遥感分类

摘要： 基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题。近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域。相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本。基于深度学习在土地利用/覆被分类中日益增多的研究成果,本文从样本、模型、算法3个角度对其研究进展进行综述。在样本方面,归纳总结了常用的土地利用/覆被样本集,并分析了上述样本集的学术影响力;在模型方面,综述了土地利用/覆被分类中常用的深度学习模型,包括卷积神经网络、循环神经网络、全卷积神经网络等的最新研究成果;在算法方面,综述了样本稀疏条件下的土地利用/覆被分类算法的最新研究进展,具体包括主动学习、半监督学习、弱监督学习、自监督学习、迁移学习等。最后从样本、模型、算法3个角度对未来研究方向进行展望,通过构建大规模遥感样本数据集、持续优化深度学习模型结构、提升样本稀疏条件下深度学习模型的时空泛化能力等研究,可以进一步改善土地利用/覆被分类效果和精度。

摘要： 植被光谱库的构建对植被特征识别和生态环境监测具有重要作用。通用光谱库由于地区差异导致的不同植被光谱差异不明显,对定量遥感分析和植被精细识别分类造成较大的误差。首先,通过实地采集热带植被光谱数据,构建适用于热带植被监测和分析的Web波谱数据库,包含52种典型植被冠层和叶片光谱;其次,详细介绍植被光谱库开发框架,实现功能模块包括:元数据编辑、波谱库报告、增删改查、端元光谱提取、影像波谱对比分析和波谱可视化;最后,应用卫星多波段遥感数据与通用光谱库验证对比植被精细分类效果。结果表明,通用波谱库无法依据波谱信息对植被做精细分类,依据本文热带植被波谱库可有效对植被做精细分类,精度达86.5%。

摘要： 我国是滑坡灾害频发的国家之一,近年来发生的灾难性地质灾害事件有70%以上都不在已知的地质灾害隐患点范围内,亟须通过自动高效的滑坡识别技术方法开展大规模滑坡灾害排查。为了从海量遥感影像中快速识别滑坡的位置,确定滑坡重点区,支撑后续的解译与研究,以黄土滑坡为例,基于GF-1影像与数字高程模型(digital elevation model,DEM)数据开展滑坡识别研究。首先构建了遥感影像和DEM滑坡样本库,然后应用通道融合卷积神经网络模型对滑坡样本进行分类,最后将分类结果按照位置信息还原到遥感影像图中。实验结果表明模型的滑坡识别精度可达95.7%,召回率为100.0%。研究所用模型的网络层数较少,收敛速度快,具有更高的效率与识别精度,解决了在样本有限的情况下,从遥感影像中快速确定滑坡重点区的问题,以支撑大规模滑坡灾害排查。

摘要： 基于花生生长中后期2020年8月1日和15日两个时相高分多光谱数据,构建40个作物分类遥感特征,采用ReliefF-Pearson方法优选出15个特征,构造作物可分的4种特征空间。采用最大似然分类法、支持向量机和随机森林分类器,分别耦合4种特征空间,开展作物分类对比试验,进行分类精度和景观评价提出作物双时相遥感分类模型(dual-temporal remote sensing classification model for crop,C-DRSC)。结果表明:该模型具有较高的作物分类和花生识别能力,作物分类总体精度和Kappa系数分别为93.25%和0.89,平均形状指数和平均斑块分维指数分别为1.33和1.13;花生识别的用户精度和制图精度分别为96.20%和96.32%,平均形状指数和平均斑块分维指数分别为1.27和1.11。利用该模型在黄淮海地区的4个花生主产县开展夏花生种植面积遥感测算,与统计面积相比,面积测算相对误差为±16.25%,决定系数为0.9778(达到0.01显著性水平),模型具有较好的适用性。

摘要： 基于景观格局分析方法,分别选取8个反映景观格局类型和6个反映景观水平格局指数用于探索土地利用变化状况。实验结果表明:①基于选择合适的训练样本下,对3期遥感影像采用随机森林的监督分类方法,总体精度均在94%以上,kappa系数均为90%以上;②综合来看,研究期内建设用地为优势景观类型。研究区斑块数量增加,破碎化程度有所加剧,景观斑块的形状复杂程度加深,空间分布由分散趋向于聚合与均衡化,景观多样性不断增加,景观格局的变化表明土地利用/土地覆盖变化主要受人类活动影响较大。

摘要： 针对目前深度神经网络训练耗时长、浅层神经网络多为易崩溃三层感知器(BP)的现状,提出一种基于集成全连接多层感知器(MLP)的多光谱图像快速分类方法。实验对基于焦作地区Landsat8多光谱影像,使用半随机网格搜索优化等方法搜索超参数组合,构建4种MLP分类器。实验发现位置信息与地物类别无关,地物的样本量增加时分类器会对其更敏感。比较各分类器对Landsat8多光谱影像的分类结果得知集成分类器更优。

摘要： 电力行业是国民经济与社会发展的重要行业。可靠的输电走廊环境监测有利于电力系统的安全运行。近年来,卫星遥感因为其大范围观测、高频次重返特性,展现出优于传统巡线方法的优点,开始应用于电力行业研究。然而,基于变化检测技术的输电走廊巡线研究还几乎处于空白。文章提出了一种基于卫星影像的外力破坏隐患区域识别方法,具体而言,提出了基于深度学习模型、植被指数与聚类模型的分层分类方法,构建了基于特殊地类变化的外力破坏隐患识别方案。在石林县的“高分一号”、“高分六号”卫星影像上进行了实验,结果显示:分层分类方法提高了深度学习方法的裸地分类精度。研究同时验核了石林县外力破坏台账记录区域的识别情况,识别结果与台账描述基本一致。研究成果有利于提高电网巡线效率,及时发现输电走廊环境变化异常,同时也为遥感影像分类与变化检测研究提供参考。

摘要： 【目的】获取更高效、准确的土地利用自动分类方法,为后续的高原山区土地利用分类研究提供理论支撑。【方法】选取中国典型的高原山区云南省大理市为研究区域,以Sentinel-2A影像为对象,提出一种面向对象特征的决策树分类方法,并将此方法分类结果与传统的ISODATA法和最大似然法土地利用分类结果进行对比。【结果】(1)面向对象特征的决策树方法分类结果在空间分布和各地类的面积统计方面都优于ISODATA法和最大似然法,与研究区实际土地利用面积数据更为接近;(2)在大理市,最大似然法在水体和林地的提取上适用性较好,而面向对象特征的决策树分类方法在农田、草地、建设用地和其他这些地类的区分上适用性更强,且在冰川积雪的提取上也有更好的提取效果;(3)相比与传统的ISODATA法和最大似然法分类结果精度,面向对象特征的决策树分类方法可进一步提高分类精度,总体分类精度可达90.20%,Kappa系数为87.95%。【结论】相较于传统的分类方法,先粗分类再进一步细分类的分类思想,可避免区域之间的混淆问题。面向对象特征与决策树相结合的组合分类方法在高原山区有着更好的适用性,可以有效提高高原山区分类精度。图3表7参26。

摘要： 为了提高秋季作物分类精度,以多时相的Sentinel-2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH-based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMISE-based Relief F,ReEMISE),并分析了不同特征对秋季作物分类的重要性.首先,利用Relief F算法对特征进行初选,结合EMISE算法对2种评价准则进行融合,再优化初选特征集,进而利用随机森林(Random forest,RF)方法提取农作物种植面积,并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较.同时,利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征,通过7组不同的特征组合提取秋季作物种植面积,分析不同特征组合对秋季作物分类精度的影响.结果 表明:ReEMISE特征优选的随机森林法在特征变量为9个时精度最高,总体精度和Kappa系数分别为95.391 8％和0.939 7;综合多特征是提高农作物分类精度的关键,在多时相光谱特征基础上分别加入传统指数特征和红边特征,总体精度分别提高1.5021、1.571 5个百分点,Kappa系数分别提高0.019 8、0.020 7.因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率.

摘要： 随着传感器技术的不断发展,高分辨率遥感影像数据的获取也越来越方便。但在遥感影像分类中,并不是空间分辨越高,分类精度就越高。以SPOT5 HRG影像和高分一号影像为数据源,进行多尺度分类实验。首先,采用立方卷积法对两种影像进行尺度扩展,利用变异函数计算影像中各地类的最优尺度;其次,采用最大似然法对其进行多尺度分类;最后,利用混淆矩阵、总体分类精度和Kappa系数对其分类精度进行评价。结果表明,研究多尺度分类方法可以提高遥感影像的分类精度。

摘要： 准确及时掌握草地资源数量、质量、分布规律和动态变化情况,可为草甸管理、科学研究和合理利用决策提供参考,这对于维持草甸的生态功能和持续发展具有重大意义.以香格里拉县为研究区域,采用了决策树分类法对其高山草甸信息进行提取及图形表达.结果表明:1)高山草甸遥感分类结果,总体分类精度为71.29％,kappa系数为0.6289.分类精度达到了最低允许的判别精度0.6,kappa系数的值分布在0.6～0.8之间,分类效果很好,认为用决策树对滇西北高山草甸进行分类,是可行的;2)香格里拉县的草甸类型主要有干热河谷灌丛草甸、沙棘灌丛草甸、亚高山灌丛草甸、亚高山草甸、高山灌丛草甸、高山沼泽草甸、高山草甸和高山流石滩疏生草甸.其中,亚高山草甸面积最大,达990.59km2,主要分布在小中甸镇和建塘镇;其次是高山沼泽草甸,有539.62km2;主要分布在格咱乡和建塘镇;亚高山灌丛草甸有323.85km2,主要分布在建塘镇和东旺乡;干热河谷灌丛草甸较小,仅有117.52km2.

摘要： 城市土地利用/覆盖变化及其气候与环境效应是土地变化科学的重要内容,是全球变化研究热点之一.城市区域土地利用/覆盖及变化研究是制定区域可持续发展策略,科学规划与管理城市土地资源的重要前提.长株潭城市群作为两型社会建设的实验区,是中部地区经济的快速发展区域,本文采用1996～2006年遥感数据,利用蚁群智能算法挖掘遥感分类优化规则,获得较高精度的多时相土地利用分类结果,以此揭示了研究区域土地覆盖及其变化的过程与特征.为长株潭城市群土地利用空间优化决策、两型社会的构建、以及区域可持续发展提供了决策参考.

摘要： 草地生态系统在青藏高原生态系统中占有主导地位,挖掘不同草地的光谱特征差异是提高草地遥感分类精度的重要途径。高光谱遥感数据能够支持草地多种光谱特征的提取和分析,有利于开展青藏高原典型区域的草地精细分类研究。本研究以青藏高原腹地的黄河源区为试验区,利用航空高光谱仪器(Pushbroom ImagingSpectrometer,PIS)和地面ASD光谱仪,分析试验区内多种草地类型的光谱特征差异,利用光谱角度匹配(SAM)等方法,完成了试验区PIS高光谱影像的草地类型精细分类,并根据地面采样数据进行了分类结果的精度验证,并初步分析了在不同分类方法差异和试验区草地退化程度。

摘要： 在野外调查和前人研究的基础上，建立了青海共和盆地沙漠化土地遥感分类分级的指标系统，并在地理信息系统支持下，对该区1990年和2005年的TM影像进行了目视解译，分析了该区近15年来土地沙漠化时空变化规律。结果表明，2005年共和盆地共有各类沙漠化土地7419.62km2，占研究区总面积的62.84%，其中严重沙漠化、重度沙漠化、中度土地沙漠化和轻度沙漠化土地面积分别占沙漠化总面积的12.17%、7.42%、17.65%、62.76%。与1990年相比，2005年沙漠化总面积减少了145.55km2，年均减少9.7km2，年递减率为0.083%。从沙漠化的动态演变来看，沙漠化发展和逆转的面积和斑块数量相近，这表明研究区沙漠化趋势虽然得到一定程度的控制，但沙漠化形势仍然相当严峻。

摘要： 高空间分辨率的遥感传感器技术的发展使得更多的遥感信息可以参与到遥感计算机分类过程中。但是由于过多的影像信息同时参与地物信息提取与分类，不但增加计算机的负担和处理时间，而且冗余的数据反而影响对地物的提取,降低分类精度。因此借助特征选择技术，从众多参考信息中找到分类精度最高的特征子集就尤为重要。特征选择技术包括两个部分：搜索算法和评价指标。在本文中，利用遗传算法做为搜索算法在指定波段数下选择待评价特征子集，利用评价指标找到最佳的波段组合方案。本文选取常用的J-M距离测度、熵测度和Kappa系数作为评价指标比较它们最优的特征子集的分类性能。

摘要： 中国西部干旱区气候、土壤、水文、光热、植被等环境因子有着显著的地域差异,若只依靠单一的植被光谱信息来进行准确分类是相当困难的,需要开展基于先验知识、地理信息和遥感信息的分类方法.本文在使用了多种分类方法后,采用了分区分海拔的方法,即将植物的区系理论和植物的纬向、经向和垂直地带性分布特征通过地理信息系统给予知识化的表达,在这些先验知识的基础上叠加植被的光谱特征进行分类,并在局部地区对分类结果进行了验证,取得了较好的效果,为同类研究提供了一种参考思路和方法.

摘要： 本研究选取海淀区1991年和1997年两期遥感tm影像和2003年土地利用统计数据，对遥感数据进行监督分类，然后通过目视解译，得出两期遥感分类图。通过景观分析软件FRAGSTATS分析了海淀区各景观类型占的比率及各种景观指数。结果表明，91年以来海淀区城镇用地占大部分(40%以上)，林地数量有增多趋势。各景观类型破碎化程度较高，形状不规则。同时验证了目前常用的景观转化预测模型马尔科夫模型的有效性。结果表明马尔科夫模型由于假设条件比较多，预测结果有很大限制。

摘要： 为克服传统基于像元的遥感影像分析的局限,本文从一个全新的角度,提出了基于特征的遥感影像分析方法,并以遥感分类为例对该方法作了相应的阐述.文章的最后部分对该方法的优越性作了总结.

摘要： 本发明提供了一种遥感影像分类模型的构建方法，遥感影像分类方法及系统：步骤一：采集高分辨率遥感影像；步骤二：对的高分辨率遥感影像进行标注，获得带标注的高分辨率遥感影像，获得标签集，对得到的带标注的高分辨率遥感影像进行分割得到父对象，对父对象进行分割得到子对象；步骤三：对步骤二中的得到的父对象和子对象进行标准化，并将标准化后的父对象和子对象划分为训练样本集、验证集和测试样本集；步骤四：构建基于父对象和子对象的卷积神经网络模型。然后利用网络模型对高分辨率遥感影像进行分类。本发明实现了地理实体的精细化分类，解决了高分辨率遥感影像在复杂场景下的分类中，分类精度低、椒盐现象及错分类严重的问题。

摘要： 本发明公开了一种基于多分类器对抗迁移学习的遥感场景分类方法，通过构建源域和目标域，输入特征提取器中得到各个图像的特征图，将特征图输入标签分类器得到每个图像的第一预测标签概率分布、第二预测标签概率分布，做平均化处理得到平均化预测标签概率分布，将平均化预测标签概率分布和各个图像的特征图组合成联合概率分布，将联合概率分布输入到域判别器，得到每个图像的域标签概率分布，计算域判别器的损失函数、两个标签分类器的联合损失函数、两个标签分类器的不一致性损失函数，根确定总损失函数，使用随机梯度下降法优化总损失函数，以得到目标域最终的分类结果，实现对目标域中遥感图像的场景分类。

摘要： 本发明提供一种基于高分遥感影像二分类语义分割图融合成多分类语义图的方法，图像数据集送入二分类语义分割网络训练二分类模型组，并且计算每个二分类模型的置信度；将待预测的高分遥感影像输入到二分类模型组中，得到各个二分类模型输出的二分类结果以及初始预测概率矩阵；将二分类模型的置信度和对应的初始预测概率矩阵相乘到待预测的高分遥感影像对于该二分类模型中的最终判别概率矩阵；在对像素点按二分类结果进行分类时，对于分类冲突的像素点，将像素点在二分类模型组中最终判别概率矩阵对应位置概率值最大的那个类别作为当前像素点的分类的类别。本发明能有效提高最终合成分类图的整体分类精度以及IoU和kappa系数指标。

摘要： 本发明涉及基于局部二值模式和KNN分类器的遥感高光谱图像分类方法，与现有技术相比解决了难以进行遥感高光谱图像分类的缺陷。本发明包括以下步骤：训练数据的获取；光谱特征向量的提取；空间特征向量的提取；颜色特征向量的提取；多特征向量的堆叠；KNN分类器的构建和训练；待分类遥感高光谱图像的获取；待分类遥感高光谱图像的预处理；遥感高光谱图像分类结果的获得。本发明通过光谱、空间、颜色特征相联合，增强了同类像元的相似性，同时增大了不同像元的相异性，与部分提出的分类方法相比，总体分类精度、平均分类精度、Kappa系数均有不同程度的提高。

摘要： 本发明公开了一种基于无人机提取分类样本点的多源遥感数据分类方法，包括：从无人机航拍相片中均匀提取分类样本点，并对每类样本点进行准备标定；获取分类遥感数据集，并对遥感数据集进行影像处理，根据分类遥感影像数据集对分类样本点进行地理空间定位；分类遥感数据集包括：微波数据Sentinel‑1数据集、多光谱Sentinel‑2数据集、基于Sentinel‑2数据集的植被指数数据集、数字高程模型数据集；通过地理空间信息定位后的分类样本点，利用随机森林分类模型，获得分类结果。本发明基于无人机提取分类样本点的多源遥感数据随机森林分类方法，可以快速、有效、廉价地实现地表类型分类制图过程；同时剔除边缘分类样本点的影响后，分类精度明显提高，特别是kappa系数的精度更优。

摘要： 本发明提供一种遥感影像面向对象分类方法及分类装置，能够提高遥感影像分类准确度。所述方法包括：获取遥感影像数据；通过面向对象多尺度分割算法，对获取的遥感影像数据进行分割，得到影像对象块；将深度卷积神经网络与循环神经网络相结合，并添加跳跃连接，构建VGG16‑BiLSTM‑Skip模型，其中，VGG16表示16层的深度卷积神经网络，BiLSTM表示双向长短时记忆循环神经网络，Skip表示跳跃连接；利用影像对象块对构建的VGG16‑BiLSTM‑Skip模型进行训练，得到影像对象块的分类器，所述分类器，用于对遥感影像进行分类。本发明涉及图像处理领域。

摘要： 本发明公开了一种基于OpenStreetMap的高分辨率遥感影像多分类器联合分类方法，本发明利用分割算法将遥感影像划分为一系列内部均质的对象块，以对象块代替像素作为影像最小处理单元，结合影像对象块和OpenStreetMap的地物标记信息获取分类样本，构建多个分类模型进行面向对象块的影像分类，计算各个对象块在不同分类器下属于不同类别的概率，获取对象块对应的分类可靠性，实现多分类结果的加权融合，完成高分辨率遥感影像分类。本发明基于影像对象块为基本单元获取训练样本，能够避免选择大量具有相似特征的像素作为样本，降低样本间的冗余信息，提升分类模型的构建效率与准确度。

摘要： 本发明提供了一种遥感影像分类模型的构建方法，遥感影像分类方法及系统：步骤一：采集高分辨率遥感影像；步骤二：对的高分辨率遥感影像进行标注，获得带标注的高分辨率遥感影像，获得标签集，对得到的带标注的高分辨率遥感影像进行分割得到父对象，对父对象进行分割得到子对象；步骤三：对步骤二中的得到的父对象和子对象进行标准化，并将标准化后的父对象和子对象划分为训练样本集、验证集和测试样本集；步骤四：构建基于父对象和子对象的卷积神经网络模型。然后利用网络模型对高分辨率遥感影像进行分类。本发明实现了地理实体的精细化分类，解决了高分辨率遥感影像在复杂场景下的分类中，分类精度低、椒盐现象及错分类严重的问题。

摘要： 本发明提供了一种基于多源遥感的浅覆盖区地层岩性分类特征空间构建方法，浅覆盖区地层岩性分类方法及系统。发明提供了一种有效的多源遥感在浅覆盖区地层岩性分类中的特征空间构建方法，通过极化SAR和多光谱影像的植被信息抑制去除植被干扰，并利用不同极化方式SAR影像的穿透能力获取浅覆盖区地层岩性的纹理信息，充分发挥了两种数据源的优势并有效降低了特征数据维度，形成可用于岩性分类的特征组合影像。与此同时，本发明提出了基于多源遥感特征空间构建的浅覆盖区地层岩性分类算法，解决现有技术方法在浅覆盖区地层岩性分类中适用性差、精度较低的问题。可以用于植被、干沙等浅覆盖条件下的地层岩性分类。

摘要： 本发明提供了一种基于无人机影像的优势树种遥感分类方法及分类系统，包括如下步骤：基于无人机遥感图像，获取数据集；构建DenseNet_BL模型；基于所述数据集对所述DenseNet_BL模型进行监督训练；基于训练后的所述DenseNet_BL模型，完成优势树种遥感分类。本发明基于普通的DenseNet模型，进行改进，在每个残差块之间插入小型卷积核作为瓶颈层，在提高网络模型的计算效率，减少网络计算量和参数量的同时，达到理想的树种分类效果。