共查询到20条相似文献，搜索用时 78 毫秒
1.
以新疆于田绿洲为例,基于PolSAR与Landsat OLI的多源数据集,采用随机森林、决策树等机器学习算法进行了干旱区土地利用/覆被分类精度对比研究.结果表明:①全极化PALSAR-2数据与目标极化分解特征分量、光谱特征数据的融合使分类总精度从单幅PALSAR-2图像分类的71.11％提高到93.24％,Kappa系数从0.65提高到0.92.②针对PALSAR-2数据,贡献率最大的特征变量来自Pauli分解的3种特征分量K1、K2、K3和Krogager分解的KD、KH;其次,植被指数、水体指数、盐分指数以及光谱主成分分析第一波段等光谱特征数据对地物分类有一定的贡献.③随机森林对多源数据集的土地利用分类性能优于SVM与决策树分类,该算法在精确提取干旱区土地覆被信息上有较好的可行性. 相似文献
2.
为提高土地利用/覆盖分类精度,本文以昆明市呈贡区为例,融合Sentinel-1A(S1A)与Sentinel-2A(S2A)遥感数据,采用支持向量机(SVM)的监督分类方法对土地利用/覆盖进行分类。对比分析了Sentinel-1A与Sentinel-2A数据在不同组合情况下所有分类结果的总体精度,结果表明:将Sentinel-1A的强度数据、纹理数据与添加植被指数的Sentinel-2A数据融合时分类精度相对较高,总体精度可达93.60%。采用雷达数据与光学数据融合的方法可以在一定程度上提升土地利用/覆盖分类精度。 相似文献
3.
随着遥感数据获取能力的不断增强,自动化程度已经成为大尺度遥感土地覆被分类面临的关键问题。然而,现有训练样本的人工选取方法成为制约土地覆被分类自动化的瓶颈。本文以河南、贵州两省为研究区,提出一种基于多源数据的土地覆被样本自动提取方法,以构建适用于大尺度的土地覆被自动分类。首先,以2010年1∶10万土地利用数据CHINALC和30 m分辨率全球土地覆被数据Globle Land30为样本数据源;然后,利用空间一致性分析及异质性分析确定样本初选区域;最后,通过样本提纯去除无效样本。结果表明:(1)应用多源数据的土地覆被样本自动提取方法获得的分类产品总体分类精度高于人工样本提取方法制作的全球土地覆被产品MCD12Q1。(2)与单源样本自动提取方法相比,应用多源数据的土地覆被样本自动提取方法,可获得更好的分类稳定性。综上,多源数据的土地覆被样本自动提取方法可在保证精度的同时,提升土地覆被分类的自动化程度。 相似文献
4.
徐州市土地利用CLUE-S模型变化模拟 总被引：1，自引：0，他引：1
对徐州市1987年、1994年和2000年3期遥感影像图进行分析,利用面向对象的思想,采用多尺度分割法对影像进行分类,通过遥感影像的光谱特征,确定分类目标,获取该区过去13年间的土地利用/覆被时空变化特征。运用CLUE-S模型以1994年土地利用数据模拟了2000年的土地利用空间变化状况,并通过2000年实际遥感影像分类数据加以验证,结果计算出Kappa指数为0.846,达到精度要求,实例证明CLUE-S模型较好地模拟了徐州市的土地利用/覆被变化。最后运用CLUE-S模型以6年为1个时空尺度模拟该区未来12年的自然状态和生态保护状态下的土地利用/覆被变化特征。 相似文献
5.
向量化的胶囊神经元和动态路由式的信息传递机制赋予了胶囊网络更强的特征表示能力。在遥感领域,基于胶囊网络的高光谱影像分类方法已经获得了较传统深度学习模型更为优异的分类结果。针对现有胶囊分类模型中存在的网络浅层、空谱联合信息利用不足等问题,本文利用卷积胶囊层、残差连接、三维卷积胶囊层构建了一种用于高光谱影像分类的新型深度胶囊网络。具体地,本文方法直接以高维数据立方体作为网络输入,并利用胶囊残差块逐层提取数据中的深层抽象特征。为了更加充分地利用影像中的空谱联合特征,在深层次的胶囊残差块中引入三维卷积胶囊层,以进一步提高分类精度。为了验证本文方法的有效性,选择University of Pavia、Indian Pines和Salinas等3个常用高光谱数据集和一个大规模机载高光谱数据集Chikusei进行实验。结果表明,与现有深度学习模型相比,本文方法能够获得更为优异的分类效果,在4个数据集上分别获得了99.43%、98.85%、97.14%和97.43%的总体分类精度。 相似文献
6.
《测绘科学》2020,(5)
为了提升遥感图像超分辨率重建算法纹理细节信息还原能力,该文提出了一种基于特征空间感知损失深度残差网络的遥感图像超分辨率重建算法。该算法增加了深度残差网络中的残差块数量,在网络末端采用了亚像素卷积的方法,并在损失函数中增加了特征空间感知损失。在UCMerced_LandUse数据集上进行了训练,并在UCMerced_LandUse数据集和Draper Satellite Image Chronology数据集上进行了测试。测试结果证实了该算法与其他算法相比在峰值信噪比和结构相似性指数上均有一定的提高,证实了该算法较好的超分辨率重建效果与还原遥感图像纹理细节信息的能力。 相似文献
7.
利用遥感影像识别土地利用类型及监测其变化情况在城市规划和土地利用优化等领域发挥着重要作用。当前,相关数据集存在样本量少、类别划分不合理、数据不开源等局限,难以满足样本驱动的深度学习遥感信息提取范式的需求。本文构建了一个面向深度学习的大规模场景分类与变化检测数据集MtSCCD (Multi-temporal Scene Classification and Change Detection)。该数据集包括MtSCCD＿LUSC (MtSCCD Land Use Scene Classification)和MtSCCD＿LUCD (MtSCCD Land Use Change Detection)两个子数据集,分别用于土地利用场景分类与变化检测任务。该数据集具有以下特点：（1） MtSCCD是目前规模最大的公开的土地利用类型识别与检测数据集,包含10种土地利用类型共65548幅图像,并且样本覆盖中国5个城市的中心区域;（2）由于MtSCCD数据集根据城市划分训练集、验证集以及测试集,对于新增的城市土地利用数据,可以根据需求划分为训练集与验证集或测试集,因此可扩展性较高;（3） MtSCCD... 相似文献
8.
9.
土地覆被作为地表自然和人工建造物的综合体，是开展土地科学相关研究的重要基础，在遥感大数据背景下，准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件，采用面向对象的多尺度分割法，综合考虑地物在遥感影像上的光谱、形状和纹理特征，建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取，并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%，Kappa系数为0.96，分类精度较高；②基于10 m分辨率影像，综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果，道路提取Kappa系数为0.84；③分类结果在面积和空间分布上都优于FROM-GLC10数据，与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征，分类精度高，对于处理高分辨率遥感数据具有很好的优势。 相似文献
10.
湿地植被在固碳过程中扮演重要角色。作为高寒湿地生态系统的典型代表，若尔盖湿地的植被分类与变化监测对于研究其碳汇功能具有重要意义。光学遥感和微波遥感在植被监测中各有其优缺点，因此本研究提出结合Sentinel-2光学数据和Sentinel-1合成孔径雷达SAR (Synthetic Aperture Radar)数据的若尔盖湿地植被分类与变化监测方法。基于动态时间归整算法DTW (Dynamic Time Warping)提取Sentinel-1 SAR数据的时间序列物候特征，结合Sentinel-2多光谱数据的光谱特征，以2020年实地获取的植被样本及使用样本迁移得到的2017年样本，通过随机森林算法分别对两个时期的若尔盖湿地植被进行分类并对其变化进行分析。研究表明：(1)结合Sentinel-1和Sentinel-2数据，充分发挥各自多时相、多光谱的优势对若尔盖湿地植被进行分类得到可靠的分类结果，总精度达到了97.43%,Kappa系数为0.96。(2)基于样本迁移原理，本研究通过将2020年实地采集的样本迁移至2017年，解决了历史时期实地样本不可得的问题，并针对SAR数据的特点提... 相似文献
11.
准确的湿地分类可掌握湿地时空分异特征,在湿地研究中占据重要地位。针对现有基于小样本学习的湿地分类方法仅局限于利用目标域或单源域数据的问题,本文提出一种3D多源域自注意力小样本学习模型3DMDAFSL(3D Multi-source Domain self-Attention Few-Shot Learning)。首先,结合卷积和注意力机制的优势,设计基于自注意力机制和深度残差卷积的3D特征提取器;然后,采用对抗域自适应策略实现多源域特征对齐,在每个域分别进行小样本学习;最后,利用训练好的模型提取特征,并将特征输入至K近邻（K-nearest Neighbor）分类器以获取分类结果。结果表明,3D特征提取器相比无特征提取框架的湿地总体分类精度提升约6.79%;当使用多源域数据集时,3D-MDAFSL模型对中山市Sentinel-2湿地数据集的总体分类精度能达到93.52%,相比于现有算法有明显提升。本文所提出的3D-MDAFSL模型在湿地地物高精度提取和分类中有较好的应用价值。 相似文献
12.
13.
高光谱图像分类是目前遥感技术应用的关键环节,对分析地物类别与土地利用起到了十分重要的作用。目前应用于高光谱图像分类普通算法,其精度已不能满足当今大数据时代下的分类要求,本文提出了深度置信网络(DBN)分类算法。深度置信网络具有无监督学习与有监督学习二者共同的优点,对于维数高的数据有较优的分类效果,并利用机载AISA Eagle II高光谱传感器的影像进行了验证。结果表明,DBN算法与支持向量机(SVM)及传统神经网络(BP)对比取得了较好的分类效果。 相似文献
14.
针对近年来极化SAR影像深度学习分类研究取得了显著的进展,但仍缺少全面系统的对比分析问题,该文首先讨论了极化SAR处理与分类中常用的深度学习网络结构,然后使用极化SAR分类研究的典型数据集,对多个主要深度学习算法的分类结果进行了对比分析,并对常用极化目标分解在深度学习分类算法中的应用进行了对比.实验表明,各类算法有不同的适用场景,同一场景不同算法的精度有时表现很大的差异.深度网络的选择、网络参数的优化和极化信息的应用依旧是该领域未来重点研究方向. 相似文献
15.
针对当前地物要素信息采集劳动强度大、智能化程度不高、效率低等技术瓶颈,本文以深度学习理论为基础,在Caffe框架上依托Digits网络服务器构建居民地数据集进行分类识别训练,建立样本数据集并完成模型训练工作.整合居民地复杂数据信息,设计了针对遥感影像自动解译居民地的操作流程.通过对实验结果分析,利用深度学习获取的数据模... 相似文献
16.
遥感技术是研究土地利用/覆被变化状况的重要手段之一,目前该技术已有一套较成熟的研究方法,本文从遥感数据选择、图像预处理方法、土地利用/覆被变化遥感分类、土地利用/覆被变化动态信息提取等方面对土地利用/覆被变化遥感动态监测技术进行了系统的论述,最后指出多信息源、综合的信息处理机制将是土地利用/覆被变化遥感动态监测技术发展的必然方向。 相似文献
17.
《武汉大学学报(信息科学版)》2021,(8)
提出了一种基于金字塔场景解析网络(pyramid scene parsing net,PSP Net)的深度学习算法。以湖北省遥感影像为实验数据,借助PSP Net的上下文场景解析能力,研究湖北省30 m分辨率的土地覆盖。实验使用了湖北省Landsat卫星影像中507景900×600像素的标准分幅影像,通过预处理生成了适用于深度学习的样本集。选择其中300景为样本,包括训练集240个、预测集44个和验证集16个。使用快速特征嵌入卷积结构(convolutional architecture for fast feature embedding,CAFFE)下的PSP Net模型对样本数据进行训练,设置了10×10-10的学习率,选择了第100万次的训练模型,很好地防止了数据的过拟合。通过模型的泛化和样本的泛化与迭代,对湖北省2000年、2005年、2010年3期的Landsat卫星影像土地覆盖进行分类,分类精度分别达到82.2%、83.4%和83.7%。研究结果表明,基于PSP Net的深度学习算法可以快速、有效和精确地实现大范围的遥感影像土地覆盖分类。 相似文献
18.
为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息,以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区,研究基于蚁群智能优化算法(ant colony intelligent optimization algorithm,ACIOA)的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段;然后利用归一化植被指数NDVI对实验区数据进行植被分区;最后利用ACIOA算法进行分类规则挖掘,并依据分类规则进行土地利用/覆盖信息的提取。研究表明,基于植被分区的多特征蚁群智能分类的总体精度为88.85%,Kappa=0.86,优于传统的遥感图像分类方法,为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。 相似文献
19.
基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测 总被引：4，自引：4，他引：0
传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。 相似文献
20.
土地利用/覆被（LUC）可为土地资源领域相关研究提供基础数据。本文构建了面向对象的LUC分类方法，并以沿海特殊土地类型区连云港市为例，应用Landsat 8影像开展了实证研究。结果表明：①总体分类精度达到85.06%，总体Kappa系数为0.83，超过了0.7的最低允许判别精度；②该方法可以有效地减少研究区因南北部区域耕地植被覆盖度不同导致的错分现象，并可以用于盐田与滩涂信息的提取工作；③该方法既可为研究区土地利用相关研究提供符合精度要求的数据，也可为其他沿海地区进行土地利用/覆被信息提取工作提供参考和借鉴。 相似文献