共查询到20条相似文献,搜索用时 661 毫秒
1.
沿海地区地表覆盖信息是全国地理国情普查的重要内容,遥感影像分类技术为沿海地区地表覆盖信息提供了一种重要方法。本文基于GF-1高分辨率遥感影像,建立了沿海地区地表覆盖分类系统,采用中国测绘科学研究院自主研发的面向对象GLC决策树分类方法和软件进行了地表覆盖分类。通过对某试验区进行分类试验,并结合该区地表覆盖标准分类图进行精度评价,验证了基于高分辨率影像,面向对象GLC决策树分类方法在沿海地区地表覆盖信息提取上的有效性及优越性,其总体分类精度和Kappa系数分别为87.201 8%、0.840 6,均高于SVM分类法。最后提出基于高分辨率遥感影像的沿海地区地表覆盖信息提取流程。 相似文献
2.
基于资源三号卫星影像的面向对象地表覆盖要素分类方法研究 总被引:1,自引:0,他引:1
以2013年资源三号高分辨率遥感影像为数据源,选取伊朗胡齐斯坦市作为试验区,采用面向对象的信息提取技术对其进行地表覆盖要素分类试验。试验结果表明,采用特征选择和最邻近分类法结合的信息提取思想,可以较好地完成不同地表要素的信息提取。信息提取总体精度为94.19%,Kappa系数为0.925 5。由此可知,基于面向对象分析方法的地表覆盖要素提取技术对国产高分率遥感影像具有一定的适用性。同时,该试验为全球地表覆盖要素的遥感信息提取提供理论和技术支持。 相似文献
3.
4.
全球地表覆盖高分辨率遥感制图 总被引:1,自引:0,他引:1
全球地表覆盖分布及变化是气候变化研究、生态环境评估、地理国情监测、宏观调控分析等不可或缺的重要基础信息。国际上现有全球五套地表覆盖数据产品的空间分辨率为1km或300m,数据精度、分类体系、时空分辨率等均存在不足。为了满足全球变化研究与地球模式模拟的需求,应该研制具有较高时空分辨率、更符合全球变化需要、精度较好的全球地表覆盖数据产品。本文简要介绍了全球地表覆盖遥感制图的情况和数据产品的不足,讨论了对新一代地表覆盖数据产品的需求,介绍了我国研制全球30m地表覆盖数据产品的863重点项目。 相似文献
5.
6.
为探究地表覆盖与气候状态间的关联性,本文选取2019年的Landsat影像数据,结合温度、降水量、PM2.5浓度3种气候指标,利用GEE平台,结合NDVI、MNDWI、NDBI,采用SVM、RF、CART方法进行地表覆盖分类,探究气候指标与地表覆盖类型分布的关联性;提出了使用3种气候指标构建分类特征进行地表覆盖分类的方法,并通过消融试验分析了气候指标对地表覆盖分类精度的影响。结果表明:①RF有较好的分类结果,总体精度为96.0%;②3种气候指标均能提高地表覆盖分类精度,其中PM2.5浓度效果最好;③温度与植被、水体关联性较大,PM2.5浓度与城区、植被关联性较大,降水量与耕地关联性较大。 相似文献
7.
基于知识的GlobeLand30耕地数据质量检查方法与工程实践 总被引:3,自引:0,他引:3
全球地表覆盖数据产品GlobeLand30研制的一项重要任务是设计和研发数据质量检查方法,降低地表覆盖10大类型分类提取的错判率与漏判率.本文以耕地为例,分析了影响全球耕地信息提取的主要质量因素,凝练了耕地的地域分布、人文相关知识、时空稳定性、物候特征等方面的知识,构建了基于知识的数据质量检查规则,设计了由整体到局部、分区域检查与修改交互式处理的策略,形成了一种基于知识的全球耕地数据质量检查方法;并利用该方法开展了GlobeLand30耕地数据质量检查,将耕地数据精度提高到了83.06%.该方法对地理国情及其他地表覆盖研究具有借鉴意义. 相似文献
8.
9.
30m全球地表覆盖遥感制图生产体系与实践 总被引:1,自引:0,他引:1
在以"多源影像最优化处理、参考资料服务化整合、覆盖类型精细化提取、产品质量多元检核"为主线的总体研究基础上,依托生产技术规范体系、全过程质量控制手段和支持环境,通过30m地表覆盖产品和技术设计、多源影像资料收集整合处理、分区按类型地表覆盖数据提取组织实施及数据产品集成与优化,构建了工程化的30m全球地表覆盖遥感制图生产体系,实现了预期的产品指标,完成了2000和2010两个基准年的30m地表覆盖数据产品研制。通过精度评价,该套数据产品分类精度达到80%以上。该生产体系的构建为开展较高分辨率全球地表覆盖数据产品研制、细化、更新奠定了基础,为开展大规模遥感影像信息提取、表达和应用起到了示范作用。 相似文献
10.
深度学习的快速发展,为高分辨率卫星遥感影像解译提供了更好的技术手段和应用前景。围绕高分卫星遥感影像地表覆盖信息提取,利用高分辨率卫星遥感影像制作5种常见的地表覆盖类型的像素级样本数据集,并提出一种基于注意力增强与多尺度特征融合的语义分割方法,实现地表覆盖自动提取。通过影像波段选择、预训练模型迁移学习、损失函数改进等方法,提升语义分割模型识别精度,最优的提取结果中,5种地表覆盖类型的F1均值、IoU均值和总体精度分别达到了78.6%、66.8%、85.0%,除道路之外,耕草、林地、建筑、水体的F1均超过80%,且分类图斑边界能够与影像中的地物边界很好套合。实验表明建立的卫星影像地表覆盖分类样本数据集和分类方法,能够应用于高分辨率卫星影像地表覆盖信息提取。 相似文献
11.
12.
地形校正可以减小地形起伏对地物光谱的影响,提高计算机分类在山区的精度。设计了针对全球土地覆盖分类的Landsat TM/ETM+数据地形校正方法 SCOS(Smoothed COS余弦),首先对地形的坡度角进行抹平处理,很大程度上削弱了地表非朗伯性对地形校正的影响,然后利用简单有效的余弦校正去除地形效应。该方法与其他常用地形校正算法的对比分析是通过对全球不同区域、不同地表覆盖的有代表性的6景Landsat TM/ETM+数据的试验,采用统计分析与目视判读的方式,从过度校正和类内均一性两个方面进行的。结果表明,该方法在目视效果和统计结果上优于常规方法,并且更加简单有效,无需复杂的大气参数及传感器参数,满足全球地表覆盖分类对地形校正的需求。 相似文献
13.
针对土地利用类型多样、特征易混淆和高分辨率遥感影像信息海量、人工提取费时费力等问题,该文以北京二号卫星影像为数据源,采用高精度地表覆盖数据优化分割的面向对象分析方法、无地表覆盖数据辅助分类的面向对象分析方法,运用朴素贝叶斯、CART决策树、随机森林和K最邻近分类器,开展武功县土地利用分类,并对分类结果进行精度评估.结果 表明:①与无地表覆盖数据辅助分类方法相比,高精度地表覆盖数据优化分割的面向对象分类方法,在精度方面有较大的提升,其分类总体精度提高18.73%,Kappa系数提高0.21;②随机森林对于土地类型多样的影像对象具有较好的识别能力,获得较高的总体精度(95.3%)和Kappa系数(0.94).研究表明一种利用高精度地表覆盖数据优化影像分割的土地利用分类方法具有更好的可行性和鲁棒性. 相似文献
14.
针对传统基于遥感影像的地表覆盖分类方法普遍存在的生产周期长、成本高、自动化程度低等问题,提出了一种完全利用兴趣点(point of interest,POI)数据进行地表覆盖自动化分类的方法。首先应用潜在狄利克雷分布主题计算模型,从POI数据的文本信息中挖掘出与地表覆盖类型相关的主题类型和分布概率;然后基于POI文本的主题分布,运用支持向量机分类算法构建地表覆盖分类模型;最后以遥感影像地表覆盖分类结果为依据,采用随机抽样的方式对所提方法进行验证。结果表明,该方法能够较好地区分人造地表和非人造地表,且整体分类精度超过80%,可作为传统遥感影像分类的辅助手段,满足地表覆盖快速分类的制图需求。 相似文献
15.
16.
针对地理国情监测项目地表覆盖分类成果的分类精度检查特殊性,提出了一套基于高分辨率遥感影像变化检测技术辅助成果质量检查的技术路线,并结合工程实践开展了成果检查试验,试验结果表明:该技术路线能有效检查出成果中存在的漏更新、误更新等典型问题,有效提高检查的效率与准确性,可为地理国情监测项目中地表覆盖分类成果质量控制提供技术参考。 相似文献
17.
18.
19.
煤田火区特征的土地覆盖分类方法
——以乌达煤田火区为例 总被引:1,自引:0,他引:1
土地覆盖变化是土地分析与评价和生态环境变化预测的重要科学基础, 通过精确的土地覆盖分类方法
获取高精度的土地覆盖图是研究煤田火区生态环境变化的必要手段。本文以最大似然法、光谱角度法、面向对象
分类法和基于复合分区的分层分类法进行乌达煤田火区土地覆盖分类的方法研究。研究结果表明, 基于复合分区的
分层分类方法分类精度较高, 总体分类精度为92.97%, kappa 系数为0.9155。该方法通过基于地表热辐射特征、热
异常状况、地貌类型, 以及对生态系统扰动状况等的划分, 减少了地物信息的混淆度, 即通过提 相似文献
20.
在国土资源监测、森林资源调查等多个领域中,基于遥感影像的分类技术受到了广泛应用。在利用传统分类器对地表覆盖分类提取中,地形效应是制约分类精度提升的一种因素,其影响可通过适当的校正模型减弱,且已证明地形校正能够对分类精度的提升起到积极作用。相比于传统分类器,基于深度学习理论的深度神经网络分类器具有深层特征学习和表达的优势,在图像分类领域兴起并逐渐用于土地覆盖分类且取得了不错的精度提升。本文初步探究了地形校正在利用深度神经网络分类器U-Net进行地表覆盖分类时对分类精度的影响情况。以Landsat 8 OLI 30 m影像为数据源,结合GDEM_V2 30 m地形数据,在GlobeLand 30和全国30 m森林分类结果的基础上,利用U-Net深度神经网络分类器实现了山区地表覆盖分类提取,并就不同训练样本获取方式及不同精细程度分类体系下地形校正前后的分类精度做了对比分析。分类结果表明:(1)规则网格裁切和坡向辅助裁切这两种训练样本获取方式下,地形校正后的分类精度较校正前不变或有极小幅度的降低,降低范围在0.9%—1.39%;(2)在对更精细的森林类型分类中,地形校正后的分类精度较校正前下降了1.66%。本文初步探究得到:在规则网格裁切和坡向辅助裁切这两种训练样本获取方式及不同精细程度的分类体系下,地形校正均未能提高U-Net深度神经网络分类器的分类精度。 相似文献