煤矿区沉陷耕地的面积测算提供了技术支持。     

基于遥感技术的矿区土地复垦的生态评估

文章以遥感技术为基础,对某矿区1998年、2008年和2018年的遥感影像数据进行处理,将经过大气校正、几何校正、辐射校正、裁剪等预处理后的遥感影像导入ENVI软件中,采用最大似然法对其进行监督分类,并采用混淆矩阵对分类结果进行精度评定,得出的总体分类精度和Kappa系数表明本次分类结果精度较高,可用于该矿区土地复垦生...     

基于纹理和支持向量机的GF-1图像土地覆被分类研究

高分一号卫星,简称GF-1,是中国自主研发的高分辨率遥感卫星,高分辨率遥感图像包含较多的地物信息,广泛应用于土地覆被分类,但传统基于像元的分类方法在高分数据中应用效果不是很理想。为提高高分辨遥感图像的分类精度,以西北新疆喀什地区研究区利用GF-1图像进行土地覆被分类,利用灰度共生矩阵提取纹理信息,结合纹理信息利用支持向量机(SVM)进行分类,将结果与单源SVM分类和最大似然法分类进行对比分析,研究结果表明:结合纹理信息的SVM分类方法可以更准确地进行土地覆被分类,分类精度为93.74%;据源SVM分类精度为89.06%,最大似然法分类精度为86.79%。     

基于遥感技术的太原市万柏林区采煤用地信息提取

文中以太原市万柏林区为研究区,以采煤用地为信息提取目标,通过对TM影像进行预处理、监督分类、野外核查和信息统计,掌握了太原市万柏林区的采煤用地现状,得到了太原市万柏林区采煤用地遥感解译分布图。通过野外核查,该次工作的解译总体精度为98.597%,Kappa系数为0.9775,完全符合遥感解译信息提取要求。     

基于高分一号特征优选的CART决策树面向对象分类研究

以陕西省神木县部分区域为研究区,采用国产高分一号影像数据,结合目视解译成果,研究基于多种特征的CART决策树面向对象分类,对研究区的地物类型进行自动提取。在训练样本一致的前提下,利用面向对象最邻近分类优化特征空间工具间接优化决策树特征空间,并与其分类结果相对比,证明CART决策树面向对象分类是一种高效、高精度的分类方法,尤其适用于大数据量的高分辨率遥感影像地物类型自动提取。     

基于高分卫星影像的威宁县光伏电站提取及分布特征分析

以贵州省威宁县为例,基于高分一号卫星WFV传感器影像资料,分析研究区光伏电站在光谱、纹理和几何上的特征,选择合适的分类特征参数,建立基于面向对象光伏电站提取规则,结合最优分割参数,完成对威宁县的光伏电站提取及精度评价,并根据提取结果统计分析威宁县已建成光伏电站的分布特征。结果表明,该方法能够很好完成威宁县光伏电站识别,分类质量达极好水平,可快速且准确的完成以县为单位的光伏电站提取,为光伏电站的建设情况和健康发展监测提供一定的参考和理论依据;卫星监测到威宁县已建成光伏电站占地面积26.98 km²,主要集中在威宁县西北部及南部地区,电站海拔集中在+1 629～+2 742 m,坡度以缓坡为主,坡向主要朝向东方。     

基于超像素特征与SVM分类的人员安全帽分割方法

安全帽分割是实现煤矿人员智能视频监控的关键技术之一,可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究,为此,提出一种基于超像素特征提取与支持向量机(Support Vector Machines, SVM)分类的矿井人员安全帽分割方法。首先,采用简单线性迭代聚类(Simple Linear Iterative Clustering, SLIC)模型将人员图像粒化为一定数量内部像素点颜色特征相似且空间位置相近的超像素。其次,提取超像素在RGB,YCbCr, Lab, HSV空间上的颜色特征及其灰度直方图纹理特征,通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后,在训练集人员图像中分别提取安全帽正样本超像素和背景负样本超像素的颜色、纹理特征训练SVM分类器,采用已训练的SVM将测试集中的人员图像超像素二分类为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别SVM误分类的虚假正样本并对其进行类别修正,识别同时包含正样本像素点和负样本像素点的欠分割样本超像素,并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其进行二级像素分类,分离出其中的正样本像素区域,得到安全帽的最终分割结果。文中对测试数据集中的100幅人员图像进行实验,结果表明:所提安全帽分割算法的精确度P_r(Precision)均值达到96.94%,召回率R_e(Recall)均值达到95.83%,对不同场景下的人员安全帽图像具有较好的适用性与鲁棒性。     

尾矿及固体废弃物遥感信息提取与解译

采用2014年1月Quickbird拍摄的高分辨率遥感影像数据,对尾矿及固体废弃物的光谱、纹理以及空间几何特征进行分析,确定了尾矿及固体废弃物的最佳分割阈值为30和最佳合并阈值为90。通过对分类结果计算混淆矩阵,得出本次实验规则分类的总体精度为94.15%,提取精度相对较高。     

基于VMD与GWO优化SVM的轴承故障诊断

针对传统振动信号特征提取方法与支持向量机(SVM)分类方法的缺陷,提出一种基于变分模态分解(VMD)故障特征提取方法与灰狼优化器(GWO)优化SVM的诊断模型。首先,将滚动轴承的原始振动信号采用VMD得到若干本征模态分量(IMF);其次,将IMF的多尺度加权排列熵作为特征向量并使用t-sne方法做降维处理;最后,使用GWO对SVM进行优化并对样本数据进行分类判别。实验结果表明,该方法相比于其他传统算法能够有效提高故障分类精度。     

基于U-Net卷积神经网络的遥感影像变化检测方法研究

针对目前遥感影像传统变化检测方法中存在的影像预处理技术要求苛刻、部分环节需采取人工干预、难以做到信息提取自动化、难以处理海量多源数据等问题,基于深度学习卷积神经网络方法,进行U-Net网络模型在遥感影像变化检测中的应用研究。以水体为例,利用该方法对两时相的遥感影像进行变化检测,通过对比基于支持向量机（SVM）的分类后比较法后发现,在给予大量充分训练数据的情形下,利用该方法对试验数据进行变化检测,得到的卡帕系数Kappa为088,总体精度为9706%,相比传统方法精度有所提升,说明本文方法进行变化检测有一定的可用性。研究可为自然资源调查管理提供极强的现势性数据,对开展自然资源管理工作的动态监测提供一个可行的方案。     

引入SPP的高分辨率遥感影像深度学习分类方法

当前,深度学习技术与传统的面向对象技术相结合的分类方法已经较好地应用于高分辨率遥感影像的分类任务当中,但是仍存在如下问题:高分辨遥感影像地物目标复杂,依靠单一数据源进行分割效果不佳;标准的卷积神经网络只能接受固定尺寸大小的输入,分割对象在拉伸变形至固定尺寸的过程中会造成信息的损失.该文首先结合DSM数据进行协同分割,获得更佳的分割结果;然后将空间金字塔池化层(Spatial Pyramid Pooling,SPP)引入卷积神经网络中,构建了一种能接受任意尺寸输入的深度学习面向对象分类模型,从而令分割对象的特征表达更完整,以提高影像分类精度.实验结果表明:引入空间金字塔池化层的高分辨率遥感影像深度学习分类方法,可有效提高影像分类精度,进而得到更加真实可靠的分类结果.     

基于支持向量机模型的地表下沉系数计算参数寻优

为准确快速地对地表下沉系数进行预测分析,提出基于支持向量机(SVM)的地表下沉系数的SVM预测模型,结合我国典型的地表移动观测站实际案例,分别采用网格参数寻优算法、遗产算法(GA)、粒子群算法(PSO)对SVM模型进行参数寻优,并采用考虑交叉概率的改进GA算法对地表下沉系数进行预测.结果表明,改进的GA算法预测回归系数可达到0.95271,适合地表下沉系数预测分析,预测准确率最高.