基于像素和面向对象的遥感影像分类方法比较

以GF2遥感影像为数据源,利用ENVI和eCognition软件分别采用最大似然分类、支持向量机分类、ISODATA分类、K均值分类、最近邻分类、决策树分类6种分类算法进行遥感影像分类,并对6种分类算法结果进行对比分析。结果表明:最近邻分类法的分类效果最佳,准确性最高。

基于GF1、GF2图像对四川青川县梨树沟地区的地质特征研究

为了快捷地评价梨树沟地区的沟系土壤化探成果,分别利用具有自主知识产权的两种不同分辨率的国产高分辨影像(GF1、GF2)进行1∶50000和1∶10000的遥感地质解译工作,依据高分影像的解译成果并结合实地地质调查工作,查明了土壤化探异常的成因,缩短了勘查时间,节约勘查经费。

基于ESTARFM算法的融合数据在土壤墒情反演中的应用研究

Estarfm算法通过变化检测与修正补偿机制实现了多源数据的融合与高时空分辨率数据的输出,是当前最为有效的高时空地表反射率数据合成方法,并已被广泛应用。为探讨基于Estarfm算法的融合数据在土壤墒情遥感反演应用中的可行性,以河北省南五地市为研究区,选择时间分辨率较高的MODIS影像、空间分辨率较高的GF卫星影像和地面土壤墒情实测数据为试验数据,应用Estarfm算法和基于MPDI的土壤墒情反演方法进行土壤含水率遥感反演精度对比分析研究。结果表明:相对真实影像,Estarfm算法能较好地模拟区域地表反射率状况,融合影像数据用于区域土壤墒情反演总体精度较好,能反映区域土壤墒情的空间分布特征,反演精度较低的像元主要集中在水体、厚云和植被覆盖较高的区域。在无法获取高质量遥感影像的情况下,可应用Estarfm算法融合多源遥感数据开展土壤墒情的常态化监测。

关中地区梨树遥感辨识的最佳时相与方法

【目的】利用22景GF6-WFV影像,探寻关中地区梨树(砀山酥梨与早酥梨)遥感辨识的最佳时相与方法。【方法】首先对各景影像进行了预处理;随后基于12种果树与3种农作物样地的ROI(感兴趣区)数据对8类探试性方法(即红边参数法、光谱距离法、图像增强处理与分析法、影像差值与比值法、反射光谱及其波段差分法、光谱指数及其变化分析、辨识方法优化组合)的辨识效能进行了逐一测试,并优选出较佳方法及其对应时相;最后采用全域影像对较佳方法及其最佳组合的辨识精度以及坚实性进行了验证。【结果】(1)梨树的最佳辨识时相为盛花期;(2)RGB分量阈值法对盛花期梨树具有较强的辨识效能,并且其辨识效能具有一定的坚实性;(3)R_(710)阈值法对盛花期梨树也具有较强的辨识效能,其辨识的总体精度高于常见的植被指数[如R_(710)-R_(425)、MSR_(red-edge)=(R_(750)-R_(425))(/R_(710)+R_(425))、IRECI=(R_(830)-R_(660))/(R_(710)/R_(750))、NDVI=(R_(830)-R_(660))(/R_(830)+R_(660))、SR_(red-edge)=R_(830)/R_(710)、CL_(red-edge)=R_(830)/R_(710)-1、mNDVI_(red-edge)=(R_(750)-R_(710))(/R_(750)+R_(710)-2×R_(425))、NDVI_(red-edge)=(R_(750)-R_(710))(/R_(750)+R_(710))等];(4)仅采用梨树盛花期影像无法将梨树与李树精确区分,而采用梨树盛花期与李树盛花期两期影像中的红边1波段的差值(即R_(710-apr)-R_(710-mar))的阈值可将梨树与李树予以精确区分;(5)RGB分量、R_(710)与R_(710-apr)-R_(710-mar)三种阈值法之间具有一定的互补性,由其组合构建的决策树对梨树的辨识效果最佳,梨树类正确率可达92.91%,非梨类正确率可达97.53%,总体精度可达97.19%。【结论】采用梨树盛花期与李树盛花期两期影像,并基于RGB分量、R_(710)与R_(710-apr)-R_(710-mar)3种阈值法组建的决策树可将研究区内的梨树予以高精度辨识。

基于GIS的京杭大运河扬州段沿岸土地利用变化分析

以2002年SPOT5影像和2022年的GF1影像为基准,利用随机森林方法对京杭大运河扬州段沿岸1 km范围进行土地利用分类,基于土地利用转换矩阵、土地利用动态度模型和重心迁移模型进行分类后比较。结果表明:20 a间,研究区耕地、林地、水域面积减少,草地、建设用地、未利用地面积增加。耕地为转出面积最多的土地类型,主要转出为建设用地。研究区的综合土地利用动态度为0.63%,整体土地利用类型数量变化相对平稳,未利用地和建设用地的单一土地利用动态度分别为4.61%和4.10%,数量变化相对剧烈。耕地和林地重心向北迁移,建设用地和水域重心向南迁移,耕地重心迁移距离最大(6.38 km)。

江西省都昌县山地与平原植被界线提取

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。