高分遥感影像林地资源信息提取方法研究

林地资源是森林资源的重要组成部分,在空气净化、自然防疫、制氧、气候调节等方面均具有重要作用。本文应用GF-1卫星数据,基于e Cognition软件平台,采用面向对象方法对廊坊市永清县2013年11月GF-1影像进行林地信息提取。通过多尺度分割试验确定最优尺度分割参数,结合影像地物纹理、光谱特征,采用模糊逻辑分类算法实现林地信息高效提取。     

旋转森林算法在GF-2卫星影像土地利用分类中的应用

"高分二号"(GF-2)卫星影像中精细的空间信息可用于高精度的土地利用分类研究。为了获取基于GF-2卫星影像土地利用分类的最优特征空间,以及将旋转森林算法应用于提高遥感影像分类精度中,文章利用GF-2卫星影像数据,基于光谱特征(4个多光谱波段和1个全色波段)、指数(植被指数、水体指数及简单比值指数)和变换成分(主成分、最小噪声分离成分与独立成分)构建特征空间,应用基于决策树的旋转森林算法构建面向对象的分类规则集,进行土地利用分类,并与最近邻和决策树算法的分类结果对比分析。结果表明,结合光谱特征、几何特征和纹理特征,采用旋转森林算法得到的分类总体精度为84.85%,Kappa系数为0.819;引入指数、变换成分后分类总体精度提高4.90%,Kappa系数提高0.058;相比于最近邻分类器和决策树分类器,结合旋转森林思想的决策树分类器总体精度分别提高11.97%和15.44%,Kappa系数分别提高0.142和0.184。研究结果可为中国高分辨率卫星影像的信息提取及基于旋转森林算法的土地利用分类研究提供参考。     

“高分二号”卫星数据遥感滑坡灾害识别研究——以云南东川为例

标志着中国遥感卫星进入亚米级"高分时代"的"高分二号"(GF-2)卫星在太原成功发射,它将为地质灾害调查提供可靠的数据支持。文章以滑坡灾害频发的云南东川区为研究对象,首先对GF-2卫星采集的研究区数据进行正射校正、配准、融合和裁剪等预处理;然后采用面向对象的分类方法,通过影像分割、合并分块,并结合滑坡灾害的光谱、纹理和数字高程模型等多种信息特征,建立滑坡灾害识别规则,实现滑坡信息的遥感分类;最后对分类结果进行误分对象剔除,得到研究区滑坡信息。结果显示,利用GF-2卫星数据可以较好地提取滑坡灾害信息,基本满足滑坡的灾害识别要求。文章通过面向对象的滑坡灾害特征提取所输出矢量结果可以方便地计算出滑坡的面积,对滑坡研究提供了极大的便利。     

GF-6卫星WFV数据在林地类型监测中的应用潜力

为了了解"高分六号"(GF-6)卫星宽视场(WFV)传感器1A级产品数据品质,评估新增4个波段在林地类型分类研究中的应用潜力,文章以内蒙古鄂伦春自治旗的秋季GF-6卫星WFV数据为对象,开展了绝对定位精度的测试,并应用随机森林方法进行了林地类型分类研究。结果表明,GF-6卫星的WFV平原区数据几何畸变较小,无控制点有理多项式系数校正后图像配准的中误差在1个像元之内,有助于降低遥感技术应用的门槛,提高工作效率。新增的红边1、红边2、黄边波段对林地类型分类影响显著,整体分类精度从74%提高到80%以上,紫边波段对于森林类型分类也有所贡献。因此,GF-6卫星WFV的8波段多光谱遥感数据对中国大尺度森林资源、森林灾害等的宏观动态监测具有重要意义和极大应用潜力。     

基于GEE的廊坊城区黑臭水体的遥感监测

本文利用GEE(Google Earth Engine)平台中的多源遥感数据与随机森林分类器对廊坊城区黑臭水体进行了提取。研究结果表明：（1）光学遥感数据中的红光、绿光和蓝光波段可以准确反映水色信息,而雷达后续散射数据可以在一定程度上反映污水表面的几何信息,融合光学与微波的多源遥感特征可以更加准确地的提取黑臭水体信息。（2）随机森林分类器的训练精度达到96.7%,分类精度达到了93.7%,可以基本满足对城市黑臭水体监测的要求。（3）在非黑臭水体的岸边、干涸区域、桥梁等会出现分类错误,这些分类错误是由多源遥感数据的在黑臭和非黑臭水体属性特征空间上的重叠造成的,加大样本点的数量与更多特征属性的选择将有助于提高这部分区域的分类精度。（4）免费的数据与算法可以为环保相关部门低成本定期监测城区黑臭水体提供切实可行、廉价的解决方案。     

基于遥感大数据云计算平台下的水稻识别研究

传统水稻种植面积估算基于地面测量,再逐级上报,时效性和准确性难以达到监管需求。文章利用遥感大数据云计算平台（Google Earth Engine,GEE）,结合多源遥感影像（Sentinel系列,Landsat系列等）,对整个湖南省大尺度范围进行了水稻识别算法实验。首先,针对云雾等客观因素造成数据缺失的现象,通过构建一种多源遥感影像数据融合算法,生成了完整的水稻生长周期遥感影像;然后,根据不同作物的生长物候特征,结合归一化植被指数时间序列特征进行分析,对早稻、中稻、晚稻等不同水稻类型进行了有效识别;最后,在精度验证方面,创新性地使用无人机辅助调查的方式对整体实验结果进行精度评价。最终结果表明：早稻、中稻、晚稻的准确率分别为85.15%、89.78%、86.01%,文章算法具有较高精度与鲁棒性,也能够为其他作物识别研究提供一定意义的借鉴与参考。     

基于改进Unet++的丘陵地区耕地地块深度分割与提取

丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于“高分一号”卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类。首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析。结果表明：改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75%,比SVM和Unet的提取精度分别提高了9.06%和2.50%。因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息。该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持。     

基于滑坡区域颜色特征模型的SVM遥感检测

滑坡区域遥感检测与识别在灾情提取、救援决策和防灾减灾等方面都有着巨大的应用前景。针对滑坡遥感检测中目标颜色特征化模型不准确,对滑坡区域检测识别效果不够理想等问题,提出一种基于滑坡区域颜色特征模型的支持向量机(supportvectormachine,SVM)遥感检测方法。根据光谱学和色度学的基本理论,建立滑坡区域红绿蓝特征获取方法,以多光谱图像为基础,通过典型样本分析,确立目标/背景颜色特征化数字模型和有效边界。将该模型生成训练样本用于滑坡区域SVM检测模型训练,再将训练好的分类器用于滑坡区域的检测识别,在此基础上根据滑坡基础形状模型的轴向长宽比、面积参数和不变矩等典型形状特征指标对滑坡区域进行目标精确分类与识别。利用九寨沟地震后获取多光谱遥感图像进行了滑坡区域检测识别效果对比试验,试验结果表明,该方法能有效识别遥感图像中的滑坡样本点,对滑坡区域的识别精度由传统方法的90%左右提高到97.03%。     

应用Landsat-8卫星遥感图像的青海地区土壤分类研究

遥感技术的迅速发展和应用,为土壤分类提供了新的技术与数据支持,文章提出一种利用陆地卫星-8(Landsat-8)遥感图像的土壤分类方法,用于青海地区土壤分类,所提取的特征包括4种,即基于遥感图像的变换特征、指数特征、纹理特征和基于高程图像的地形特征,通过随机森林方法实现土壤分类。文章首先提出2个基于遥感图像的纹理特征——熵与平滑度,从中国土壤数据集中自动提取了16 444个数据点,并在试验中采用,充分验证了此分类方法的有效性。     

遥感影像建筑物提取多尺度特征深度学习网络

语义分割网络被广泛应用在高分辨率遥感影像建筑物提取领域。但是语义分割网络中的连续下采样会损失特征中的细节信息,导致提取结果边缘模糊,不同深度特征的不充分利用导致传统网络难以识别尺度差异大的建筑物。针对以上问题,文章基于双线性插值上采样和多尺度特征组合提出一种多尺度建筑物提取网络（Multi-scale building extraction network,Msb-Net）,该网络包括编码器、解码器以及多尺度特征组合三部分。首先,编码器基于双线性插值上采样丰富图像的细节信息,再通过特征编码提取深层抽象特征;其次,解码器恢复特征空间分辨率,获得深度不同的解码特征;最后,基于多尺度特征组合结构对不同深度的解码特征进行组合,获得最佳的检测结果。文章在马萨诸塞州数据集和武汉大学数据集上进行验证,结果表明,Msb-Net具有更高的识别精度,在两个数据集上交并比指标分别提高了1.71%和1.88%。通过结果对比可以得出结论：相比于传统语义分割网络,Msb-Net可以通过多感受野特征组合的方法更加准确地识别遥感影像中不同尺度的建筑物。     

基于多源遥感数据的森林虫害监测及驱动力分析

遥感监测可以及时、准确地监测森林虫害扰动的时空格局,并预测其暴发状况,为区域尺度的森林管理和政策提供指导。文章以加拿大不列颠哥伦比亚省为研究区,基于多源遥感数据,将LandTrendr算法（基于Landsat的干扰和恢复趋势检测算法）和随机森林（RF）分类器相融合识别了1999～2015年森林虫害的暴发区域与严重程度,分析其时空格局,解析了驱动虫害暴发蔓延的关键因子,以及森林生态系统对虫害暴发的响应机制。研究结果表明：1）通过样本点独立验证,提出的森林虫害扰动遥感方法识别准确率达87.1%,与航空调查数据识别准确率接近,森林虫害暴发具有明显时空分异特征;2）原生的虫害暴发地区,其前期的扰动历史或地形因素比其他因素更易造成虫害扰动;3）森林生态系统对虫害暴发的生理性响应早于结构性响应,未来可以利用森林的叶绿素荧光等生理指数来提早监测和预警森林虫害扰动发生。     

融合空洞空间金字塔池化和注意力的轻量化遥感影像道路提取

针对高分辨率遥感影像中道路形状结构错综复杂,出现窄小型道路提取错误或漏分的问题,提出一种基于空洞空间金字塔池化和注意力机制的轻量化遥感影像道路提取方法。首先,在原始高分辨率网络（HRNet）基础上,通过引入空洞空间金字塔池化模块,实现多尺度道路信息融合;再引入挤压激励通道注意力机制,增强网络特征表征质量;最后使用深度可分离卷积方法改进网络残差模块实现模型轻量化,以降低模型计算复杂度。在公开数据集上进行了模型性能测试,实验结果表明,文章所提算法的准确率、精确率、召回率、F1分数和平均交并比,相比原始HRNet分别提升了5.35%、2.15%、4.1%、3.15%和14.34%,且减少了36.1%的参数数量;相比其他网络,该算法突出了细小道路的特征,道路预测结果连续性、完整性好,并且模型小易于部署在实时检测设备中,有效改善了道路提取任务中错分和缺失的情况,是一种适应性更强、分割精度更高、更轻量化的多尺度道路提取算法。     

特征选择的全极化SAR影像面向对象土地覆盖分类

全极化SAR数据信息丰富,仅利用单一的极化特征和基于像元的分类很难得到较好的分类效果。因此,提出了全极化数据特征优选结合面向对象方法进行土地覆盖分类。以云南西双版纳州勐腊县和普洱市思茅区的Terra SAR-X的X波段全极化雷达数据为信息源,首先对全极化SAR数据进行预处理,提取研究区Pauli RGB图像后,利用影像分割技术对Pauli RGB图像进行分割,作为分类的基本单元;然后对SAR影像提取极化分解特征和Span影像的纹理特征,选取最优特征集合;最后利用面向对象模糊分类方法进行土地覆盖分类,并采用实地调查数据对分类结果进行了精度评价。试验结果表明,面向对象方法可以很好地去除噪声的影响,最优组合的特征波段使得分类结果更加精确。西双版纳州勐腊县总体分类精度达到88.5%,普洱市思茅区总体分类精度达到86.8%,较之H/A/α-Wishart分类方法精度提高了40%以上。     

基于极化SAR图像的建筑区提取方法研究

建筑区提取对于城市规划和灾害评估具有重要的作用。文章提出融合极化方位角补偿的散射模型提取建筑区。首先对极化SAR图像进行极化补偿处理,使得建筑物的散射成分增强,然后融合极化分解得到的散射分量和纹理特征参数作为建筑区提取依据,最后使用面向对象的提取方法进行建筑区提取。采用美国San Francisco地区L波段星载AIRSAR数据和德国Oberpfaffenhofen地区L波段机载ESAR数据分别进行实验验证。结果表明,文中方法较好地识别并提取了建筑区,提高了建筑区的提取精度,可用于受灾建筑区提取以及城市建筑区信息获取。     

“资源三号”卫星图像影像特征匹配方法研究

随着中国遥感卫星的迅速发展,要求影像几何质量评价方法可以在待评图像和参考图像间提取出精确且分布均匀的控制点信息。文章提出一种基于多源、高精度遥感图像的特征点匹配方法。该方法首先用加速稳健特征（Speeded Up Robust Features,Surf）算法对＂资源三号＂卫星图像和参考图像进行粗匹配以建立两幅图像间的整体几何关系,通过对相同区域进行wallis滤波增强图像纹理信息,然后用Surf算法进行特征点的提取和匹配,最后利用对极几何约束剔除误匹配点。试验结果表明,该方法可以全自动、快速和精确的提取影像控制点。     

一种多分辨率图像目标检测算法

为解决航天遥感图像分辨率和目标尺度变化大的挑战,提出了一种基于多分辨率图像的目标检测算法。改进了自适应特征金字塔和轻量级的分类预测模块,通过使用注意力机制,从不同层次的特征图中提取语义信息。引入了一种预测目标尺度的方法,以分析图像中目标的分布和尺度信息。将算法在DOTA（Dataset for Object deTection in Aerial Images）数据集上进行了实验验证,在U-Net（一种基于卷积神经网络的语义分割算法）和ResNet-34（一种深度残差网络）两种不同的主干网络设置下,召回率和检测速度均超过了RPN（Region Proposal Network,区域提议网络）算法。提出的多分辨率图像目标检测算法能有效地提高检测精度,降低计算复杂度。     

环境减灾二号A/B卫星在森林树种识别中的应用

采用环境减灾二号A/B卫星数据,在福建武夷山国家公园和东北虎豹国家公园2个试验区开展森林树种识别的应用研究。分别提取2个试验区影像的光谱特征、归一化植被指数(NDVI)和基于主成分第一分量的8个纹理特征信息,采用支持向量机(SVM)和原型网络分类对森林主要树种进行识别,并利用验证样本进行精度评价。结果表明：在福建武夷山国家公园试验区,SVM和原型网络分类的总精度分别为86.37%和91.11%,Kappa系数分别为0.83和0.90。在东北虎豹国家公园试验区,SVM和原型网络分类的总精度分别为91.77%和91.34%,Kappa系数均为0.90。总体来说,环境减灾二号A/B卫星数据在2个试验区的主要树种识别精度较好,后续能较好地满足林业行业相关业务应用需求。     

环境减灾二号A/B卫星在生态保护红线区植被覆盖信息提取中的应用

选择北京百花山国家级自然保护区作为典型试验区,以我国高分一号(GF-1)卫星数据提取结果作为参考,开展环境减灾二号A/B(HJ-2A/B)卫星数据在生态保护红线区植被覆盖遥感信息提取中的应用分析。试验结果表明：基于HJ-2A/B卫星16 m多光谱遥感数据对地表植被覆盖度进行估算得到的结果精度、分级统计面积与参照数据估算的结果一致性较好,而且空间分布趋势与参照数据结果也大致吻合,能够满足生态保护红线区植被覆盖信息提取业务需求。下一步可深入挖掘环境减灾二号A/B卫星的应用潜力,通过与高分一号、高分六号卫星进行协同观测,提升防灾减灾、环境保护等业务的能力,更好地服务于国土资源、水利、农业、林业、地震等行业。     

基于UDWT的高性能多光谱遥感图像融合算法

无抽取离散小波变换 (UDWT)具有移不变性的优良性质 ,它在遥感多光谱图像增强以及双通道图像融合应用中获得了很好的效果。文中研究一种基于UDWT的适用于多光谱图像的融合算法 ,该算法利用UDWT的多尺度表示方法和文献 [4 ]算法最佳保留光谱信息的特点 ,融合结果同时精确保留了多光谱图像的光谱信息和高频细节特征 ,为目标的检测、定位、识别等图像的进一步处理提供很好的特征信息     

一种遥感图像建筑物检测新方法

遥感图像中的建筑物检测对于土地规划和地图绘制等具有重要意义。文章针对高分辨率全色遥感图像植被覆盖中隐蔽建筑物检测问题,提出了一种结合屋顶结构信息和纹理信息的快速房屋检测方法。首先利用屋顶边缘的几何关系寻找具有矩形屋顶的建筑物;然后使用形态学方法提取屋顶较亮的建筑物;最后利用局部二值模式（Local Binary Pattern,LBP）描述屋顶的纹理特征,并利用支持向量机（Support Vector Machine,SVM）排除误检区域。通过在全色遥感图像集上的试验证明,所提方法对高分辨率遥感图像植被覆盖区域中的建筑物目标具有较高检测率和较低误检率。