基于Landsat 8影像的额济纳荒漠绿洲植被覆盖度估算方法对比研究

荒漠绿洲是维持当地人类生存和社会发展的主要依托,但其地表植被稀疏,生态系统极其脆弱,而植被覆盖度是反映荒漠生态环境信息的重要指标之一。以黑河下游额济纳荒漠绿洲为例,基于Landsat 8影像和野外实测植被覆盖度数据,对比和分析现有的适宜于干旱荒漠区的3类植被覆盖度提取方法(经验模型法、像元二分法和三波段梯度差法)在该区域的应用效果,并尝试利用基于转换型土壤调整植被指数(TSAVI)的像元二分模型法和修正的三波段梯度差法(MTGDVI)进行植被覆盖度估算,以期找到计算额济纳荒漠绿洲植被覆盖度的最佳模型。研究结果表明:用TSAVI像元二分模型法的反演精度高而且能够较好地估算额济纳荒漠区域和绿洲区域的植被覆盖度,适用于估算额济纳荒漠绿洲的植被覆盖度。     

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。     

基于Landsat８影像的额济纳荒漠绿洲植被覆盖度估算方法对比研究

荒漠绿洲是维持当地人类生存和社会发展的主要依托,但其地表植被稀疏,生态系统极其脆弱,而植被覆盖度是反映荒漠生态环境信息的重要指标之一.以黑河下游额济纳荒漠绿洲为例,基于Landsat８影像和野外实测植被覆盖度数据,对比和分析现有的适宜于干旱荒漠区的３类植被覆盖度提取方法(经验模型法、像元二分法和三波段梯度差法)在该区域的应用效果,并尝试利用基于转换型土壤调整植被指数(TSAVI)的像元二分模型法和修正的三波段梯度差法(MTGDVI)进行植被覆盖度估算,以期找到计算额济纳荒漠绿洲植被覆盖度的最佳模型. 研究结果表明:用TSAVI像元二分模型法的反演精度高而且能够较好地估算额济纳荒漠区域和绿洲区域的植被覆
盖度,适用于估算额济纳荒漠绿洲的植被覆盖度.     

联合快舟一号影像纹理信息的城市土地覆盖分类

仅依靠光谱信息无法满足高分辨率遥感分类的应用需求,辅之以纹理特征信息进行分类,可提高影像分类精度。利用KZ\|1卫星影像和Landsat\|8卫星影像数据,基于面向对象的影像分割法和灰度共生矩阵纹理分析法对新疆石河子市局部城区进行了地表覆盖分类实验,将不同空间分辨率的全色影像纹理信息、光谱信息构成多种影像特征组合进行分类比较研究,以选择最佳的分类特征集。结果表明:KZ-1影像能为城市区域的土地覆盖分类提供丰富的纹理信息,面向对象的影像分割可较好地利用高分辨率数据的几何结构信息实现优化的影像分割,从而提高多光谱影像的分类精度,总体分类精度为90.06%,Kappa系数为87.93%,比单纯利用光谱信息分类的总体精度提高了8.02%,Kappa系数提高了9.65%,表明KZ\|1数据可为光谱分类提供丰富的纹理信息,从而提高城市区域的土地覆盖分类精度。     

基于高分辨率影像数据的耕地信息提取应用研究

遥感影像地物信息丰富,使得直接通过影像获取耕地地块信息成为可能。本文介绍了以高分辨率遥感影像数据为基础图件,应用ERDAS、ARCGIS、eCogntion软件平台,通过非监督分类法、监督分类法和面向对象分类法分别对试验区域提取耕地信息的过程。试验结果表明,遥感技术是获取耕地信息提取的有效途径之一,监督分类进度为75．5％,面向对象法精度为90％。面向对象分类方法提取精度较高,效果最好。     

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。     

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。     

基于时序Landsat数据的三江平原植被地表类型变化遥感探测研究

Landsat 卫星遥感数据具有分辨率较高,数据积累时间长的特点,在探测地表覆盖变化和地物分类中得到广泛应用。首先,对获取的Landsat TM/ETM+时间序列数据进行了定量化处理,获取了三江平原七台河市1989~2012年时间序列Landsat地表反射率图像。其次,设计了林地指数和湿地指数,提取了三江平原七台河区域地物光谱和时序特征,同时设计构建了地表覆盖分类和植被地表类型变化探测的决策树算法,实现了1989~2012年七台河区域的植被地表覆盖变化的动态监测,提取了森林覆盖变化的空间分布与变化时间。最后,对七台河区域地表覆盖与植被地表类型变化进行了精度检验,分类总体精度达到90.04%,Kappa系数达0.88。研究结果表明:基于定量化的Landsat时间序列数据的分类算法能克服单时相影像分类的缺陷,实现区域地物自动分类和地表覆盖变化的动态监测。
     

结合面向对象方法的多层次干旱与半干旱区域城镇提取方法

在干旱与半干旱区域戈壁及沙漠等高亮地表与城镇连成一片,两者的光谱特征在中等分辨率遥感数据上非常相似;因此,利用基于像素的分类方法很难将城镇准确提取出来。根据两种地物的样本对NDVI、NDBI的分布特征统计分析得出:基于面向对象的分类方法在提取城镇信息方面有较大优势。以典型的干旱区域—黑河流域张掖市及周边地区作为研究区域,将面向对象的方法应用到具有中等分辨率的Landsat-TM数据上,提出了结合面向对象方法的多层次干旱与半干旱区域城镇提取方法。该方法首先使用分层分类的方法得到城镇和荒漠的混合影像,然后使用面向对象的分类方法精确提取城镇信息,其中分割对象过程中引入样本可分离度量化不同尺度的影像分割效果,实现最优尺度分割。结果表明:其目视效果、总体精度(94.51%)和Kappa系数(0.89),均优于支持向量机(SVM)与基于时间序列的分类方法。     

基于高分辨率遥感影像的不透水面信息提取方法研究

不透水面是城市地区的典型特征,它与城市总用地面积的比值--不透水率作为一个重要的城市生态指数常出现于城市水文、水质、面源污染以及城市植被制图等研究中。利用高分辨率遥感影像提取不透水面不仅可获得较高精度的不透水面信息,而且可为中低分辨率遥感影像的不透水面提取提供样本训练区并检验其提取精度。本文利用南京IKONOS影像,采用面向对象分类方法提取不透水面信息,初步解决了阴影归类和遮盖不透水面的植被剔除等问题,提高了不透水面信息提取精度。     

Land Cover Extraction in the Ejina Oasis by Hyperspectral Remote Sensing

The extraction of land surface coverage is the basis of ecological environment evaluation,vegetation change analysis and regional ecological and hydrological processes.Aerial hyperspectral remote sensing has great advantage in land surface coverage extraction,such as flexible,wide coverage,high spatial resolution and high spectral resolution.Research area has landscape characteristics of vegetation,landscape fragmentation and heterogeneity in Ejina Poplar Forest National Nature Reserve.Comparison and analysis of two methods of dimension reduction based on minimum noise transform and principal component analysis,three supervised classification methods based on maximum likelihood method,support vector machine and object\|oriented classification.Land surface coverage is extracted by NDVI threshold segmentation,minimum noise transform dimensionality reduction method and maximum likelihood classification method according to the characteristics of landscape fragmentation,heterogeneity and high redundancy of hyperspectral data based on the Airborne Hyperspectral Data of Ejina oasis in the lower reaches of Heihe.The land surface coverage results overall accuracy and Kappa coefficient are 87.95% and 0.885 by random sampling based on airborne remote sensing data.The results show that the classification results of high accuracy can provide effective parameters for ecological research.     

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。     

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。     

基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究

针对高分辨率遥感影像的城市土地覆被信息提取,根据分类目的与精度要求的不同,分别引入了优化与广义两种面向对象分类方案,并对分类的结果进行分析比较。结果表明:①优化方案的分类结果总体上要比广义方案好,前者的总体精度为86.50%,相比后者的80.50%提高了6.0%,而总体Kappa系数提高了0.0851,但是该方案效率低,可移植性差;②广义方案的分类结果虽然精度略低,但是该方案具有很强的适用性与可移植性,能够在精度可控范围内,很大程度提高分类效率,实现系统而有效的自动分类;③广义方案得到的分类结果具有一致的精度,在利用其建立城市生态模型中能够保证数据之间的系统性与鲁棒性。因此,利用优化方案能够提高分类结果的绝对精度,而广义方案对于实时精确获取城市土地覆被信息、小尺度上定量监测与评价城市化的生态后果以及有效开展城市土地规划与管理具有更重要的意义。     

基于对象级分类的土地覆盖动态变化及趋势分析

以广东省东莞市2005~2008年SPOT 5遥感影像为主要数据源,采用对象级分类后比较的变化检测技术,从土地覆盖类型的面积总量、相互转移等方面多层次分析了研究区域4 a土地覆盖的变化情况。在此基础上,利用马尔科夫链模型对该区域未来5 a的土地覆盖动态变化及演变趋势进行了分析和预测,为广东省土地覆盖变化研究提供典型案例分析,以达到全面把握研究区土地覆盖变化规律的目标。结果表明:研究区域的土地覆盖变化基本趋势表现为城镇建设用地总量持续增加以及耕地和园林地面积总量减少,其中城镇建设用地和农业耕地变化幅度较大,其他类型土地变化相对稳定。增加的城镇建设用地主要来源于耕地的人为减少,农业垦殖环境将趋于恶化。研究结果可为研究区合理有效地利用土地以促进土地可持续发展、推进城市化进程奠定决策上的技术基础。     

Object‐oriented and textural image classification of the Siberia GBFM radar mosaic combined with MERIS imagery for continental scale land cover mapping

Boreal forests and wetlands play an important role in the climate system, in particular through biosphere–atmosphere flux exchanges. They are an important pool of carbon and their role as sink or source of greenhouse gases is not fully understood. Accurate mapping of the vegetation of Siberia can therefore contribute to a better understanding of these processes at regional scale and of their effects on the climate through regional biosphere modeling. The potential of the combination of radar data with medium‐resolution optical data to obtain regional‐scale land cover mapping is investigated using multi‐spectral imagery from the MERIS sensor at 300 m resolution and a high resolution radar mosaic (pixel spacing of 100 m) covering Western and Eastern Siberia compiled in the framework of the Global Boreal Forest Mapping project. For this purpose, capabilities of oriented‐object image analysis associated to wavelet multi‐resolution techniques are investigated. Results show that wavelet multi‐resolution textures bring relevant additional information for land cover classification. Suggestions are made for the implementation of an object‐based wavelet multi‐resolution texture estimator.     

Land use studies in drylands: an evaluation of object‐oriented classification of very high resolution panchromatic imagery

Object‐oriented classification approaches offer an alternative to per‐pixel methods for assessment of land use and land cover. Combining object‐oriented approaches with very high resolution imagery may provide enhanced possibilities for applications requiring land use and land cover data. The aim of this study is to evaluate the application of object‐oriented classification of panchromatic very high resolution data in African drylands, where sizes and shapes of fields are varied, and intercropping practised, which might lead to difficulties in image segmentation. The results show that region‐based segmentation is sensitive to the proportion of spectral and shape information and the best results were gained when the segmentation was based on predominately spectral information. The accuracy (Kappa value of 0.6) for the object‐oriented classification was significantly higher than that for per‐pixel classification. However, both the segmentation and the classification were time‐consuming based on a trial and error process.     

An object‐oriented approach for analysing and characterizing urban landscape at the parcel level

This paper presents an object‐oriented approach for analysing and characterizing the urban landscape structure at the parcel level using high‐resolution digital aerial imagery and LIght Detection and Ranging (LIDAR) data. Additional spatial datasets including property parcel boundaries and building footprints were used to both facilitate object segmentation and obtain greater classification accuracy. The study area is the Gwynns Falls watershed, which includes portions of Baltimore City and Baltimore County, MD. A three‐level hierarchical network of image objects was generated, and objects were classified. At the two lower levels, objects were classified into five classes, building, pavement, bare soil, fine textured vegetation and coarse textured vegetation, respectively. The object‐oriented classification approach proved to be effective for urban land cover classification. The overall accuracy of the classification was 92.3%, and the overall Kappa statistic was 0.899. Land cover proportions as well as vegetation characteristics were then summarized by property parcel. This exercise resulted in a knowledge base of rules for urban land cover classification, which could potentially be applied to other urban areas.     

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.