共查询到17条相似文献，搜索用时 296 毫秒
1.
针对高分辨率遥感数据进行土地利用类型分类时出现的“同谱异物”现象,以及中分辨率遥感数据划分土地利用类型时受空间分辨率限制产生的“混合象元”问题,本文以高分一号数据(GF-1)和Landsat-8数据(OLI)为例,提出了一种协同利用高分辨率遥感数据和中分辨率遥感数据进行土地利用类型模糊分类的方法。首先,利用主成分变换的方法分别对GF-1纹理信息和OLI光谱信息进行压缩和增强,并将增强后的纹理信息和光谱信息进行特征协同;然后,根据各地物类型的光谱、纹理特征,对特征协同数据进行60、80、100共3个尺度的分割;最后,根据地物类型间的光谱特征和纹理特征的差异,构建各地物类型的模糊逻辑隶属度函数,实现对影像土地利用类型的模糊分类。实验结果表明,主成分变换的方法有效地将研究区GF-1和OLI数据的光谱、纹理信息压缩、增强,为面向对象分类中分类特征的选取提供了一种思路;同时,本文方法成功划分了研究区土地利用类型,并获得了较高分类精度,总体分类精度达到93.52%,对其它高空间分辨率与高光谱分辨率遥感数据协同分类研究具有一定借鉴意义。 相似文献
2.
华南地区种植园地广泛分布,类型混杂多样,导致园地分布信息难以正确获取,为农业管理造成了较大困难。本研究基于Landsat8 OLI数据,通过数据融合、特征优化,应用随机森林算法构建面向对象的种植园地分类规则集,对华南地区典型经济作物香蕉、柑橘、葡萄、蒲葵、海枣、番木瓜和火龙果等进行类别识别,同时对比贝叶斯分类法、K最邻近分类法、支持向量机法、决策树分类法的分类效果。结果表明：数据融合会在一定程度上影响分类结果精度;植株形态、光谱特征接近,种植期交错是影响华南地区典型园地分类精度的重要原因;以中分辨率影像为数据源,面向对象的随机森林算法应用于种植园地分类研究总体精度可达88.05%,Kappa系数0.87,可以有效区分华南地区典型种植园地类别;相比于其他算法,随机森林算法在分类精度、可靠性和稳定性上具有一定优势,可为园地作物生长监测和种植管理提供科学依据。 相似文献
3.
城镇用地信息是联合国2030年可持续发展议程关注的重点之一。城市在世界范围内迅速扩张,快速准确地获取城镇用地信息对于政府决策具有重要作用。城镇土地覆盖信息非常复杂,包括人工建筑、树木、草地、水体等多种地表覆盖类型。基于传统人工测绘获取城镇用地信息费时费力并且难于及时更新。Landsat等遥感卫星数据为城镇用地信息提取提供了丰富的数据源。基于卫星遥感数据提取的城镇用地信息可以为未来城市的建设和管理提供基础的科学决策数据。基于监督分类方法和卫星遥感数据可快速地提取城镇用地信息,然而特征变量的选择对于高精度城镇用地信息提取尤为重要。为研究不同特征变量组合对于城镇用地信息提取的影响,以北京市为研究区,以2017年7月10日获取的Landsat 8 OLI影像为数据源,通过数据预处理、纹理提取、独立成分分析、主成分分析等得到4个维度的29个特征,选取了7种特征组合方案进行城镇用地提取。考虑随机森林算法性能稳定,分类精度高和可以方便进行特征重要性评价等优点,选择其作为监督分类算法以提取城镇用地信息,并进行了精度评定,以确定最优的城镇用地提取特征组合。研究发现：综合利用光谱特征和独立成分分析后的影像特征,提取城镇用地的总体精度为93.1%,Kappa系数为0.86,优于利用其他特征的提取结果;基于随机森林算法对数据进行训练后输出的各变量的归一化变量重要性与特征均值的标准差结果存在相似性,利用随机森林算法的变量重要性估计与特征均值折线图都可以进行变量重要性评价。 相似文献
4.
面向对象的森林植被图像识别分类方法 总被引：1，自引：0，他引：1
森林植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取森林植被的类型,本文以门头沟区森林植被占主要土地覆被类型为研究对象,选择HJ-1影像面向对象提取不同地物信息。由于研究区地形复杂,采用多尺度分割方法,对不同地物设置不同分割参数,实现不同地物分层提取。根据光谱、纹理及几何等特征选择合适的特征参数,构建隶属度函数,逐级提取研究区的土地覆被类型,并与传统的最大似然法进行对比。结果表明:面向对象的分类方法在门头沟区森林植被二级信息提取的精度为83%,与传统方法相比有了较大的提高。 相似文献
5.
以山西省西山煤田为研究区域,以MODIS和Landsat遥感影像为数据源,利用决策树分类方法,分别得到了西山煤田2001、2008和2016年的土地利用分类结果。结果表明,利用决策树分类的总体精度大于90%,Kappa系数大于0.85,决策树分类方法可以可靠地用于土地利用分类。研究结果为土地利用/土地覆盖变化分析提供了基础数据。 相似文献
6.
地貌分类在指导人类建设活动的规模与布局中有着重要的意义。然而,传统的基于数字高程模型(DEM)的地貌分类方法使用的地形因子和考虑到的地貌特征往往比较单一。本文提出了一种基于流域单元的地貌分类方法,该方法考虑了流域单元的多方面特征,包括基本地形因子统计量、地形特征点线统计量、小流域特征和纹理特征。本研究首先基于DEM进行水文分析将研究区域划分成不同的小流域。然后利用数字地形分析提取29个不同方面的特征来表征流域的形态,并基于随机森林(RF)算法进行了特征选择和参数标定。RF是一种基于决策树算法的集成分类器,能有效地处理高维数据,分类精度高。最后选择训练集小流域对RF分类器进行训练,使用训练完成的分类器对整个研究区域的地貌进行分类,研究地貌分异的规律。该实验在我国陕北黄土高原典型黄土地貌区域的地貌分类中取得了较好的结果,结果表明不同的地貌之间存在明显的区域界线,特定的地貌类型在空间上表现出明显的聚集性。通过人工判读进行验证的分类精度达到了85%,Kappa系数为0.83。 相似文献
7.
不透水面作为反映城市发展程度和表征城市生态环境的重要指标,在城市化研究中成为重要的数据源。当前,不透水面信息的获取通常基于遥感数据来开展,包括不同分辨率的遥感数据。这些遥感数据在高精度提取城市不透水面的能力具有较大的差异,会因尺度不同而带来提取精度的偏差。因此,理解不同遥感数据源在不透水面提取上的差异尤为重要。本文利用Landsat/OLI光谱数据和VIIRS/DNB夜间灯光数据分别采用线性光谱混合分析法和大尺度不透水面指数法提取珠江三角洲研究区的不透水面信息,并从不透水面总体精度、不同密度精度对比分析2类数据源提取不透水面的差异。结果表明：① Landsat/OLI和VIIRS/DNB两者提取不透水面的总体精度差异不大,Landsat/OLI提取不透水面的精度总体上略高于VIIRS/DNB。2种数据提取不透水面的均方根误差RMSE分别是0.18和0.21,系统误差SE分别是0.12和0.13,决定系数R 2分别是0.76和0.67。② Landsat/OLI和VIIRS/DNB数据对不同密度不透水面分布区域的提取能力不同：VIIRS/DNB在低密度不透水面区域提取精度高于Landsat/OLI;而Landsat/OLI在中、高密度不透水面区域提取精度均高于VIIRS/DNB。通过2种数据提取精度差异的对比,以期为不同密度的不透水面分布区域提取找到最佳尺度的数据源,提高不透水面提取的效率和精度。 相似文献
8.
西南山区地块破碎且复杂,种植类型多样,且该地区多云多雨,可利用遥感数据有限,利用单一的光谱特征或植被指数难以实现作物的有效识别。物候特征能够反映作物的生长周期规律,可用于复杂地区作物的精细监测。本研究以重庆市潼南区为例,基于多时相中分辨率的Sentinel-2和Landsat8遥感影像,对地块尺度的NDVI、EVI等6个植被指数进行时间序列构建并提取其物候特征,通过特征优选构建多维数据,利用随机森林分类模型对柠檬、油菜、水稻、玉米等作物进行识别。结合植被指数与物候特征进行作物分类,总体精度达94.52%,Kappa系数为0.90,柠檬、油菜、玉米、水稻的精度分别为89.88%、87.30%、84.98%和95.57%。研究表明,利用时序遥感数据的植被指数与物候特征能够有效进行地块尺度的作物识别,为复杂种植结构地区获取大范围作物分布制图提供参考。 相似文献
9.
10.
山地因其较高的异质性和特殊的环境特征给遥感科学及其应用带来了诸多问题和挑战。为实现山地植被信息的精准提取,本研究选择部分滇西北山地区域作为研究区开展方法实验,利用高分辨率遥感影像数据和数字高程模型,结合分区分层感知思想,提出一种基于不确定性理论的山地植被型组分类制图方法。首先结合地形对研究区影像进行多尺度分割制作图斑;然后根据图斑特征使用随机森林方法进行分类,将分类结果与对应类别样本间的相似性作为优化目标, 并构建混合熵模型定量计算图斑推测类型的不确定性,据此进行针对性的样本补充和分类模型的迭代优化。实验总体分类精度达90.8%,较迭代前提升了29.4%,Kappa系数达到0.875。在高不确定性区域,该方法相比使用一次性补样和随机补样方法的分类结果,精度分别提高了17%和13%。研究结果表明,通过人机交互的方式,基于不确定性理论为样本库融入增量信息的迭代优化方法能够有效提高植被型组分类的精度,相较于传统的样本选择方法具有更高的效率和更低的不确定性。 相似文献
11.
Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究 总被引：1，自引：0，他引：1
赣南地区是中国柑橘主产区,柑橘种植产业经数十年发展已具较大规模。本文利用Google Earth Engine平台,使用2140景Landsat影像进行像元级融合,重构目标年份季节最小云量影像集,构建多维分类特征集,利用随机森林分类算法,实现了1990、1995、2000、2005、2010和2016年赣南柑橘果园的分布制图。结果表明：利用Google Earth Engine平台可实现大量遥感影像数据的高效处理;最小云量影像合成方法能够有效解决多云多雨地区高质量光学影像获取困难的问题;以最小云量影像合成构建的数据集,使用随机森林分类算法能够有效提取赣南柑橘果园,分类平均总体精度和Kappa系数分别为93.15%和0.90,分类效果良好;赣南柑橘果园面积由1990年9.77 km2扩大为2016年2200.34 km2,2005年以后呈大规模扩张趋势,果园分布由零星分布,逐步形成连片化的聚集分布特点,柑橘果园用地的主要来源为林地、灌丛和耕地。 相似文献
12.
Integrating TM and ancillary geographical data with classification trees for land cover classification of marsh area 总被引：5，自引：1，他引：4
Xiaodong Na Shuqing Zhang Huaiqing Zhang Xiaofeng Li Huan Yu Chunyue Liu 《中国地理科学(英文版)》2009,19(2):177-185
The main objective of this research is to determine the capacity of land cover classification combining spectral and textural features of Landsat TM imagery with ancillary geographical data in wetlands of the Sanjiang Plain, Heilongjiang Province, China. Semi-variograms and Z-test value were calculated to assess the separability of grey-level co-occurrence texture measures to maximize the difference between land cover types. The degree of spatial autocorrelation showed that window sizes of 3×3 pixels and 11×11 pixels were most appropriate for Landsat TM image texture calculations. The texture analysis showed that co-occurrence entropy, dissimilarity, and variance texture measures, derived from the Landsat TM spectrum bands and vegetation indices provided the most significant statistical differentiation between land cover types. Subsequently, a Classification and Regression Tree (CART) algorithm was applied to three different combinations of predictors: 1) TM imagery alone (TM-only); 2) TM imagery plus image texture (TM+TXT model); and 3) all predictors including TM imagery, image texture and additional ancillary GIS information (TM+TXT+GIS model). Compared with traditional Maximum Likelihood Classification (MLC) supervised classification, three classification trees predictive models reduced the overall error rate significantly. Image texture measures and ancillary geographical variables depressed the speckle noise effectively and reduced classification error rate of marsh obviously. For classification trees model making use of all available predictors, omission error rate was 12.90% and commission error rate was 10.99% for marsh. The developed method is portable, relatively easy to implement and should be applicable in other settings and over larger extents. 相似文献
13.
It is crucial to conduct the land use/cover research to obtain the global change information.Urban area is one of the most sensitive areas in land use/cover change.Therefore land use/cover change in urban areas is very im-portant in global change.It is vital to incorporate the information of urban land use/cover change into the process of decision-making about urban area development.In this paper,a new urban change detection approach,urban dynamic monitoring based on objects,is introduced.This approach includes four steps:1)producing multi-scale objects from multi-temporal remotely sensed images with spectrum,texture and context information;2)extracting possible changed objects adopting object-oriented classification;3)obtaining shared objects as the basic units for urban change detection;4)determining the threshold to segment the changed objects from the possible changed objects using Otsu method.In this paper,the object-based approach was applied to detecting the urban expansion in Haidian District,Beijing,China with two Landsat Thematic Mapper(TM)data in 1997 and 2004.The results indicated that the overall accuracy was about 84.83%,and Kappa about 0.785.Compared with other conventional approaches,the object-based approach was advantageous in reducing the error accumulation of image classification of each datum and in independence to the radiometric correction and image registration accuracy. 相似文献
14.
建成区提取是城市环境监测中重要的一步,Landsat8影像广泛应用于灾害监测、城市环境监测、道路交通等领域。针对Landsat8全色影像空间分辨率高,纹理信息丰富,而多光谱影像光谱信息丰富,空间分辨率低的特点,开展以建成区提取为目标的Landsat8影像融合方法研究,探究大面积建成区提取对影像融合方法选择的影响。本文探究了Brovey变换,NNDiffusion,Gram-Schmidt(GS)法,PCA变换和小波变换(WT)等5种融合方法,利用融合影像结合"三指数法"提取建成区。结果表明:GS融合方法在光谱保持性方面具有较好的效果,各项评价指标均占优,建成区提取精度达到85.66%和83.3%。 相似文献
15.
Most existing classification studies use spectral information and those were adequate for cities or plains.This paper explores classification method suitable for the ALOS(Advanced Land Observing Satellite) in mountainous terrain.Mountainous terrain mapping using ALOS image faces numerous challenges.These include spectral confusion with other land cover features,topographic effects on spectral signatures(such as shadow).At first,topographic radiometric correction was carried out to remove the illumination effects of topography.In addition to spectral features,texture features were used to assist classification in this paper.And texture features extracted based on GLCM(Gray Level Cooccurrence Matrix) were not only used for segmentation,but also used for building rules.The performance of the method was evaluated and compared with Maximum Likelihood Classification(MLC).Results showed that the object-oriented method integrating spectral and texture features has achieved overall accuracy of 85.73% with a kappa coefficient of 0.824,which is 13.48% and 0.145 respectively higher than that got by MLC method.It indicated that texture features can significantly improve overall accuracy,kappa coefficient,and the classification precision of existing spectrum confusion features.Object-oriented method Integrating spectral and texture features is suitable for land use extraction of ALOS image in mountainous terrain. 相似文献
16.
雅鲁藏布江中部流域长期遭受土地沙化侵蚀,采取有效手段进行沙化土地信息快速识别,跟踪土地沙化现状和动态发展,是土地沙化防治的基本前提。遥感数据因其快速、大范围、高精度监测等特点已被广泛应用于土地沙化监测。为降低该区域沙化土地破碎化分布特征以及广泛分布的稀疏植被地表对沙化土地遥感识别带来的不确定性,本文利用Google Earth Engine平台获取2019年秋季雅鲁藏布江中部流域Landsat无云遥感影像,基于面向对象的分类思想,充分提取沙化土地的光谱、几何和地形特征,根据不同的分类器构建4种分类方案,包括单一分类器（支持向量机、决策树、最近邻）分类以及组合分类法分类,提取雅江中游河谷地区沙化土地信息并验证不同方案的提取精度。结果表明：① 利用面向对象组合分类模型提取的沙化土地信息效果最佳,总体精度高达91.38 %,Kappa系数为0.82;② 相较于采用单一分类器（支持向量机、最近邻和决策树分类）的面向对象分类方法,组合分类模型能更有效地识别破碎化的小面积沙化土地,降低沙化土地与稀疏植被地表的混淆情况,提高分类可靠性;③ 基于面向对象组合分类模型反演得到雅鲁藏布江中部流域2019年沙化土地分布信息,土地沙化面积达299.61 km2,总体上呈现沿河谷的带状不连续分布,且集中分布于河流北岸以及靠近河道的阳坡、低海拔地区。本研究可为土地沙化遥感监测提供新思路,其应用可服务于雅鲁藏布江中部流域土地沙化预防和治理工作。 相似文献
17.
基于地学知识的大尺度土地利用/土地覆盖精细化分类方法研究 总被引：4，自引：0，他引：4
人类活动对生态环境具有显著影响,大尺度土地利用/覆盖变化（Land Use/Cover Change,LUCC）作为人类活动最直接的表征,能够很好地反映这一过程,因此进行精确而迅速的大尺度土地利用/覆盖分类与提取方法研究尤为关键。全球覆盖产品GlobCover（2005/2006）数据已经具有良好的空间精度和数据准确度,但仍然存在一些分类误差。为提高地表覆被分类精度,本文以GlobCover（2005/2006）的巴西数据为例,以2005年Landsat TM/ETM影像为主要信息源,结合相应地学知识与辅助数据,利用人机交互逐栅格修改方法得到2005年土地利用数据产品。结果表明：通过对GlobCover数据和本次成果数据进行精度评价与对比分析,GlobCover数据巴西地区的总体精度为67.17%,Kappa系数为0.58,改进后产品总体精度为93.39%,Kappa系数为0.91。此外,改进后数据显示巴西常绿阔叶林面积最大,面积比例达45.67%;农地/自然植被镶嵌面积次之,比例为19.19%;封闭灌丛面积最小,比例为12.34%。农地/自然植被镶嵌和灌丛与草地2种地类的修改比例最大,其中混合像元地类比例减少3.54%,灌丛与草地比例增加3.81%。综上,改进方法可以有效地提高土地利用/覆盖分类的效率和精度,为后续大尺度LUCC产品的制作和以LUCC产品为基础的相关研究提供参考。 相似文献