基于多源遥感数据的水体提取方法研究

快速准确地获取水体信息对于水资源管理利用以及灾害防治具有重要意义。利用不同分类方法探讨多种数据源在不同天气场景下水体提取的最优技术,结合Sentinel和Landsat系列数据,对红碱淖1973—2018年湖泊面积变化进行分析。结果表明:在无云的情况下,使用Sentinel-2结合最大似然分类方法提取效果最好,精度为99.30%;Sentinel-1利用面向对象分类精度最高,总体精度为95.70%,最大似然分类法次之;融合数据利用最大似然法精度最高,比Sentinel-1数据总体精度提高了2.00%;有云情况下,Sentinel-1数据通过融合同期Sentinel-2光学数据能有效提取被云覆盖的区域,其提取水体精度比仅使用Sentinel-1雷达数据精度提高了2.50%。     

基于landsat8遥感影像的南昌县土地利用分类分析

土地利用类型影响着区域的经济发展、粮食安全和生态安全。以南昌县为研究对象,利用2016年7月25日landsat8OLI遥感影像和DEM数据,对比分析监督分类中的平行六面体法、最小距离法、马氏距离法、最大似然法、神经网络法、支持向量机法和决策树分类对地物识别精度。研究发现,在研究区,7种分类方法中最大似然法总体精度最高。利用监督分类中的最大似然法对研究区遥感影像进行地物识别,结果表明南昌县水体面积约为169.79 km~2,耕地面积约为870.65 km~2,建设用地面积约为360.56 km~2,林地面积约为11.53km~2,未利用土地面积约为502.48 km~2。     

ENVI遥感图像处理中几种监督分类方法的比较

遥感图像通过像元值的差异反映地物的光谱信息及空间变化原理来表示地物差异[1],为提取各类信息,图像分类尤为重要[2]。在遥感图像数据分类处理过程中,监督分类是普遍适用的一种分类方法[3]。为了评价几种监督分类的优势与缺点,主要选用SPOT5图像数据进行试验,介绍了监督分类中平行六面体、最小距离以及最大似然3种分类方法[4]。通过定义训练样本、训练样本评价、执行监督分类、分类结果评价等步骤[5],得出最大似然分类法的总体分类精度最高,制图精度和用户精度都很高,漏分误差和错分误差较低,而且计算时间较短,相对于另外两种分类方法更有应用优势。     

面向对象的ETM+影像分割尺度与水体信息提取

采用面向对象的影像提取方法,以ETM+影像作为数据源进行水体提取。首先对影像进行分割,获取影像对象,分割时探究提取水体时影像的最优分割尺度;然后对分割生成的影像对象运用ENVIFX工具建立规则集并对水体进行提取。对比面向对象的方法和传统最大似然分类方法的水体提取结果表明:面向对象方法提取水体的总体精度、Kappa系数、生产者精度、用户精度均明显高于传统方法。     

面向对象的国产GF-1遥感影像水体信息提取研究

鉴于传统方法在提取高分辨率影像中水体信息的不足,以高分辨率国产卫星GF-1 2m/8m遥感影像为数据源,以特克斯河部分区域为研究区,通过分形网络进化算法实现影像分割并借助ESP尺度分割工具选取特定地物的最优分割尺度,随后使用基于规则的面向对象方法实现了水体信息的精度提取,并与传统的分类方法提取结果进行比较。结果表明:面向对象的总体分类精度达到了94.01%,Kappa系数为0.86;最大似然分类精度为90.00%,Kappa系数为0.80;面向对象的分类方法对国产GF-1影像是可行的,可以避免"椒盐"现象和图斑破碎,且分类精度比传统的方法高,可为国产高分影像研究与应用提供科学参考。     

基于像素分类与面向对象分类的干旱区城市制图比较研究

以同一地区作为试验区,分别采用基于像素的分类方法和面向对象的分类方法进行土地利用制图,前者采用最大似然法进行监督分类,后者基于多尺度分割使用最邻近分类方法。误差矩阵精度评估结果显示,面向对象的分类方法在精度上要高于基于像素的分类方法。研究表明,在基于高分辨率遥感影像的干旱区城市制图中,面向对象的分类方法要优于基于像素的分类方法。     

滇中高原湖泊区地表覆盖遥感监测应用研究

本文以滇中高原湖泊星云湖流域为对象,Landsat 8号卫星的OLI影像为研究的主要数据源,并进行外业的遥感调查,以安德森分类系统为地表覆盖分类体系,分别使用监督分类、BP神经网络和面向对象3种分类方法对星云湖流域内的地表覆盖进行遥感分类识别,并对这3种不同的分类方法所得到的分类结果进行对比评价。实验表明:传统监督分类的总体精度为78.03%,而BP神经网络和面向对象两种方法总体精度分别为88.70%和92.76%,其Kappa统计量也达到了0.8572和0.9060,满足了该流域环境演变综合研究的需要。     

基于GF-1数据的三峡库区水体信息精细化提取

为实现江河类狭长型水体信息的精细化提取，利用GF-1卫星数据，采用支持向量机和目视解译相结合的方法对三峡库区及重庆市水体信息进行了精细化提取。使用总体分类精度、Kappa系数、错分误差、漏分误差、制图精度和用户精度等指标对库区水体信息粗提取结果进行验证分析。结果表明:4个试验区水体提取的总体分类精度均超过90%，除试验区4的Kappa系数为0.884 1以外，其余试验区均超过0.9，提取精度较高。结合目视解译的方法，在粗提取结果的基础上对各问题进行精细化处理，得到精度高、完整性好的三峡库区以及重庆市水体信息数据，可为后续该区域的精细化遥感业务开展提供有效资料。     

基于PCA和SVM的遥感影像水体提取方法及验证

针对内陆湖泊水质及光谱特性空间差异性大、支流水系结构复杂而导致的遥感影像水体提取精度低的问题,提出了结合光谱主成分分析(PCA)及支持向量机(SVM)的PCA-SVM水体提取算法。基于GF-1卫星遥感影像,对原始影像光谱波段特征进行PCA降维,从中优选熵、方差、差异性纹理特征向量,结合原始波段及归一化差分水体指数(NDWI),构建了8维特征向量,并基于SVM算法提取湖泊水体。以巢湖洪水期与非洪水期影像为研究实例,分别采用NDWI法、传统SVM算法及PCA-SVM算法对水体进行提取,并进一步基于PCA-SVM算法对2020年汛期巢湖洪水期淹没演变过程进行反演和跟踪,定量解析特征向量组合及SVM惩罚系数C对水体提取性能的影响。结果表明：PCA-SVM算法提取的湖泊完整、支流连续,显著改善了含蓝藻水体漏提、建筑物误提等问题;洪水期和非洪水期提取结果的F1分数分别为95.08%和97.95%,虚警率分别为5.43%和1.13%,提取精度显著高于NDWI法和SVM算法。     

基于深度学习的农业区土地利用无人机监测分类

农业种植区土地利用快速监测与分类对政府部门制定规划、土地资源管理、生态环境保护规划与决策以及农业旱情与旱灾动态监测评估具有重要意义。本研究以东雷二期抽黄灌区具有下垫面代表性的小区域为研究区,利用卷积神经网络深度学习方法,针对较高空间分辨率的无人机航片影像,开展了农业区土地利用监测分类研究,并与最大似然法进行比较,探究该方法对于农业区土地利用监测分类的适用性。结果表明,该方法优于最大似然法,其总体分类精度达93%以上,Kappa系数为0.9以上,能够更清晰地识别提取出地物边界,分类效果较好。本研究有助于提升应急抗旱减灾工作对农业区土地利用的快速监测与分类能力,为旱情与旱灾快速监测评估、决策提供技术支持,同时能够及时为政府、土地资源管理以及生态环境保护规划等部门提供基础数据。     

Ⅱ类水体光学分类方法研究进展

鉴于Ⅱ类水体本身光学性质的复杂性及其与人类生产活动的密切关系,对其进行光学分类以提高水色参数反演精度和监测Ⅱ类水体水质有着重要意义.本文对近年来使用的Ⅱ类水体光学分类方法进行了归纳和评价,主要有:基于光谱形状的水体分类法;监督分类法;聚类分析法;多波段比值法.针对目前分类方法存在的问题,提出未来的研究需要加强对光谱反射率曲线的研究、开发高光谱数据以及综合利用多源遥感数据,建立一套完整的Ⅱ类水体分类体系等方面内容.     

P-Ⅲ型分布矩法估计量有偏改正的统计试验

引言在样本观测值的总体分布函数形式已知时,水文频率分析中,用以估计总体参数的方法主要有三种:矩法、极大似然法和适线法。在似然函数可解的条件下,理论和实践证明,在常用的估计方法中,极大似然估计量有效性最好。但由于似然函数有时无解(例如,P—Ⅲ型分布中C_S>2时):迭代计算,工作繁复;非简单样本(例如,洪水分析中加入历史调查洪水资料)求解假定欠     

水库水体的最大类间方差迭代遥感提取方法

针对利用遥感影像结合经验阈值提取水体信息需要进行大量试验,难以客观地确定水体与非水体分割阈值的问题,在最大类间方差法的基础上提出了最大类间方差迭代法来优化提取水库水体信息。基于高分一号(GF-1)卫星影像数据,使用归一化差分水体指数(NDWI)法初步提取了水体信息,通过形态学膨胀算法建立缓冲区,采用多次迭代最大类间方差法计算自适应阈值,用于分割水体与非水体,从而实现水体最优提取。实例验证结果表明,提出的优化方法可以有效地消除建筑等非水体地物信息的干扰,较准确地提取水库水体信息在不同时期的特征,总体分类精度与Kappa系数较最大类间方差法提取结果分别提高了9.36%和24.09%,综合精度平均提高了10.42%。     

大伙房水库水体精确提取及变化检测

利用NDWI,MNDWI,SVM及FCLS方法结合Google高分辨率影像,研究遥感影像水体信息的精确提取,对各种方法提取的面积精度进行评价,选择水体提取最优方法。FCLS提取的水体边界与Google基准影像提取的水体边界吻合度更高,FCLS方法适合大伙房水库等大型水体边界的精确提取。利用FCLS法对4月12日和27日Landsat 8影像进行分类和变化检测,水体面积增加了3.439 km~2。     

三门峡库区湿地景观格局变化及其驱动力分析

以三门峡库区为研究对象,依据1980年、1990年、2000年、2010年4个时期的卫星遥感影像,采用最大似然法进行监督分类,并运用人机交互解译和野外检验方法获取三门峡库区的水体、滩地、沼泽等土地利用数据;利用地理信息系统空间分析和统计功能,研究了1980—2010年三门峡库区的土地利用动态变化情况。结果表明:30 a间城镇用地、农村用地明显增加;水体、滩地、草地均有不同程度减少,分别减少18.64%、62.6%、27.6%,林地面积基本持平;滩地主要转化为水体和耕地,草地主要转化为耕地和林地。土地变化格局的主要驱动力是人口增长、城市化与经济的发展、气候环境的变化等。     

基于多源数据的半监督分层土地利用分类

随着遥感技术的发展,遥感数据的光谱、空间分辨率得到很大程度的提高,但是对于仅依靠单一数据源的土地利用分类仍然存在很多问题。提出了一种融合LiDAR数据和高分辨率航空影像的土地利用半监督分层分类方法,即首先仅对LiDAR数据进行粗分类;其次根据LiDAR分类结果辅助选择训练样本并获取高程掩膜,采用最大似然法对航空影像进行中分类;在细分类层次中利用LiDAR数据建立判别规则,对LiDAR粗分类结果与影像中分类结果进行基于知识的交叉验证,以进一步提高分类精度。通过两个不同区域的数据验证了半监督分层分类方法的可行性。     

基于SVM的土地利用/覆盖分类——以老哈河流域为例

选取老哈河流域为研究区域,以2007年的两景Landsat5的TM影像为数据源,对该地区进行土地利用/覆盖分类。由于该区域土地覆盖类型复杂,影像较难区分且容易造成错分类。该研究中采用支持向量机(Support Vector Machine,SVM)分类法,通过引入径向基核函数进行非线性变换映射至高维空间,提取它们的非线性特征,增强不同类型之间的可分性,减少错分现象,提高遥感图像分类的精度。通过试验,提取出了2007年的老哈河流域的土地利用/覆盖现状图,以校验该方法的可行性。     

不同地物分类方法在长江中下游典型湖区应用对比分析

本文以龙感湖国家自然保护区、华阳河湖群省级自然保护区为研究对象,建立了适合提取长江中下游湖区地物变化特征的分类方法。该方法的数据源来源于高效稳定的高分一号 WFV 遥感影像,采用人工神经网络、随机森林、支持向量机、最大似然、最小距离、马氏距离 6 种方法对分类结果进行空间和精度对比分析。人工神经网络分类法更接近湖区地物实际分布情况,总体精度和 kappa 分别为 92.35%和 0.8933,两者参数均高于其他分类方法。结果表明人工神经网络分类法在长江中下游典型湖区地物分类时适用性相对较好,能够更准确有效地提取湖区地物特征信息。     

基于高分影像的建设项目扰动面积自动提取

为了实现水土保持监测工作中基于遥感影像对生产建设项目扰动地表面积的快速有效提取,以输变电工程为例,利用国产高分系列卫星GF-2和GF-1的遥感影像产品和输变电杆塔点位先验信息,结合Otsu阈值分割技术和Canny边缘检测算法,提出扰动面积的自动提取算法,并开发了水土保持目标监测系统。选择榆横—潍坊等特高压输变电工程沿线植被覆盖度较高的平原、山区和丘陵区分别选择8、9、7个塔基施工区,进行扰动面积的自动提取,并与传统影像分类方法最大似然法、面向对象法的提取精度进行比较。结果表明,开发的水土保持目标监测系统提取的扰动面积与现场人工实测面积相比,精度均在80%以上,明显优于传统方法。     

河套沈乌灌域遥感耕地面积变化

以河套灌区沈乌灌域为例,以2012年的RapidEye和2016年Landsat8OLI遥感影像为数据来源,在实地调查的基础上,利用监督分类(SVM)和目视解译方法,提取了2012年和2016年沈乌灌域的耕地面积。结合目视解译结果,运用随机验证点对解译结果进行了验证,运用正确率(用户精度)、完整率(生产者精度)和整体精度(提取耕地面积与实际面积的比值)3个指标对提取结果进行了评价。验证结果显示,2012年监督分类精度的3个指标正确率、完整率以及整体精度分别为81.96%、77.12%和94.10%,2016年分别为91.97%、71.39%和91.78%。结果表明:通过遥感开展灌区耕地面积变化研究具有很高的精度和时效性;相较于2012年,沈乌灌域2016年耕地面积增加了0.648万hm~2,新增面积为2012年的12.8%;地下水位的变化与耕地面积变化关系密切,地下水位下降改善了土壤环境,促进了耕地面积的增加。