共查询到20条相似文献，搜索用时 30 毫秒
1.
以宁夏盐池县为例,以Landsat 8影像、高分二号影像、激光雷达(light detection and ranging,LiDAR)数据插值生成的高精度数字高程模型(digital elevation model,DEM)数据、地理国情普查数据等为数据源,探讨了多源数据确定内陆盐沼湿地自然边界的方法.首先,利用一年多期的Landsat 8影像数据确定湿地边界提取的最佳时相,对高分二号影像等数据进行多尺度叠置分割,得到分割对象;然后,进行特征提取,并利用优化后的分离阈值(improved separa?bility and thresholds,ISEaTh)算法进行特征选择;最后,运用最邻近分类器获得湿地的自然边界,并分析了不同高空间分辨率的DEM数据对内陆盐沼边界定位的影响.结果表明,高空间分辨率DEM数据参与提取内陆盐沼湿地边界,可以有效减少内陆盐沼边界处湿地与非湿地的错分现象,提高其边界定位精度,且DEM数据的空间分辨率越高,提升效果就越显著. 相似文献
2.
本文以宁夏盐池Landsat 8影像、高分二号影像、LiDAR数据插值生成的DEM数据、地理国情普查数据等为数据源,首先利用一年多期的Landsat 8影像确定提取内陆盐沼湿地的最佳时相;然后对最佳时相的高分二号（GF-2）融合影像等数据进行多尺度叠置分割,获取NDVI、DEM、穗帽变换等特征,采用最邻近分类器提取内陆盐沼湿地信息,构建内陆盐沼湿地样本库;最后在此基础上探讨卷积神经网络用于高分卫星影像提取内陆盐沼湿地方法。试验结果表明,设计的卷积神经方法适用于内陆盐沼湿地提取,与最近邻分类法提取的结果相比,内陆盐沼湿地边界的提取效果有明显提高。 相似文献
3.
水体提取具有时点效应的特点,针对陆地水体季节性变化明显的客观现状,提出一种水体成果地理空间修正方法。利用高时间分辨率遥感影像开展水体信息提取,保证水体现势性满足标准时点要求;然后,将此结果作为先验知识,基于精细格网数字高程模型(digital elevation model,DEM)数据,利用水体种子点区域生长,提取精细化的水体结果,即将成果优化至高空间分辨率水平,保证水体成果满足精度要求,从而实现水体成果的地理空间修正。以第一次全国地理国情普查地表覆盖水体成果为研究实例,获取了研究区满足标准时点要求的15 m空间分辨率的Landsat8影像,基于归一化差异水体指数(normalized difference water index,NDWI)提取水体分布状况,采用2 m格网DEM数据实现了精度优化。结果显示,研究区水体成果地理空间范围相对于影像源时相修正了17. 97%,空间分辨率转换带来的水体成果地理空间范围优化率为1. 51%。研究表明该方法能够在影像接边各方时相不满足标准时点要求的情况下,为基于遥感技术的水体信息提取提供一种顾及时点特征的成果地理空间修正方法,具有一定的实际应用价值。 相似文献
4.
5.
针对数字高程模型数据源不同会带来一定的不确定性和差异性的问题,选取德国某露天矿为实验区,以高精度DEM数据TanDEM-X为参照,对比了SRTM、AW3D30、ASTER GDEM与TanDEM-X数据的高程精度,分析了DEM数据的差异。结果表明:(1)露天矿区的开采和复垦活动明显地体现在了不同时期获取的DEM高程变化中;(2)在非采矿区,不同DEM数据之间具有较好的一致性,TanDEM-X数据与其他数据的高差均方根误差分别为2.64 m、5.88 m、2.99 m;(3)DEM空间分辨率越高提取得到坡度最值越大,地形描述准确性越高。研究结果为露天矿区DEM应用提供参考。 相似文献
6.
雅丹形态特征能反映雅丹地貌的发育过程和演化阶段,对研究雅丹地貌至关重要,但目前关于雅丹地貌边界提取的高精度、低成本方法很少。本文首先采用Canny边界算法,将高空间分辨率Google Earth影像(1.19 m)重采样为一系列不同空间分辨率(3、5、8、10、12、15 m)的影像;然后针对不同空间分辨率的影像提取不同大小的雅丹地貌边界;最后将不同结果合并,取得了良好的效果。结果表明：(1)尽管无法识别阴影,但Canny边界提取方法的总体精度为89.23%,Kappa系数为0.72,这一结果与面向对象方法的中等分割尺度(138)取得的精度结果相近;(2)使用Canny边界提取算法提取雅丹地貌边界中位数宽度,与影像空间分辨率呈很好的线性关系(R2=0.95),随着空间分辨率的降低,Canny边界算法提取的雅丹地貌边界总长度呈明显的对数递减(R2=0.904)。 相似文献
7.
8.
SRTM(1″)DEM在流域水文分析中的适用性研究 总被引：1，自引：0，他引：1
《国土资源遥感》2017,(2)
高精度的数字高程模型(digital elevation model,DEM)数据是流域水文分析应用的基础。美国地质调查局新发布了全球高分辨率数字高程数据产品,其空间分辨率为1″(约为30 m)。为评价该数据在流域水文分析中的适用性,以鹤壁汤河流域为实验区,以机载LiDAR DEM数据为参考,统计了SRTM(1″)数据的高程误差,分析了坡度、坡向、地表覆盖等对误差的影响;在基于地形的水文分析中,统计分析了SRTM(1″)数据误差对地形湿度指数、坡度坡长因子以及汇流动力指数等地形指数计算的影响;最后选取流域汇水区面积、最长水流路径长度、形状系数、弯曲度系数等流域特征参数对两种DEM数据提取结果进行了对比。研究表明SRTM(1″)DEM数据具有较高的精度,原始数据均方根误差为5.98 m,在消除平面位移误差后减小为4.32 m。基于地形的水文分析表明SRTM DEM与LiDAR DEM计算结果具有一定的差异,地形湿度指数平均值略高,坡度坡长因子和汇流动力指数平均值偏低,离散度偏小,这与SRTM DEM在微地貌以及高坡度地形区存在失真相关。两种DEM数据提取流域特征参数差异较小。上述研究表明SRTM DEM(1″)数据在流域水文分析中具有较大的应用潜力。 相似文献
9.
主要利用国产高分三号(GF-3)卫星数据通过合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术提取试验区域数字高程模型(digital elevation model,DEM).首先介绍了GF-3卫星及其主要成像模式;然后介绍了InSAR数据处理过程及其关键技术,包括基线估计、影像配准、相位解缠等,并介绍其典型算法;最后利用GF-3试验数据提取DEM并对其进行精度评价.试验验证了目前国产SAR(synthetic aperture radar)卫星在干涉成像、干涉测量方面的能力. 相似文献
10.
选择高分遥感影像的时相是利用高分遥感影像精确定位湖泊河流湿地自然边界的关键问题之一。在没有或缺少水文观测数据的情况下,依据河流湖泊湿地的定义,本文提出了一种用于河流湖泊湿地边界定位的高分遥感影像时相快速选择方法,试验结果表明该方法合理、准确、有效。 相似文献
11.
及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像,难以满足耕地破碎,农作物种植模式复杂的区域精度需求。基于此,本研究通过协同国产高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）卫星影像,探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础,通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet（Cropland Extraction UNet）模型,以充分挖掘耕地的时相特征和空间几何特征。同时,将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割（UNet_m）、基于UNet和单时相高分辨率影像的语义分割（UNet_s）、基于对象的随机森林分类（OBIA）、基于像元的随机森林分类（RF）提取的耕地结果展开对比,分析所提出的方法在不同区域的适宜性。结果表明,基于CEUNet模型提取的米级耕地总体精度达到92.92%,且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相较于基于对象和基于像元的随机森林分类分别提升了0.21和0.21,相较于UNet_m和UNet_s分别提升了0.04和0.11,其中针对地块破碎,景观异质性高等区域,CEUNet相较于UNet_m和UNet_s提升了0.09和0.26。本研究提出的CEUNet模型能够充分发挥多源国产高分卫星数据的空间和时间优势,两者结合能够快速、高效地提取不同农业景观及不同种植模式的耕地空间分布信息。 相似文献
12.
以宁夏天湖为例,提出了一种基于面向对象最近邻监督分类法的灌丛沼泽湿地边界提取方法。首先,结合中国湿地调查数据,对试验区一年多期Landsat 8 TM遥感影像进行目视解译分析,确定灌丛沼泽边界特征最明显的时相;其次,将对应时相的高分二号影像融合进行多尺度分割和特征选择,利用最近邻监督分类法进行灌丛沼泽湿地提取,实现边界定位。试验表明,通过该方法提取的灌丛沼泽湿地边界与湿地调查和人工解译得到的边界相比,中误差和平均距离可以满足实际生产的需要,利用面向对象监督分类法提取灌丛沼泽湿地边界的方法可行。 相似文献
13.
14.
针对空间分辨率比率较大尺度差异下的高分五号(GF-5)与高分一号(GF-1)卫星影像的空—谱融合问题,提出多传感器影像融合策略:一方面,通过现有空—谱融合方法的分步融合得到融合影像;另一方面,在分步融合理论基础上,推导得出一体化融合基础框架,并进一步提出基于多分辨率分析的多传感器一体化融合方法,缓解现有方法因空间分辨率比率过大导致影像空、谱互补信息难以有效集成的问题。其中,提出的一体化融合方法基于调制传递函数MTF (Modulation Transfer Function)滤波对多传感器影像空间(高频)和光谱(低频)分量进行分解提取,并充分考虑多传感器高空间分辨率影像与高光谱分辨率影像之间的关系,以及高光谱分辨率影像波段间关系,设计合理的融合权重,最终可得到具有最高空间分辨率和最高光谱分辨率的融合影像。通过GF-1全色影像、GF-1多光谱影像、GF-5高光谱影像数据对提出方法进行实验验证,结果表明:本文方法可有效集成多传感器影像间的空、谱互补信息,得到较优融合结果。 相似文献
15.
快速准确地获取鄱阳湖区域湿地信息,对湿地进行动态监测具有重要价值。本文以国产高分一号(GF-1)影像和辅助地学数据作为数据源,将GF-1影像获取的归一化植被指数(Normalized Differential Vegetation Index,NDVI)、基于蓝光波段的归一化差异水体指数(Normalized Difference Water Index based on Bule light,NDWI-B)以及数字高程模型(Digital Elevation Model,DEM)作为分类变量,采用卡方自动交互检测(CHi-squared Automatic Interaction Detection,CHAID)决策树算法构建分类规则,并进行研究区范围内的湿地信息提取。最后,采用混淆矩阵对分类结果进行精度验证,并与最大似然法监督分类结果进行比较。结果表明,分类结果的总体精度和Kappa系数分别为85.6%和0.82,较最大似然法监督分类结果分别提高了9.6%和0.12,是鄱阳湖区域湿地信息提取的有效方法。 相似文献
16.
小波派生多尺度DEM的精度分析 总被引：1，自引：0，他引：1
利用陕北5 m分辨率DEM数据为基本数据,对Haar小波派生出一系列更低分辨率DEM进行复合精度分析。通过等高线套合、数据中误差以及表面重合指数等方法,分析其高程采样误差与空间分布;通过分析对比其在所提取的地面坡度、沟谷网络等地形因子上的差异,分析其地形描述误差。研究结果显示:小波派生多尺度DEM在精度的颓减上呈现指数形的变异规律,当达到三级重构DEM(40 m分辨率)时,其精度仍优于1:5万(25 m分辨率)DEM。该结果对于实现地形的有效简化与掌握多尺度DEM不确定性规律具有一定的意义。 相似文献
17.
本文提出了一种利用GlobeLand30数据辅助多源数据融合进行城市不透水面自动提取的方法。首先基于波段映射和小波变换的影像融合方法,融合哨兵二号和高分二号影像,获得同时具有较高空间分辨率和光谱分辨率的融合影像,其具有丰富的光谱特征和空间特征,有利于提升复杂城市区域的不透水面和非不透水面区分能力。然后利用GlobeLand30数据的类别信息自动获取初始分类样本,基于融合影像的丰富光谱信息构建多种植被指数、水体指数和建成区指数,对初始分类样本进行优化。最后利用优化后的训练样本,使用光谱、地物指数等特征训练分类器,实现城市不透水面的自动准确提取。本文以济南市2019年的高分二号和哨兵二号影像为试验数据,在时相、分辨率与影像均不同的GlobeLand30全球地表覆盖数据辅助下获得了总体精度优于92%的不透水面提取结果,验证了本文方法的有效性。 相似文献
18.
针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。 相似文献
19.
《测绘科学》2021,(6)
针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。 相似文献
20.
针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。 相似文献