内蒙古河套灌区土壤盐碱化遥感监测方法研究

土地盐碱化是土壤退化的一种重要表现,要进行大范围的实地调查研究需要投入大量的人力、物力和时间,而利用遥感技术可以快速准确地提取盐碱地的分布信息,提高时效、减少成本。分析在区域尺度上利用遥感技术进行土壤盐碱化监测可行性以及遥感影像选择方法,利用最大似然分类方法,基于地面采样和遥感影像数据,对内蒙古河套地区盐碱地的分布状况进行了分析与精度评价。研究成果可以为防止河套灌区土壤退化提供基础数据和基本方法。     

基于RS的黄河三角洲地区土地利用分类监测研究

运用遥感图像处理中的缨帽变换、非监督分类、监督分类以及分类后处理等综合分类的方法,将黄河三角洲的土地利用类型划分成9类,并将盐碱地分成轻度盐碱地、中度盐碱地、重度盐碱地、光板地4个级别,经过精度评价,这种综合分类法在精度上有了较大的提高。     

结合地籍数据的高密度城区面向对象遥感分类 

利用高分辨率遥感影像和GIS辅助数据,对高密度城区进行面向对象的土地利用覆被分类研究。使用NAIP高分辨率航空遥感影像,在多尺度影像分割的基础上,针对特定地物选择合适的影像分割参数。采用决策树方法建立高密度城市地区的分类规则,并结合该地区地籍图数据作为辅助数据,逐步进行高密度城市地区地物信息提取。利用辅助数据进行面向对象的遥感分类效果优于单纯依靠遥感影像进行的分类,且有效提取了道路和复杂的房屋等信息,得到了理想的分类结果,其总分类精度从常规面向对象方法的84.08%提高到89.79%。利用辅助数据进行遥感分类提高了高分辨率遥感影像的分类精度,说明了利用辅助数据进行遥感分类方法的有效性。     

基于面向对象决策树算法的半干旱地区遥感影像分类

半干旱丘陵地区地形复杂,地表覆盖物分布复杂多变,这极易导致"同物异谱,异物同谱"现象的产生,给遥感影像分类工作带来极大的不确定性。本文构建了基于多特征的面向对象决策树分类方法,充分利用光谱特征、地形特征、物候特征及像元间的相关性综合提取地物信息。研究结果表明,该基于面向对象决策树遥感分类方法在半干旱地区能够有效提高分类精度,总的分类精度达86.9426%,能够满足非点源污染模拟研究的需要。     

利用辅助数据的荒漠区高分辨率遥感分类研究

使用美国NAIP高分辨率航空遥感影像,在多尺度、多变量影像分割的基础上,采用决策树方法建立干旱区半干旱区的荒漠分类规则,并结合水系、道路等辅助地理数据进行干旱区半干旱区面向对象遥感分类.选择位于美国亚利桑那州菲尼克斯大都市区的周边典型荒漠地区为实验区,利用河流、道路等辅助数据进行面向对象遥感分类效果要优于单纯依靠遥感影像的分类,能够有效地提取季节性河流和简易道路.研究对美国亚利桑那州菲尼克斯都市区周边的同一荒漠地区进行了实验,利用决策规则有效提取植被和荒地,以及提取简易道路和土壤,分类总精度从常规面向对象分类方法的82.85％提高到92.45％.研究结果表明:本文提出的分类方法对荒漠地区的泥土路和灌木及其整体分类精度有较大提高.利用辅助数据进行遥感分类可以改善特定研究区的高分辨率遥感影像分类精度.     

基于多时相Landsat 8 OLI影像的农作物遥感分类研究

时序遥感数据及地物细微光谱特征对于提取作物分布有重要作用,基于此,利用多时相Landsat 8 OLI影像,结合光谱角填图和决策树分类提取大同市新荣区东部地区主要农作物分布情况,并与最大似然法提取的分布结果进行对比。研究发现:①研究区内春玉米、谷物、大豆和马铃薯种植面积依次减小并呈镶嵌式分布;②结合光谱角填图与决策树分类总体精度为85.34%,Kappa系数为0.76,与最大似然法结果相比,总体精度提高22.51%,Kappa系数增加0.31,分类结果与实际作物分布具有更好的一致性;③利用时序遥感影像进行作物分类的精度明显高于单时相遥感影像的分类精度,且从光谱角差异的角度分析时序数据可有效削弱中高分辨率影像物谱不一致现象的影响。研究结果验证了多时相遥感影像对农作物分类研究的积极作用,并发展了光谱角填图法结合决策树分类在中高分辨率遥感影像中进行农作物分类的用法,具有一定的应用前景。     

独龙江流域TM图像的分区分类方法探讨

高山峡谷地区山高坡陡、地形破碎,大量的阴影及混合像元的存在,给遥感分类带来了困难。为了减少和消除这些因素的影响,采用分区分类方法,从NDVI中选择恰当的阈值,利用该值从原始图像上划分出植被区和非植被区并分别进行分类,试验结果表明,其分类精度(74.63%)较传统的直接分类精度(61.59%)有较大提高,是山区遥感图像分类行之有效的方法之一。     

基于知识发现和决策规则的盐碱地遥感分类方法研究

提出了基于知识发现和决策规则基础的盐碱地ＧＩＳ和遥感分类的方法,这种的特点是把盐碱地分类的地学专家思想和区域专家的思想应用到ＧＩＳ数据挖掘中,并把从ＧＩＳ数据库中发现的知识,按一定的规则应用到盐碱地分类的决策中。     

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。     

基于地理加权的k-|NN高分辨率遥感影像分类算法改进

与中低分辨率相比,高分辨率遥感影像的信息比较丰富,在使用常规k-NN分类方法基于像元进行高分辨率遥感影像分类时会产生大量的“椒盐噪声”和地物类别错分。根据地理学第一定律,引入地统计模型,将地理权重加入到常规k-NN分类方法中,形成新的地理权重k-NN分类器(Geographically Weighted k-NN,GWk-NN)。该方法首先通过条件概率函数计算出训练样本数据的空间分布特征,然后通过地统计模型对空间分布特征进行拟合,为每种地物选择合适的权重模型,这样既保留了遥感影像中地物的光谱特征,又融入了地物的空间特征,在一定程度上减少甚至消除了“椒盐噪声”,提高了分类精度。GWk\|NN和常规k\|NN分类器分析对比表明：GWk-NN分类方法提高了高分辨率影像的分类精度。     

结合丰度特征的决策树及其土地覆盖分类

将混合像元分解的丰度加入特征集,结合光谱信息和DEM数据生成决策分类规则。运用陆地卫星TM影像对黄河源区的玛多县进行土地覆盖分类试验。通过特征提取、决策分类和后处理,得到该县的土地覆盖类型图。采用1∶10万土地覆盖类型图和实地考察数据进行精度评价,结果表明:结合丰度的决策树与最大似然分类和普通决策树分类(不加丰度信息)相比,分类精度分别提高了17.3%和9.5%。     

基于样本迁移的干旱区地表覆盖快速更新

阿姆河三角洲作为典型干旱区,干旱胁迫和次生的盐胁迫决定了本地区生态环境的复杂性和独特性,给遥感地表覆盖制图带来一定的困难。在土地利用/覆盖（LULC）遥感图像分类任务中,数量大、质量高、成本低的样本和速度快、性能稳定的分类器是高效实现高精度分类的关键。在一些偏远地区开展土地利用/地表覆盖遥感图像分类依然面临着标记样本空间上稀疏、时间上不连续甚至是缺失,人工收集成本高等问题。为此,结合最优树集成和样本迁移的思想,构建了一种高效的地表覆盖自动更新的新方法。该方法通过变化检测在历史产品上的同期影像上进行样本标签的标记,并将过去的地表覆盖类型标签转移到同源目标影像上,使用最优树集成（Ensemble of optimum trees, OTE）完成地表覆盖自动分类。根据阿姆河三角洲地区地表覆盖分类试验结果,表明该方法可以提取有效的地表覆盖标签,并能较高精度发实现土地利用/地表覆盖的自动分类更新。     

Classification of the Yellow River delta area using fully polarimetric SAR measurements

In this study, an analysis of the polarimetric synthetic aperture radar (SAR) capabilities to classify coastal areas is undertaken. The Yellow River delta (China) is selected as the test case since it represents an extraordinary environmental and economical area, which is characterized by a very heterogeneous scattering scenario, as witnessed by official reference data, provided by the Chinese government, that classified 12 different kinds of environment. Experimental results, obtained applying two well-known unsupervised classifiers, namely the H/α-based and the Freeman–Durden model-based algorithms, to a fully polarimetric SAR scene collected by Radarsat-2 in 2008 are compared and critically discussed. Both provide a satisfactory global accuracy (larger than 60% in average) with reference to the inland Yellow River delta area, but there are subareas that result in misclassifications and severe classification ambiguities. This study also suggests including single-polarization intensity information to improve the classification accuracy and to partly solve ambiguities.     

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。     

遥感与地理信息系统技术在湿地研究中的应用

基于遥感和地理信息技术,对黄河三角洲河口湿地土地利用/覆盖现状和变化进行分析,利用多维信息图像对土地利用状况进行分类,然后利用景观分析法对该地区土地利用/覆盖变化信息进行评定,并对变化驱动力做出推断,最后据此提出合理利用和保护黄河三角洲湿地的建议。     

基于面向对象分类的土地利用信息提取及其时空变化研究

基于面向对象的影像分类技术与土地利用变化模型,选取处于剧烈变化环境下的东江流域为研究对象,对其1980~2008年的土地利用变化特征进行了研究。结果表明:(1)面向对象的遥感分类方法在SPOT5高分辨率遥感影像分类中具有较高的精度(总体精度达87.7%),可以有效避免"椒盐现象"发生;(2)1980~2008年东江流域的土地利用方式和空间格局发生了显著变化。耕地面积急剧减少了2 854.4km2,流失的耕地主要转化为了林地、城镇建设用地;园地面积减少了667km2,流失的园地主要转化为了林地;林地面积增加了1 988.7km2,呈波动变化;草地面积比由4.9%缩减为2.0%;水域面积先减少后增加;城镇用地呈快速增长趋势,年增长率高达186.23%。加强耕地保护和适度限制城镇用地增长对区域可持续发展至关重要。     

Using remote sensing to estimate the change of carbon storage: A case study in the estuary of Yellow River delta

Land cover change can exert a crucial effect on the terrestrial carbon cycle. To estimate changes in the carbon pools and carbon fluxes to the atmosphere, Landsat Thematic Mapper (TM) data of 1992 and 1996 were used to calculate the extent of different land cover types and their changes in the estuary area of the Yellow River delta. Image processing and the unsupervised classification allowed accurate land cover maps for 1992 and 1996 to be generated, by which the changes in the carbon pools were detected. Estimation of the carbon pools and the carbon fluxes to the atmosphere was carried out employing the results of Landsat image analysis and the published data on carbon stocks in vegetation and soil. By calculating the area changed between different types of vegetation and their different carbon stocks, the quantity of the terrestrial carbon cycle in the estuary area of the Yellow River delta was acquired. The results shows that the vegetation carbon storage was 11.43 2 10 11 g and soil carbon pool 7.24 2 10 12 g in 1992, and the vegetation carbon pool increased by 3.77 2 10 11 g during the 4 years from 1992 to 1996.     

基于遥感监测的黄河三角洲湿地演变分析研究

为保护黄河三角洲湿地生态系统,掌握湿地变化趋势,以 1986—2018 年间 15 a 卫星遥感影像为数据源,通过 ERDAS 9.0 和 ArcGIS 10.3 平台开展黄河三角洲湿地遥感解译,建立土地利用转移矩阵,分析黄河三角洲湿地面积和分布格局及变化特征。结果显示：湿地是黄河三角洲主要生态系统类型,主要分布在沿海区域, 与 20 世纪 80 年代相比,黄河三角洲湿地面积整体下降,其中自然湿地萎缩严重,人工湿地增长迅速,湿地面积和结构均发生较显著变化,而区域土地资源开发是湿地结构变化的主要因素。研究成果表明：基于遥感解译,采用 ERDAS 9.0 和 ArcGIS 10.3 平台能快速获取较多湿地类型信息,提高提取精度,可为大范围土地利用分类研究提供方法参考。     

Comparison of Machine Learning Methods for Land Use/Land Cover Classification in the Complicated Terrain Regions

Aiming at the characteristics of varied and complex geomorphic types,crisscross network of ravines and broken terrain in high altitude complicated terrain regions,it is very important to study and find the rapid and effective land use/land cover classification method for obtaining and timely updating of land use information.Taking the Huangshui river basin located in the transitional zone between the Loess Plateau and the Qinghai-Tibet Plateau as acasestudy area,the objective of this study is to explore a kind of effective information extraction method from comparison of four kinds machine learning methods for complicated terrain regions.based on Landsat 8 OLI satellite data,DEM and combined with various thematic features,on the basis of geographical division of the study area,artificial neural network,decision tree,support vector machine and random forest four machine learning methods for land use information extraction were used to obtain land use data,and confusion matrix was constructed to evaluate classification accuracy.The results showed that the classification accuracies of random forest and decision tree are obviously higher than those of support vector machine and artificial neural network.The random forest method has the highest classification accuracy,the overall classification accuracy is 85.65%,the Kappa coefficient is 0.84.based on the above classification,Random forest classification method was chose to further classify Landsat 8 fusion datafrom panchromatic 15 meter and multispectral 30 meter image,the overall classification accuracy is 86.49% and the Kappa coefficient is 0.85.This indicated that the random forest classification method can obtain higher classification efficiency while ensuring the classification accuracy.It is very effective for the extraction of land use information in complicated terrain regions.Data fusion can improve the classification accuracy to a certain extent.     

Monitoring changes in land use land cover of Yamuna riverbed in Delhi: a multi-temporal analysis

Impact of anthropogenic activities has led to significant changes in riverbeds over a period of time. The objective of the study was to monitor the land use land cover (LULC) of Yamuna riverbed in Delhi and to assess the changes due to natural and anthropogenic activities. The maximum likelihood classification was carried out by using March 1977, April 1999, April 2002 and February 2009 imageries. An overall accuracy of LULC classification of 2009 imagery was around 88.6% based on ground truth data. A significant reduction in the main river course and increase in agricultural activities as well as built up were observed in remote sensing analysis as an outcome of riverbed encroachments. The changed scenario of riverbed not only stresses the riverine ecosystem but also jeopardizes the future consequences on river hydraulics.