共查询到18条相似文献，搜索用时 140 毫秒
1.
遥感数据因其全覆盖的优势被广泛应用于山地植被信息的调查和研究。为了实现山区植被类型的高精度提取,本文以太白山区为实验区,结合山地植被的垂直地带性分布规律,利用太白山植被垂直带谱、高分辨率遥感影像（GF1/GF2/ZY3）和1:1万的数字表面模型（Digital Surface Model, DSM）数据,进行了多层次、多尺度的影像分割,构建了具有植被垂直带谱信息的地形约束因子,并据此进行样本选择和面向对象的分类,分类总精度达92.9%,kappa系数达到0.9160。该方法相比于未辅以垂直带谱信息的分类,总精度提高了10%。研究结果表明,分类过程中加入具有垂直带谱信息的地形约束因子,能显著地提高样本选择的效率和准确率,为后续的植被分类提供了精度的保证。通过人机交互的方式,将垂直带谱知识应用到分类中,可以有效地提高山地植被分类的精度。 相似文献
2.
集成夜间灯光数据与Landsat TM影像的不透水面自动提取方法研究 总被引：1，自引：0，他引：1
利用多源遥感数据提取不透水面信息是一个重要的研究方向。针对以往研究中多需要人工选取不透水面样本进行模型训练的问题,本文通过整合夜间灯光遥感与Landsat TM影像中的空间和光谱信息实现了不透水面覆盖范围（Impervious Surface Area,ISA）的自动提取。首先根据夜间灯光的分布来定位ISA聚集的城市区域的位置,分别在城市区域内部和外部自动提取可靠性高的ISA及非ISA样本,然后通过迭代分类提取城市区域的ISA,再以此为样本对城市区域外部进行分类,最后将分类结果整合完成整幅影像的ISA提取流程。应用本方法对美国雪城地区的DMSP/OLS夜间灯光影像上提取了84个城市区域,提取精度大于95%。从中分别选择高ISA密度和低ISA密度的2个城市区域作为ISA提取的测试区,本文方法在城市区域内的ISA提取总体精度与kappa系数分别为88.23%和0.63;在城市区域外部为78.6%和0.54,均优于人工样本选取方法的提取精度,表明该方法能够实现精度稳定且高效的ISA自动提取。 相似文献
3.
基于TM影像属性和形态特征的土地覆被制图方法 总被引：2，自引：0，他引：2
本文以浙江省中南部地区不同时相30m分辨率的2景TM影像为基本数据,采用面向对象的方法实现了研究区的土地覆被制图。首先,在eCognition软件中采用多尺度分割算法,以光谱信息、纹理特征、几何特征等实现研究区的对象分割,使分割后的对象边界与实际地物边界尽量保持一致,通过建立多层次地物特征规则,进行最优分割尺度下的遥感多层次识别分类;然后,分析可用于分类的属性特征和形态特征,通过对这些特征的统计值对比分析,选取了对象的紧致度、长宽比、MNDWI、LBV等特征构建了决策树模型,实现了研究区1：25万的土地覆被分类;最后,采用目视解译和野外样本2种方式对分类结果进行精度验证,其中,目测随机样点评价得到的总体精度为87.66%,野外样本点评价得到的总体精度为83.38%。研究表明：面向对象的分类方法不仅具有较高的精度,而且图斑与实际地物边界能较好地吻合,很好地避免了混合像元误分的现象,同时能消除像元分类的“椒盐现象”。 相似文献
4.
空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inception_v3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果与矢量图斑原始数据进行叠加分析,自动查找出类别信息不符的分割单元,从而提取出可疑图斑,实现矢量图斑地类解译真实性自动检查,并在徐州市贾汪区青山泉镇和大吴镇的矢量图斑地类解译真实性检查中进行验证。实验结果表明,本文方法在研究区图斑地类解译真实性检查中的精确率和召回率分别高达0.925和0.817,可为矢量图斑地类解译真实性检查提供可靠的技术支撑。 相似文献
5.
由于生长环境、地带性分布规律和垂直差异,山地与平原地区的不同植被类型在遥感影像上存在“同物异谱”及“异物同谱”现象,易导致土地类型的误分。为避免此类错分,在进行土地覆被类型解译之前,应首先确定平原、山地植被的边界。本文在遥感影像聚类分析、GIS空间分析及数理统计分析技术的支持下,以江西省都昌县北部地区为研究区域,基于高分一号（GF-1）遥感卫星影像及地形要素,完成了山地植被与平原植被的界线提取。实验结果显示,本研究得到的植被界线精度高达99.47%和96.28%。与单纯基于遥感影像分类得到的植被边界成果相比,精度提高了近25%和23%。研究证明,高分辨率遥感影像与地形因子结合后,计算得到的山地平原划分界线精度有明显提高,可以满足高分辨率遥感影像土地覆被类型解译研究的需要。 相似文献
6.
面向对象的方法提取湖泊,常常面临边界识别不精确的问题。本研究在面向对象方法的基础上,利用分水岭算法,解决湖泊边界识别问题。该方法初步将遥感影像划分为确定湖泊区域、潜在湖泊区域和背景;然后通过分水岭算法对潜在湖泊区域进行二次提取。研究选择昆仑-喀喇和喜马拉雅山脉区域的3个山地湖泊发育良好的区域作为实验区,利用Landsat系列影像验证该算法。实验结果表明该算法的用户精度、生产者精度和总体精度分别高达99.59%、98.47%和96.53%。相比于单一的面向对象方法,本文方法更适合于山地湖泊提取,能够更加准确地描绘湖泊的实际边界,也能够减弱面向对象方法中分割尺度和分类阈值对提取结果的影响。 相似文献
7.
空间分层是准确度量遥感分类不确定性程度及其空间分布的基础与关键。本文提出了一种基于不确定性分析的遥感分类空间分层及评估方法,首先基于随机森林算法获取像元后验概率,确定分类不确定性度量指标;其次,采用模糊C均值进行空间分层;最后,对分层结果合理性进行定性与定量评估,并与同尺度数据产品精度评价结果及后验概率不确定性分层方法进行对比分析。以北京市顺义区Landsat 8 OLI遥感影像数据为例,研究结果表明：(1)基于最大概率、模糊混淆指数和概率熵指标将顺义区分为不确定性大、中、小3层,相应的遥感数据层分类精度分别为62.28%、74.96%、79.31%;(2)分类不确定性空间分层结果与度量指标大小的空间分布基本一致,错分地类图层与不确定性大层的地类空间分布基本一致;(3)遥感数据和数据产品的各层地类空间特征、层分类精度大小趋势一致,与总体分类精度相比,不确定性大层的层分类精度降低,不确定性小层的层分类精度提高;(4)与后验概率不确定性分层方法相比,本研究不确定性大层的层分类精度降低1.08%,不确定性中层提高3.58%,不确定性小层提高0.16%,q值由0.19提高到0.24,空间分异性... 相似文献
8.
依托中分辨率成像光谱仪完整的数据序列和丰富的光谱信息,遥感特征指数在湿地生态系统发展变化的状态、趋向和规律研究方面发挥着不可替代的优势。传统类间距离判别的遥感特征指数选取中常存在过分依赖数据统计特征、入选指数与目标地类间生态学意义不明确、分类模型普适性差等局限性。基于此,本研究以河北省白洋淀湿地自然保护区为例,提出类可分离性距离判别（Class Separation Discrimination,CSD）与类间距离判别（Class Distance Discrimination,CDD）相结合的方法构建最优遥感特征指数集,并采用QUEST算法和马氏距离判别法构建分类决策树模型用于白洋淀湿地信息的提取研究,尝试克服传统类间距离指数选取中的不足。结果表明：运用CSD和CDD相结合的方法所选取的遥感特征指数在研究区湿地信息提取过程中的总体分类精度达到了91.32%,Kappa系数0.88,较传统的分类与回归树（Classification and Regression Tree,CART）方法,分类精度提高了1.67%;其次选取的最优指数与待提取的湿地类型均具有明确的生态学意义,如挺水植物在立地干湿交替条件下的潴育化过程决定了氧化铁比率IO可成功的将混分的耕地和挺水植物进一步分离;进一步将基于研究区2017年OLI影像构建的CSD和CDD相结合方法与CART方法的模型分别应用于研究区2019年OLI影像进行分类,基于CSD和CDD相结合方法构建的模型分类总体精度和Kappa系数分别为：86.97%、0.83,基于CART方法构建的模型无法满足分类需求,研究结果较好地证明了基于CSD和CDD相结合方法构建的模型在年际之间具有良好的适用性和稳定性。总之,CSD和CDD相结合的方法在不降低湿地信息提取精度的基础上,有效避免了传统遥感特征指数选择方法的局限性,提高了分类模型的普适性,是遥感特征指数选择算法和决策树相结合在湿地信息提取方面的有益尝试。 相似文献
9.
10.
遥感卫星数据是地球表面信息的重要来源，但利用传统的遥感分类方法进行土地覆盖分类局限性大、过程繁琐、解译精度依赖专家经验，而深度学习方法可以自适应地提取地物更多深层次的特征信息，适用于高分辨率遥感影像的土地覆盖分类。文中对高分辨率影像中水体、交通运输、建筑、耕地、草地、林地、裸土等进行高精度分类，结合遥感多地物分类的特点，以DeepLabV3+模型为基础，作出了以下改进：(1)骨干网络的改进，使用ResNeSt代替ResNet作为骨干网络；(2)空洞空间金字塔池化模块的改进，首先在并联的每个分支的前一层增加一个空洞率相对较小的空洞卷积，其次在分支后层加入串联的空洞率逐渐减小的空洞卷积层。使用土地覆盖样本库和自制样本库进行模型训练、测试。结果表明，改进模型在2个数据集的精度和时间效率均明显优于原始DeepLabV3+模型：土地覆盖样本库总体精度达到88.08%，自制样本库总体精度达到85.22%，较原始DeepLabV3+模型分别提升了1.35%和3.4%，时间效率每epoch减少0.39 h。改进模型能够为数据量以每日TB级增加的高分影像提供更加快速精确的土地覆盖分类结果。 相似文献
11.
植物吸收性光合有效辐射分量（FPAR）的遥感反演是生态环境领域的核心研究内容之一,但在复杂地形山区,其估算精度严重受到地形效应的影响（包括本影与落影）。本文利用能够消除地形阴影影响的阴影消除植被指数（SEVI）对山区遥感影像进行FPAR反演,并分别与基于不同影像预处理程度计算的归一化植被指数（NDVI）、比值型植被指数（RVI）反演的FPAR做对比分析,以评估复杂山区反演FPAR存在的地形效应。结果表明：在不做地形校正的情况下,基于NDVI与RVI反演FPAR会使得本影及落影区域的值远小于非阴影区域的值,它们的相对误差均大于70%;基于C校正后的NDVI与RVI反演FPAR可以较好地校正本影区域,相对误差降至约6.974%,但落影处的校正效果不明显,相对误差约为48.133 %;而基于SEVI反演FPAR无需DEM数据的支持,可以达到经FLAASH+C组合校正后NDVI与RVI反演FPAR相似的结果,且能改善落影区域的地形校正效果,相对误差降至约2.730%。 相似文献
12.
特征优选与卷积神经网络在农作物精细分类中的应用研究 总被引：1，自引：0，他引：1
农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络（Convolutional Neural Networks, CNN）相结合的多光谱遥感农作物分类方法,用以解决精细分类问题。实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%。同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别。对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差。实验结果表明：① 利用Relief F算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;② 基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳。 相似文献
13.
利用遥感图像进行岩性分类,是遥感地质应用的重要方面之一.本文运用ASTER DEM提取地形因子,并与原始的光谱图像相结合用于遥感图像的岩性单元分类.文章分析了不同尺度的地形因子对岩性单元分类的作用,并进一步分析和比较各种地形因子对岩性单元分类的作用.结果表明,在岩性单元分类过程中加入不同的地形因子可不同程度地提高岩性单... 相似文献
14.
Digital extraction of altitudinal belt spectra in the West Kunlun Mountains using SPOT-VGT NDVI and SRTM DEM 总被引：1，自引：1，他引：0
In this paper, a digital identification method for the extraction of altitudinal belt spectra of montane natural belts is
presented. Acquiring the sequential spectra of digital altitudinal belts in mountains at an acceptable temporal frequency
and over a large area requires extensive time and work if traditional methods of field investigation are to be used. Such
being the case, often the altitudinal belts of a whole mountain or the belts at a regional scale are represented by single
points. However, single points obviously cannot accurately reflect the spatial variety of altitudinal belts. In this context,
a digital method was developed to extract the spectra of altitudinal belts from remote sensing data and SRTM DEM in the West
Kunlun Mountains. By means of the 1km resolution SPOT-4 vegetation 10-day composite NDVI, the horizontal distribution of altitudinal
belts were extracted through supervised classification, with a total classification accuracy of 72.23%. Then, a way of twice-scan
was used to realize the automatic transition of horizontal maps to vertical belts. The classification results of remote-sensing
data could thus be transformed automatically to sequential spectra of digital altitudinal belts. The upper and lower lines
of the altitudinal belts were then extracted by vertical scanning of the belts. Relationships between the altitudinal belts
based on the montane natural zones concerning vegetation types and the geomorphological altitudinal belts were also discussed.
As a tentative method, the digital extraction method presented here is effective at digitally identifying altitudinal belts,
and could be helpful in rapid information extraction over large-scale areas. 相似文献
15.
面向地形特征的DEM与影像纹理差异分析 总被引：1，自引：0，他引：1
纹理分析方法在宏观地形特征分析方面具有较大的优势与潜力,但当前缺少对DEM与影像数据纹理特征差异的系统分析研究.本文采用灰度共生矩阵为纹理量化模型,选取了8个不同地貌单元的样本数据,对DEM和遥感影像2类数据的纹理进行了特征值对比分析,纹理特征稳定性分析,纹理特征组间差异性分析.实验结果表明,在所测试的二阶角矩,对比度,方差,熵4个纹理指标中,DEM和影像的对比度特征值间具有显著的相关性;通过不同地貌样区纹理特征值对比分析发现,DEM数据在地形起伏较大区域纹理特征更为明显,遥感影像数据则受地表覆盖物影响较大;从地形特征的稳定性角度分析,DEM数据在丘陵和山地分析有优势,影像数据则在平原和台地分析表现更好;从地形特征差异性角度分析,DEM数据要优于影像数据.进一步采用光照模拟和坡度数据以增加DEM纹理信息,研究结果表明,DEM派生的2类数据在地形量化差异性方面改进明显,并大大优于影像数据. 相似文献
16.
卫星影像数据构建山地植被指数与应用分析 总被引：2，自引：0，他引：2
本研究以Landsat影像为数据源,在分析复杂地形山地植被在阳坡和阴坡反射率差异特征的基础上,提出一种归一化差值山地植被指数NDMVI (Normalized Difference Mountain Vegetation Index)。该指数模型无需辅助数据(如DEM)的支持,通过同时降低近红外波段(TM4)和红光波段(TM3)反射率的方法来消除或抑制地形的影响,具有较强的可操作性。研究表明:NDMVI与太阳入射角余弦值(cos i)的相关性相当小,对地形起伏变化表现不敏感,可有效消除或抑制地形的影响;比NDVI值动态变化范围更宽,对地物有更强的遥感识别能力;该模型抑制地形影响的效果比用C校正模型的效果更佳,不会出现过度校正的问题。 相似文献
17.
基于Landsat TM和ENVISAT ASAR数据的鄱阳湖湿地植被生物量的反演 总被引：2，自引：0，他引：2
作为湿地生态系统的重要组成部分,湿地生物量是衡量生态系统健康状况的关键指标。由于光学遥感对植被垂直分布探测的局限,使得植被指数反映生物量变化的灵敏度下降。利用C波段SAR反演生物量时,对于低中等生物量,含水量高的湿地地表的后向散射对总雷达后向散射的影响会在雷达图像上出现类似光学遥感中"异物同谱"的现象。本文用光学遥感中NDVI、RVI和DVI三种植被指数对生物量变化的敏感性,利用改进的MIM-ICS模型,对湿地植被各散射分量进行模拟分析,建立符合湿地植被类型的各散射分量模拟数据库,以LandsatTM和Envisat ASAR交替极化数据为基础,选择植被指数DVI=0.45为阈值,将湿地植被分割为低叶片密度植被区和高叶片密度植被区,分别应用统计回归模型和半经验微波散射模型,对两个区域植被生物量进行反演。最后,得到整个鄱阳湖湿地生物量为2.1×109kg。研究表明,对于生物量动态范围较大的地区,采用光学和雷达遥感相结合可以有效地提高湿地植被生物量反演的精度,克服光学遥感探测植被垂直分布能力有限和雷达遥感受背景影响大的不足。 相似文献
18.
基于云模型和FCM聚类的遥感图像分割方法 总被引：7，自引：0，他引：7
模糊C均值算法由于具有良好的聚类性能而被广泛应用于图像分割领域,但聚类中心的初始化问题一直影响着该算法的运行效率。好的初始聚类中心,可以使算法很快收敛于最优解,而不合适的初始聚类中心,不仅需要更多的迭代次数,而且还可能使算法最终收敛于局部最优解。文章结合云模型和FCM(模糊C均值)聚类算法,提出了一种遥感图像分割的新方法。利用云变换解决模糊C均值聚类算法的初始化中心选择问题,可以根据样本特性自动确定聚类中心值及个数,并以较少的迭代次数收敛到全局最优解,提高了模糊C均值遥感图像分割方法的效率,具有较好的稳定性和鲁棒性。文章选取三幅TM遥感图像作为样本,分别利用云模型的FCM方法和传统的FCM方法对样本进行分割实验,实验表明采用云模型的FCM方法不仅能够取得较好的分割效果,而且大大减少了使算法收敛的迭代次数,提高了分割的效率。 相似文献