面向对象遥感分类新技术在第二次土地调查中的应用

以常德市石门县第二次土地调查为例,采用面向对象的分类技术对高分辨率遥感影像进行分割和自动分类,将分类结果导入GIS环境下,进行拓扑构建和属性编辑,实现图形数据、属性数据的关联,完成土地调查数据建库.     

基于第二次土地调查的大区域SPOT5 影像工程化处理研究

国土资源部即将在全国开展的新一轮土地调查, 并建立土地变更调查制度和管理系统。相较于上世纪80 年代的第一次土地详查, 新一轮土地调查的特点在于技术新、手段齐, 查得全、查得清。本文针对第二次土地调查, 以工作中普遍采用的大区域多景连片SPOT 5 卫星影像为例, 讨论了SPOT 5 卫星影像的正射纠正方法, 详细介绍了影像纠正前根据参考图选点误差、数字高程模型的误差精度和传感器内部结合误差三方面对影像纠正应该达到的精度理论值进行评估, 以及纠正后对影像几何精度的精度评定的方法, 阐述了SPOT 5 卫星影像处理的工程化管理方法。     

太湖湖滨敏感区的土地利用遥感分类研究

近年来太湖流域水体污染日趋严重,土地利用是重要的环境变化影响因子,对太湖湖滨敏感区土地利用分类研究具有重要意义。研究基于2010年ALOS多光谱遥感影像,以太湖流域上游的武进港、直湖港流域为研究区,根据研究区实际状况和研究目的,建立太湖流域上游湖滨敏感区的土地利用/土地覆被分类系统,并用于该地区的面向对象遥感分类,研究通过影像的多尺度分割,获得不同层次的影像对象,在不同层次设置对应的分类规则,以充分利用影像中地物的光谱、纹理和不同层对象相互关系等信息,从而提高分类效果。研究表明:在面向对象多尺度影像分割的基础上,基于决策树建立多个分类规则的分类方法,能够有效提取建设用地、道路、水体等几类信息,分类总体精度达到88.00%;同时,该地区主要土地利用类型如耕地、农村居民点和城镇居民点的分类精度也较高,这也表明该分类方法对整个太湖流域以及其他平原河网地区的土地利用相关研究具有一定的实用价值。     

基于MODIS温度和植被指数产品的山东省土地覆盖变化研究

地表温度(LST)与归一化植被指数(NDVI)构成的NDVI-Ts特征空间具有丰富的地学和生态学内涵。MODIS数据因其优越的时间分辨率、波谱分辨率,已被广泛地运用于各个领域。在本研究中,运用遥感技术和GIS技术相结合的手段,利用NASA提供的MODIS温度产品和NDVI产品,以山东省土地利用图、山东省TM遥感影像图和基于3S技术的山东省森林资源调查项目的外业调查数据为参考和评价标准,以NDVI-Ts时间序列为指标,在进行土地覆盖分类的基础上,分析比较了山东省土地覆盖从2000年到2006年的变化情况。研究结果表明,利用MODIS产品将NDVI-Ts时间序列作为分类特征,在较大尺度范围的土地覆盖分类中具有较高的分类精度,有利于对土地覆盖变化进行动态监测。     

基于优化分割分类层次体系的土地覆被分类制图方法探讨

随着高分辨率卫星的广泛应用,基于对象的影像分析方法逐渐成为提取土地覆被信息的主要方法。分割优化是基于对象的影像分析方法中的一个基本步骤。不同土地覆被类型通常具有不同的优化分割参数,如何充分利用多尺度最优分割建立分割分类层次体系,从高分辨率影像中提取各种土地覆被类型,实现高精度土地覆被制图,是面向对象影像分析方法中有待解决的一个难题。在获取不同土地覆被类别各自最优的分割参数基础上,探索了一种基于参考数据集的最小分割单元与决策树的分割分类层次体系构建方法。实验表明:该方法可以有效地降低设置分割分类层次体系时对操作者个人经验的依赖,提高分类精度,满足自动制图要求。     

利用概率主题模型的遥感影像半监督分类

土地覆盖是自然环境与人类活动相互作用的中心,而土地覆盖信息主要是通过遥感影像分类来获取,因此影像分类是遥感影像分析的最基本问题之一。在参考基于概率主题模型的高分辨率遥感影像聚类分析的基础上,通过半监督学习最典型的生成模型方法引出了基于概率主题模型的半监督分类（SS-LDA）算法。借鉴SS-LDA模型在文本识别应用的流程,构建了基于SS-LDA算法的高分辨率遥感影像分类的基本流程。通过实验证明,相对于传统的非监督分类与监督分类算法,SS-LDA算法能够获取较高精度的影像分类结果。     

基于CNN的不同空间分辨率影像土地覆被分类研究

基于卷积神经网络（Convolutional Neural Networks, CNN）和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引入了窗口滑动方法进行辅助选样。研究表明5种不同空间分辨率影像的总体分类精度均达89%以上,Kappa系数达0.86以上,分类精度较高。在所涉及的分辨率尺度范围内,空间分辨率越高,CNN分类结果越精细,并能保持较高的分类精度,表明CNN更适合高空间分辨率影像分类;但同时影像空间分辨率越高,地物表现出较高的类内变异性和低类间差异性,分类精度有降低的趋势。相比较而言,SPOT 6影像的分类精度最高,同时窗口滑动是一种有效的样本辅助选择方法。研究对今后同类工作具有一定的借鉴意义。     

分块低秩图的遥感影像半监督分类应用

随着信息技术和对地观测技术的飞速发展,遥感技术在社会生活和经济建设中发挥着越来越重要的作用。分类模型的准确性和抗干扰能力对精确绘制复杂的土地覆盖和土地利用分类至关重要。针对大规模遥感数据难以获取大量标记数据的问题,基于低秩表示模型和图的半监督学习方法,提出了基于分块低秩图的大规模遥感图像半监督分类应用。为了解决低秩表示计算复杂度高的问题,将预处理后的图像按像素进行分块处理,并在每个块上实现低秩表示。在WorldView-2影像上的分类结果表明,在少量标记样本下,该方法利用简单的最近邻分类器即可实现对城市地物的精确分类。因此,该方法有效地提高了土地覆盖的分类精度,在遥感图像分类中具有较高的效率。     

单极化合成孔径雷达影像在土地利用分类中的潜力分析

从我国土地利用调查应用出发,为了解决我国多云多雨地区土地利用分类及遥感动态监测问题,以面向对象影像分割、分类软件--Definiens Developer作为处理平台,对中分辨率星载合成孔径雷达（SAR）（以ENVISAT ASAR和Radarsat-1为例）、高分辨率星载SAR（以TerraSAR-X为例）进行分类处理,分析了单极化星载中、高分辨率星载SAR在土地利用分类中的能力,并对该模式星载SAR在土地利用分类中的影像特征和可解析程度进行了小结。     

面向对象的高分辨率遥感影像信息提取——以耕地提取为例

随着高分辨率遥感影像的广泛应用,面向对象的高分辨率影像信息提取技术得到了迅速发展。本文着重讨论面向对象的高分辨率遥感信息提取的关键技术,探索了面向对象的影像分析软件eCognition在耕地信息提取方面的最优参数选择,并且从IKONOS影像中提取的耕地信息与传统分类方法的提取结果进行对比。试验结果表明该方法具有较高的精度。     

基于遥感和陆表信息集成的广东省土地覆盖分类方法研究

土地覆盖信息是估算地-气间的生物物理过程和能量交换的关键参数,也是区域和全球尺度气候和生态系统过程模型所需要的重要参量。如何高效地利用遥感数据提取土地覆盖信息是当前研究迫切需要解决的问题。面向对象的分类方法不但充分利用了遥感数据的光谱信息,同时也利用了影像的纹理结构信息和更多的地物分布信息关系,在遥感分类中具有较大的潜力。研究基于2010年多时相的环境卫星数据、TM数据以及DEM数据,并结合地表采集的4000多个样点数据,采用面向对象的分类方法对广东省土地覆盖进行分类。经采样验证,广东省土地覆盖平均精度为85%,分类结果精度远高于常规的分类算法,说明结合陆表信息的面向对象分类方法比常规的分类算法更具有优势,可以实现高精度的土地覆盖分类。     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。     

MESMA与面向对象组合的土地利用分类方法

混合像元是制约传统组合分类方法精度提高的主要因素之一.为此,文章提出一种基于多端元混合像元分解(multiple endmember spectral mixture analysis,MESMA)与面向对象分类组合的分类方法,利用混合像元分解提高分类精度,借助组合方法降低"椒盐"现象影响.首先,使用M ESM A技术...     

基于面向对象方法的遥感土壤盐渍化信息监测——以渭干河-库车河三角洲绿洲为例

遥感技术由于具有观测范围广、实时强等特点适合用来研究土壤盐渍化现象。利用遥感手段提取盐渍土信息已经取得了一定的成效。利用面向对象方法,以TM卫星图像数据和野外实地数据为数据源进行提取盐渍地信息。首先,对遥感影像进行预处理,预处理包括几何校正和辐射校正,然后对图像进行图像分割,图像分割使用了分割方法的多尺度分割法、特征选择、面向对象分类和分类图像进行精度评价。对面向对象方法和传统的基于像元分类（最大似然法和最小距离法）结果进行对比分析。结果表明：利用面向对象方法对TM遥感图像进行分类,能有效抑制“椒盐现象”的发生,分类精度比传统的分类方法更高,为盐渍地信息的自动提取提供了广阔的前景。     

一种面向对象结合变差函数的高分辨率遥感影像茶种植区自动提取方法

针对传统的茶区提取主要依靠人工野外勘测方法,需要耗费大量的人力物力,时效性差,精度低,不能及时有效地获取茶区空间分布信息,同时茶区在光谱特征上与林地、梯田等具有极强的相似性,茶种植区的遥感识别工作难度高等问题,提出了一种面向对象结合变差函数的茶种植区自动提取方法.为了解与动态监测茶的种植情况,选取位于贵州省铜仁市的4块...     

南方地区复杂条件下的耕地面积遥感提取方法

针对我国南方地区植被类型复杂、地形复杂和地块破碎等原因导致耕地信息提取精度较低问题,提出了一种面向对象和CART决策树结合的复杂条件下耕地面积提取方法。以广西南宁市隆安县与武鸣县地区为研究区,采用Sentinel-2A影像,结合数字高程数据（Digital Elevation Model,DEM）及归一化植被指数（Normalized Difference Vegetation Index,NDVI）等多源数据,利用面向对象分割技术识别地块信息,然后以地块为单位采用CART（Classification And Regression Tree,CART）决策树分类法,依据不同地类的形状、光谱特征,提取研究区的耕地。结果表明：面向对象的CART决策树分类方法分类总体精度和Kappa系数分别为96.1%和0.94,相比较于未加入面向对象分割的CART决策树耕地信息提取总体精度提高Kappa系数提高0.54,面向对象的分割方法有利于减少复杂背景对耕地提取的影响。基于面向对象的CART决策树分类方法相比较于传统方法对研究区耕地信息的提取有较好的精确性,能够提高耕地信息的提取精度。     

An integrated spatio-temporal classification method for urban fringe change detection analysis

The urban fringe is the transition zone between urban land use and rural land use. It represents the most active part of the urban expansion process. Change detection using multi-temporal imagery is proven to be an efficient way to monitor land-use/land-cover change caused by urban expansion. In this study, we propose a new multi-temporal classification method for change detection in the urban fringe area. The proposed method extracts and integrates spatio-temporal contextual information into multi-temporal image classification. The spatial information is extracted by object-oriented image segmentation. The temporal information is modelled with temporal trajectory analysis with a two-step calibration. A probabilistic schema that employs a global membership function is then used to integrate the spectral, spatial and temporal information. A trajectory accuracy measurement is proposed to assist the comparison on the performances of the integrated spatio-temporal method and classical pixel- and ‘snapshot’-based classification methods. The experiment shows that the proposed method can significantly improve the accuracies of both single scene classification and temporal trajectory analysis.     

U-Net Neural Networks and Its Application in High Resolution Satellite Image Classification

High-resolution remote sensing images have precise geometric structure and spatial layout, but the spectral information is limited, which increases the difficulty of classifying similar features of spectral features. Aiming at the problem of high resolution remote sensing image classification, a U-Net convolutional neural network classification method based on deep learning is proposed. Based on the remote sensing image of the Ejina Oasis GF-2 in the lower reaches of the Heihe River, the U-Net model was used to extract the five types of land cover types of Populus euphratica, Tamarix chinensis, cultivated land, grassland and bare land. The overall classification accuracy and Kappa coefficient were 85.024% and 0.795 6 respectively. Compared with the traditional Support Vector Machine(SVM) and object-oriented method, the results show that compared with SVM and object-oriented method, the U-Net model is used to classify the high-resolution remote sensing, and the classification effect is better. The ground extracts the essential features of the features to meet the accuracy requirements.     

深度学习U-Net方法及其在高分辨卫星影像分类中的应用

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度。针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法。基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024%和0.795 6,并与传统的支持向量机（SVM, Support Vector Machine）和面向对象的分类方法比较,结果表明：相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求。     

面向对象的高分辨率影像分类与信息提取

采用面向对象遥感影像分类方法对高分辨率遥感影像进行了信息提取实验,并将其与基于像元方法的信息提取结果进行了对比分析。实验研究表明,在目视效果上,传统方法的分类结果图中“椒盐现象”非常明显,而面向对象方法可以有效地避免“椒盐现象”;在分类精度上,面向对象方法分类结果的总体精度、Kappa系数、生产者精度、用户精度、Hellden精度和Short精度均明显高于传统方法,各类地物提取效果显著提高,总分类精度提高21.76%,Kappa系数提高0.2756。面向对象方法在高分辨率遥感影像信息提取中具有明显的优势。