基于MODIS遥感数据的混合像元分解技术研究和应用

使用郑州市MODIS(Moderate-Resolution Imaging Spectroradiometer)遥感数据,运用线性混合模型,对MODIS遥感数据进行混合像元分解技术研究。探讨了MODIS遥感数据的预处理、线性光谱分解模型、图像端元组分反射率的求取方法。把结果与分辨率较高的Landsat ETM+图像分类结果进行对比,并根据得到的均方根误差(RMS;Root Mean Square)进行分析表明,利用这种像元分解方法得到的结果较为理想,MODIS数据可以有效地应用于遥感动态监测和土地覆盖分类研究。

基于线性光谱模型和支撑向量机的软硬分类方法

针对硬分类方法中无法解决的混合像元问题及软分类方法中全图共用一套端元进行混合像元分解所带来的弊端,提出了一种新的软硬分类方法。该方法通过分析目标地物在图像中的分布情况,自动计算判别阈值,将图像分为目标地物纯净区域、目标地物混合区域和非目标地物区域。对于目标地物纯净区域和非目标地物区域采用硬分类方法(支撑向量机)快速提取分类信息;对于目标地物混合区域采用软分类方法(端元可变的线性混合像元分解)提取目标地物丰度信息,最后得到目标地物软硬分类结果。通过对北京地区ALOS图像的应用试验,并将新方法与支撑向量机、线性光谱混合模型进行比较,新方法的RMSE值为0.203,总量精度达到95.48%,高于支撑向量机和线性光谱混合模型。实验结果表明,新方法能够有效解决混合像元问题,提高图像分类精度。

基于粒子群优化的非平滑非负矩阵分解算法

传统的非平滑约束的非负矩阵分解算法(nsNMF)在处理高光谱数据时,存在对初始值敏感、容易陷入局部最优值等缺陷。为此,提出一种基于粒子群优化(PSO)的nsNMF算法。采用传统nsNMF算法迭代的结果作为初始值,以避免PSO的盲目搜索。通过PSO搜索端元光谱矩阵,利用nsNMF算法更新端元光谱矩阵和丰度矩阵,以缩小搜索空间,降低计算复杂度,避免陷入局部最优。在合成数据集和真实数据集上的实验结果表明,与传统nsNMF算法相比,该算法能获得更好的全局最优解,端元光谱和丰度值更接近真实值。

基于线性光谱混合模型的混合像元分解研究——以合肥市为例

利用Landsat ETM+数据,在水体掩膜的基础上,采用线性光谱混合模型(Liner Spectral Mixture Model,LSMM)进行混合像元分解,得到合肥市高反射率地物、低反射率地物、植被和土壤四种端元的丰度图像以及RMS误差分量图像.应用线性光谱混合模型研究城市地表组分组成,端元(End-member)选取是模型成败的关键.通过分别采用手动选取端元和利用纯像元指数(PPI)法选取端元两种方法,从定性角度对比两种方法得到的结果,结果表明在本研究区内手动选取的端元比PPI选取的端元模型拟合精度更高,能够得到更高精度的分量图像.

基于环境星的混合像元分解水稻面积提取

以河南省息县水稻种植面积提取为例,选取线性光谱混合模型对环境小卫星数据进行分类,并计算出水稻种植面积,将其结果与高分辨率ALOS数据进行位置精度计算,得到平均精度达87.89%。同时,与决策树分类方法和神经元网络分类等方法进行对比,混合像元分解方法总量精度显著提高。表明针对环境小卫星的混合像元分解方法可以提高水稻种植面积的提取精度。

基于几何估计的光谱解混方法

光谱解混是高光谱数据分析的重要技术之一.全约束(即非负性约束和归一化约束)最小二乘线性光谱混合模型(FCLS-LSMM)具有模型简单和物理意义明确等优点而得以广泛使用.然而,FCLS-LSMM的传统优化求解方法的迭代过程非常复杂.近年提出的几何方法为降低LSMM的求解复杂度提供了新思路,但是所获得的结果并非真正意义上的全约束最小二乘解.为此,建立了一种完全符合FCLS要求的LSMM几何求解方法,具有复杂度低和可以获得理论最优解等优点.实验表明了所提出方法的有效性.

基于HJ-1数据和V-I-S模型的城市不透水层变化分析

选择2008年和2010年徐州市城区的HJ-1A/1B多光谱遥感图像,利用线性光谱混合模型(LSMM)、多层感知器(MLP)神经网络和自组织映射(SOM)神经网络3种混合像元分解方法,基于V-I-S(植被-不透水层-土壤)模型提取城市不透水层。对3种方法的精度分析对比表明,MLP方法优于其他两种方法,能够比较清晰地反映出徐州市城市化的发展。对两个时相多光谱影像提取的不透水层信息的分析表明,徐州市近两年的发展中心已逐渐向城市边缘地带扩展,其主要原因在于经济的迅速增长和城市化进程的加速发展。

一种高光谱遥感影像端元自动提取方法

针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解。利用北京昌平地区的OMIS高光谱遥感数据进行了验证,结果表明算法可行有效,自动化程度较高,作为训练样本进行分类能够获得较高精度,优于常规方法。

基于线性光谱混合模型(LSMM)的民勤绿洲荒漠化治理效果评价

民勤绿洲是干旱荒漠化的典型区域,生态系统脆弱,对该区域的荒漠化治理效果进行评价可以为其生态修复政策的制定和管理提供参考。采用线性光谱混合模型(LSMM),将Landsat影像中的土地覆盖信息进行有效分解,通过分解后光谱在直方图上的特征值,确定合适的阈值,对荒漠化土地进行分类,分析荒漠化土地类型的时空变化特征,对民勤绿洲1992-2017年荒漠化治理效果进行评价。结果表明:(1)1992-2005年民勤绿洲荒漠化加剧面积大于改善面积,两者相差175.47 km^2,荒漠化加剧,治理效果不明显。(2)2005-2017年荒漠化改善面积大于加剧面积,两者相差174.18 km^2,荒漠化改善,治理效果显著。(3)1992-2017年民勤绿洲荒漠化总体趋于改善,局部地区加剧。其中,坝区和泉山区的荒漠化改善面积大于加剧面积,两者分别相差47.63 km^2和52.79 km^2,荒漠化改善,治理效果显著;而湖区荒漠化加剧面积大于改善面积,两者相差36.83 km^2,荒漠化加剧,治理效果不明显。

基于谐波分析和线性光谱模型的耕地信息提取

耕地是重要的农业资源,如何利用遥感技术快速准确地提取耕地信息是目前研究的热点。利用2000年MODIS/EVI时间序列数据提取关中地区耕地资源信息。以不同地类的EVI时间序列数据年内变化差异为分类依据,采用时间序列谐波分析法对全年时间谱EVI数据进行重构分析,减少噪音对信息提取的影响。经最小噪声分离变换(MNF变换)、纯净像元指数(PPI)计算以及N维可视化工具进行人机交互选取植被、耕地、城镇和水体4种端元,基于线性光谱混合模型,获取该地区耕地资源分布信息。通过与同年1∶10万土地利用数据对比验证,本研究提取的耕地总体精度为83%。研究表明:基于时间序列谐波分析法对EVI数据进行重构,利用不同地类的特征差异,采用混合像元分解的方法,可以精确获取耕地资源定量信息。该方法可为长期、大范围、动态的耕地分布和变化遥感监测提供技术参考,同时为国土资源管理部门提供决策支持。