基于傅立叶变换的多时次NDVI地表覆被分类方法

从不同植被NDVI随季节的变化出发,通过对不同地表覆被类型多时次NDVI曲线的波形的分析,提出一种地表覆被的分类方法。通过利用曲线方差、经过傅利叶变换后谐波特征K以及最大振幅比重R这3个参数的组合,来进行地表覆被类型的分类。通过计算分类的混淆矩阵以及与部分地区实际地表情况的对比分析,说明该分类方法,能根据不同种类地物不同季节内绿度值的变化特征,对地表进行分类。

基于Sentinel-1A极化SAR数据与面向对象方法的山区地表覆被分类

地表覆被分类对国土资源调查评估及全球变化具有基础性和关键性意义,但山区由于地形和云雾等的影响,可利用光学遥感影像和其他资源十分稀缺。因此,论文以渝东南山区为研究区,基于Sentinel-1A极化合成孔径雷达(SAR)数据,通过系列预处理,得到后向散射系数值,同时对各类地物的VV/VH极化后向散射系数、纹理、高程和坡度等特征值统计分析,综合这些特征值运用面向对象分类方法对单时相与多时相SAR数据进行地表覆被分类,最后将这两种分类方法与Landsat 8 OLI数据分类作对比。研究表明:1)在同时运用面向对象分类方法的前提下,单时相SAR数据分类和Landsat 8 OLI数据分类精度相当,多时相SAR数据面向对象分类精度最高,总精度为85.65%,Kappa系数为0.829 9;2)与光学数据相比,SAR数据对阔叶林、人工建筑提取有优势,精度提高了10%以上,多时相特征有利于耕地和针阔混交林提取,分类精度比单时相提高了9%左右;3)研究区土地覆被类型以林地为主,占总面积的42.68%,耕地、草灌次之,人工建筑、草地与河流占地面积较少。

Sentinel-1A与不同云量Sentinel-2A的融合尺度及分类研究

为了提高多云雾地区光学遥感影像利用率、探索不同云量的光学影像和SAR影像的最佳融合尺度,选取重庆市渝中地区为研究区,基于Sentinel-1A极化合成孔径雷达(SAR)影像与不同云量的Sen鄄tinel-2A(云量分别为0、10%、20%、30%)光学影像,进行小波变换融合、乘积变换融合、高通滤波融合,再利用图像评价方法评价影像融合以后的效果,最后利用面向对象的方法对融合前后的影像进行分类,利用混淆矩阵比较最终的分类精度。结果显示,无云情况下,小波变换融合效果最好,最大限度地保留了原多光谱影像的亮度、反差,有效防止了影像信息的丢失,对植被的解译能力有了明显改善,而融合后的影像保真度较差,其余两种融合效果相对次之,因此,在多云雾地区进行多源遥感数据融合时,尤其是异质数据融合时,优先推荐小波融合算法;当云量为10%以上时,3种融合算法虽然信息熵略有增加,但平均梯度、标准差减少了,造成解译困难,导致最终分类精度均略低于Sentinel-2A影像,远低于Sentinel-1A影像,基本不能满足使用要求,因此,在进行地表覆被解译时,推荐用SAR影像替代光学影像。