土地督察易混地物最大似然分类改进

鉴于中高分辨率影像最大似然分类对一些类型的建筑和裸土容易发生相互错分(易混地物),直接影响土地督察应用高分一号多光谱数据对大型工程项目的发现和阶段认定,提出了一种基于最大似然分类综合优化的精度提升方法。通过样本过滤和正态化提升样本的典型性,同时获得地物的先验概率,然后进行最大似然预分类,再通过混淆矩阵依据先验概率分布和像元的地物识别概率对像元归属进行调整,进一步提高分类精度。通过对比实验验证,综合改进后建筑和裸土的用户精度均有11%以上的提升,总体精度提升9%以上。     

基于热红外像元分解的裸土信息自动提取方法

基于热红外波段像元的分解与重构,对缨帽变换指数和归一化裸土指数进行逻辑组合,提出了一种新的裸土指数Bareness Index,并利用Landsat ETM+数据对珠江三角洲进行了裸土信息自动提取实验。结果表明:该方法在增强裸土信息的同时,可以有效抑制背景地物的干扰,并提高了检测精度,信息提取精度为84.7%。研究对区域土地利用类型分类精度的提高具有一定的理论与现实意义。     

样本特征对参数/非参数分类器分类精度的影响分析

为验证理论训练数量(10~30 p)对参数分类器(如最大似然分类)、非参数分类器(如支撑向量机)的适用性以及样本特征(光谱统计、空间分布特征)对分类器分类精度的影响,选择不同规模的训练样本进行最大似然分类和支撑向量机分类,分析分类精度与样本之间的关系。实验结果表明:随着样本量的增加,最大似然、支撑向量机分类精度均随样本量增多而提高并趋于稳定,最大似然分类精度的增长速度要快于支撑向量机。MLC受样本量的影响较大,在小样本的时候(5个),分类精度不稳定,超过30个样本的时候,分类精度稳定下来;对于SVM分类器,在小样本的时候(5个),分类精度较高且稳定,因此SVM分类适合于小样本分类,不受限于理论样本量的影响。当样本量超过最小理论样本量值(30个)的时候,最大似然分类精度要优于支撑向量机,主要是由于当样本量增加后,最大似然更易于获得有效的信息量样本,而对于支撑向量机边缘信息样本的增加数量不大。研究结果为进一步优化样本进行分类打下前期的实验基础。     

改善TM卫星遥感图像自动识别精度的研究和应用

介绍利用计算机处理TM遥感图像数据产生重庆市江北县典型地区土地利用分类图技术。为克服单个像元由于光谱混杂和其它噪声引起的分类不确定性，对图像数据实施了两次分类处理。首先用最大似然监督分类法对像元点做一次分类，并且在修改训练样本和先验概率，分层处理等方面采取了灵活的对策。继而采用局部领域覆盖法进行二次分类，利用空间信息进一步改善分类精度。在重庆江北县地区所做的实验研究结果表明，上述做法有效地提高了分类精度，是合理的，算法简明实用。     

基于多分类器的C5.0决策树植被分类方法

针对光谱角制图(SAM)和最大似然(MLC)分类器对AVIRIS高光谱遥感图像进行植被分类精度均不高的问题,提出了一种基于多分类器的C5.0决策树植被分类方法。首先,利用支持向量机(SVM),进行核函数以及核函数参数选择,提取出AVIRIS高光谱图像中的植被信息。其次,利用C5.0算法将光谱角制图和最大似然分类器组合,作为决策树的特征属性,学习样本训练并生成分类规则;根据C5.0算法计算植被样本中对应分类器的信息增益率,选择信息增益率最大的属性去分类样本;当叶样本的分类结果满足停止生长的阈值,输出样本分类的结果,否则,回到开始,递归调用以上方法继续分类叶样本,直到所有子集仅包含一个植被类别的样本完成决策。实验结果表明,与光谱角制图和最大似然分类器相比,本文提出的方法整体精度分别提高了6.04%、2.92%,不仅证实了多分类器组合的可行性和有效性,而且更加适用于AVIRIS高光谱图像中的植被调查。     

应用光谱混合分析法从SPOT影像提取槟榔树专题信息

台湾地区槟榔树分布面积较大,但是种植密度不高,用通常的遥感影像分类和专题信息提取方法不能有效地提取槟榔树的分布范围。光谱混合分析是将一个像元看成多种地物的组合,分别求出各种地物所占的比例。运用线性光谱混合分析的方法,对台湾的SPOT卫星影像进行像元分解,提出了如何利用低光谱分辨率影像分解像元的方法。通过与最大似然分类和阈值法提取结果的比较,表明光谱混合分析法不仅有效地提取了槟榔树分布的范围,还计算出槟榔树分布的密度,是一种较好的方法。     

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%。     

基于遥感的黄河三角洲地区盐碱地分布监测

借助遥感技术可以快速准确提取盐碱地分布信息,本文使用TM遥感影像,利用光谱分析和图像处理相结合的方法,参考地理数据,对黄河三角洲地区盐碱地的分布状况进行了遥感分析。通过最大似然分类及神经网络亚像元分类两种监督分类方法的分类精度比较后发现,后者分类精度得到有效提高,总体分类精度从80.8%上升到85.6%,对于盐碱地地类的分类精度提高到85.45%。最后,在此基础上给出了该地区盐碱地分布图。     

基于知识的山东丘陵区土地利用/覆盖分类研究

土地利用/覆盖信息的获取是土地利用/覆盖变化研究的前提和基础, 传统的基于光谱信息的分类无法克服地物光谱特征相似造成的混淆。以龙口市为例, 探讨了综合应用高程、坡度等地学专家知识和地物的光谱知识, 对山东丘陵地区土地利用/覆盖进行自动分类的方法。实验证明, 基于知识的土地利用ö覆盖分类方法消除了单纯利用光谱信息的不足, 达到了90. 24% 的分类精度, 远高于最大似然法分类。     

遥感影像的分类自校正方法研究

遥感图像分类是遥感图像研究的主要内容之一,分类精度高低直接关系到遥感数据的可靠性和实用性。多分类器系统可以提高单分类器分类的精度,但往往要求组成的子分类器分类误差相互独立,子分类器选择困难。支持向量机是新发展起来的一种非参数分类器,其分类原理和传统的基于统计的分类方法不同,表现出一定的独立性。为此本文尝试基于支持向量机和目前使用最广泛的最大似然法,构建一个性能高效且组合方式简单的复合分类器(称为遥感影像分类自校正方法)。同时,为了验证该分类器的性能,在北京市2006年4月27日的SPOT2图像上选择了一个研究区,分别利用最大似然法、支持向量机法和分类自校正方法进行分类对比试验。结果显示分类自校正方法的总体分类精度最高,比最大似然法和支持向量机法分别提高了4.35%和6.6%,而且各种地物类型的分类精度相对最大似然和支持向量机法都有提高。本文提出的分类自校正方法是一种性能高效且操作简单的分类方法。     

ZY-3卫星影像雪盖信息提取方法

针对国产资源三号(ZY-3)卫星多光谱影像空间分辨率高但波段范围较窄,在积雪提取方面研究缺乏这一现状,提出一种综合近红外(near infrared,NIR)波段和归一化植被指数(normalized difference vegetable index,NDVI)的决策树雪盖信息提取方法。以各地物光谱特性差异及NDVI特性差异为基础,方法充分利用积雪在NIR波段上反射率远高于其他地物,且其对应NDVI0这两大特性,借助二次阈值化处理实现对积雪的判别划分。以最大似然监督分类提取结果为参考,对研究区雪盖信息整体提取结果、局部提取结果和提取精度进行统计和对比分析。实验结果表明,该方法具有受建筑物、阴影和裸土影响较小的优点,提取结果准确性、完整性较高。     

基于纹理信息CART决策树的林芝县森林植被面向对象分类

以西藏自治区林芝县的Landsat-8影像、地形图为信息源,结合样地调查数据及森林资源二类调查数据,研究基于纹理信息的CART决策树的面向对象分类对研究区内的森林地物类别进行提取,分类的总体精度和Kappa系数分别为82.53%和0.768,相较于不利用纹理信息的决策树分类和基于最大似然分类法的研究区地物类别的提取总体精度均高近10%,Kappa系数分别高0.12和0.111。结果表明:基于纹理信息的CART决策树面向对象分类方法对研究区Landsat-8影像进行植被类型提取,分类结果较好,能够满足研究要求。     

基于多时相遥感数据的东亚飞蝗生境分类研究

东亚飞蝗的发生及成灾与其存在的生境有十分密切的关系,因此对东亚飞蝗生境进行分类是有效防治蝗灾的基础。以河北省渤海新区为研究区,利用环境减灾小卫星多时相CCD数据,采用4种组合方案,分别使用最大似然法和RuleGen决策树进行了东亚飞蝗生境的遥感分类。结果表明:最大似然法和决策树分类方法总体精度相差不大,但在类别数据较多时,决策树分类方法的执行效率变低。利用5月20日单时相的光谱数据进行分类的总体精度仅有76.43%,Kappa系数〖JP2〗0.7396;加入NDVI时间序列信息后,总体分类精度可以达到93.93%,Kappa系数0.9323。因此,使用多时相信息可以较好地解决异物同谱问题,降低混合像元带来的影响,提高生境分类的精度。〖JP〗     

基于环境卫星数据的沿海滩涂地物类型分类的随机森林方法

基于环境卫星遥感影像,利用随机森林数据自适应探测特性,构建了面向沿海滩涂区域的地物类型分类方法,并以大丰为例进行了实证分析,探讨了基于随机森林方法的滩涂分类的参数选择与精度分析。结果显示:基于随机森林的沿海滩涂地物分类方法分类精度较传统监督分类(平行管道法\,最小距离法和最大似然法)精度提高明显,且具有很好的分类稳定性。
     

基于独立分量分析的高光谱遥感影像决策树分类

为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难”间的矛盾并提高分类精度,针对传统特征选择方法信息损失大的缺陷,基于EO-1 Hyperion高光谱遥感影像,采用独立分量分析(ICA)和决策树分类(DTC)方法联合运作流程,开展影像的地物分类实验研究,提出了ICA-DTC模型。首先运用ICA方法对影像进行特征提取,并以所提取的独立分量特征及其他地理辅助要素组成分类指标集;继而选择适当的指标组合和阈值设定判别规则,建立DTC模型进行影像的地物分类;最后将分类结果与传统最大似然分类法进行比对。结果显示：从分类的总体精度看,前者可达89.34%,高出后者18.8%;从单一地物的分类精度看,前者仅水体的精度略低于后者,而其他11种地物的精度都高于后者。理论分析与实验结果均表明,ICA-DTC模型可有效提高复杂地形条件下的地物分类精度。     

基于WorldView-2影像和语义分割模型的小麦分类提取

为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取,以WorldView-2遥感影像为数据源,制作尺度分别为128×128、256×256、512×512的样本数据集,对U-net和DeepLab3+语义分割模型的参数进行训练,建立小麦遥感分类模型;通过与极大似然和随机森林方法比较,检验深度学习分类效果。结果显示：①不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上,模型精度稳定,样本尺度大小对小麦分类提取模型影响较小;②深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上,极大似然和随机森林则在92%和0.85以下,表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。     

基于WorldView-2影像的土地利用信息提取方法对比及评价

基于2011年WorldView-2高分辨率遥感影像, 采取面向对象的分类方法和四种传统的基于像元的分类方法分别提取平潭县海坛岛中北部研究样区土地利用信息, 并以目视解译结果图为参考, 得到每种分类方法的总体分类精度, 且从数量分歧和分配分歧两方面对土地利用信息提取结果进行整体评价和单类别评价, 结果表明: (1)不同分类方法平均总体分类精度为75.00%, 其中最高的是面向对象法, 总体精度为84.25%, 分类总体精度最低的为最大似然法, 仅为62.00%. (2)面向对象分类方法具有最低的数量分歧, 为4.25%, 其次依次为神经网络法<支持向量机法<马氏距离法<最大似然法. 在分配分歧方面, 支持向量机方法其值最低, 为5.75%, 其次依次为最大似然法<神经网络法<马氏距离法<面向对象法. (3)在单类别精度评价中, 耕地的精度对影像整体分类结果影响最为显著, 其数量分歧比例大小依次为最大似然法(28.75%)>马氏距离法(21.50%)>支持向量机法(14.75%)>神经网络法(11.00%)>面向对象法(3.00%), 分配分歧比例大小依次为面向对象法(10.50%)>神经网络法(5.00%)>支持向量机法(1.50%)>最大似然法(0.50%)>马氏距离法(0.00%).     

应用高分辨率遥感影像提取作物种植面积

利用中低分辨率遥感影像提取作物分类种植面积的精度,往往难以满足农业遥感估产的需要。随着新型传感器的不断出现,应用高分辨率遥感影像高精度地提取作物分类面积日益成为发展趋势。由于高分辨率遥感影像提供的地物纹理、色调与形状等信息更加丰富,当前基于对象的地物识别分类方法仍不成熟,处理操作中人为干预过多,而且较为复杂,因此尝试以地面调查信息为辅助参量,采用常规基于像元的最大似然法监督分类方法,依据多尺度遥感影像信息提取的原理,分阶段地逐步提取作物种植面积,以此为农业遥感估产服务。     

ZY-3卫星影像雪盖信息提取方法

针对国产资源三号(ZY-3)卫星多光谱影像空间分辨率高但波段范围较窄，在积雪提取方面研究缺乏这一现状，提出一种综合近红外(near infrared,NIR)波段和归一化植被指数(normalized difference vegetable index,NDVI)的决策树雪盖信息提取方法。以各地物光谱特性差异及NDVI特性差异为基础，方法充分利用积雪在NIR波段上反射率远高于其他地物，且其对应NDVI＜０这两大特性，借助二次阈值化处理实现对积雪的判别划分。以最大似然监督分类提取结果为参考，对研究区雪盖信息整体提取结果、局部提取结果和提取精度进行统计和对比分析。实验结果表明，该方法具有受建筑物、阴影和裸土影响较小的优点，提取结果准确性、完整性较高。     

基于面向对象的遥感影像分类研究——以河北省柏乡县为例

遥感作为提取土地覆盖类型的主要手段对监测土地利用变化和制定国家政策具有重要意义。通过利用影像的光谱、形状和纹理信息,面向对象分类方法能够比基于像元的分类方法提供更高精度的数据。基于高分一号卫星数据提出一种自动计算最优尺度的方法,基于多尺度分割和3种监督型机器学习算法对研究区典型地物类型(农田、裸地、居民区和道路)进行面向对象分类,并用总体精度和Kappa系数对分类结果进行精度评价,分析了分类精度与训练样本占总样本比例的关系。研究表明,面向对象分类方法在训练样本占总样本比例较小的情况下就可以取得较高的分类精度,总体精度高于94%。总体来看,支持向量的分类精度比神经网络和决策树的分类精度高。