摘要：中分辨率成像光谱仪(M OD IS)已在全球资源环境监测中发挥了重要作用,但是它的低分辨率成为提高分类精度的阻碍。利用M OD IS的高时间分辨率弥补其低空间分辨率的不足,设计分类器改善分类精度。利用2003年23个时相的M OD IS_EV I图像,构建华北平原植被指数图像时间立方体。在谐波分析去噪标准化基础上,从EV I时间谱上提取5个表征物候差异的特征向量,结合表征地气交互作用差异的地表温度(LST)信息及表征地表固有的空间分异特征的坡度信息,建立分类二叉树进行土地覆盖分类。结果表明,与2000年TM分类结果的总体一致性为75.5%,K appa系数为0.68。而NA SA U SG S基于M OD IS分类精度为66.0051%,K appa系数为0.3209。进一步与2003年耕地面积的官方统计资料的比较表明,该文的估算误差为34.0507 khm2,而NA SA U SG S的估算误差高达66.1205 khm2。研究表明利用高时间分辨率的M OD IS植被指数时间序列获得较高精度的土地覆盖分类结果是可能的。

摘要：针对多极化合成孔径雷达影像地物分类特征表征性较弱及全卷积网络分类精度较低的问题,文中提出结合编码-解码网络(E-D-Net)和条件随机场(CRF)的全极化合成孔径雷达(SAR)土地覆盖分类算法.首先,利用Freeman分解和Pauli分解建模全极化SAR影像,提取各分解对应的散射特征.再借鉴语义分割网络模型的建模思想和多尺度卷积单元构建对称网络模型,将多尺度非对称卷积单元嵌入中层,设计E-D-Net网络模型.通过E-D-Net网络模型对PolSAR影像Freeman分解散射特征进行多层自主学习,获得初始分类结果.最后,利用全连接CRF结合Pauli相干分解伪彩色图信息,对初始分类结果再进行降噪和平滑优化,得到最终分类结果.在两地区PolSAR影像上的实验验证文中算法的有效性和可行性.

摘要：【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。

摘要：【目的】为发挥不同单分类器各自的优势进而采用集成学习方式提高土地覆盖分类精度,据此比较不同土地覆盖变化模拟模型性能从而执行最优的土地覆盖变化预测,为土地资源合理开发与利用决策制定提供参考。【方法】基于南京市江宁区2000、2010和2020年的Landsat TM/OLI影像,结合研究区实际定义了水体、建筑、林地、草地、耕地和未利用地等6种土地覆盖分类体系,在测试了最大似然法、马氏距离法、最小距离法、神经网络和支持向量机等基分类器性能基础上,采用随机森林和证据理论2种不同的集成学习方法对5种基分类器的分类结果进行集成,比较了集成性能后构建了最终的土地覆盖分类结果。然后,基于2000和2010年的最优集成土地覆盖分类图,运用CA-Markov、PLUS和ANN-CA模型分别对2020年研究区的土地覆盖格局进行模拟,并将不同的模拟结果与2020年真实集成分类结果进行了空间一致性检验,以此确定土地覆盖变化预测的最佳模型并用其预测2030年江宁区的土地覆盖模式。【结果】在单分类器分类结果中,2000年支持向量机算法取得了最佳分类效果,总体精度达到了88.75%,Kappa系数为0.77;2010年神经网络方法表现最佳,总体精度为88.75%,Kappa系数为0.83;2020年最大似然法取得了最佳分类效果,总体精度为82.75%,Kappa系数为0.74。在2种集成方法中,随机森林在2000年取得了最佳集成分类效果,总体精度和Kappa系数分别为91.25%和0.85;证据理论在2010年取得了最佳集成效果,总体精度和Kappa系数分别为90.80%和0.86;随机森林在2020年取得了最佳集成效果,总体精度和Kappa系数分别为93.75%和0.91。就土地覆盖预测而言,PLUS模型获得了98.54%的空间一致性。根据PLUS模型预测2030年土地覆盖结果可知,江宁区各土地覆盖类型变化较小,建设用地略有扩张但范围有限,耕地稍减少但在可控范围内。林地、草地和未利用地变化较小,水体面积相对减少。【结论】恰当的集成策略能明显改进土地覆盖分类精度,合适的、适应局部土地利用状态和政策调控的预测模型可有效预测区域未来土地覆盖分布模式,它们能为区域土地利用、城市管理决策等提供更可靠的方法和数据支持。

摘要：针对单一深度学习模型无法有效地提取局部-全局空间光谱特征的问题,该文提出了一种基于像素-超像素的异构卷积神经网络(HCNN)特征级联的分类方法,有效地提高了土地覆盖分类性能。具体而言,基于注意力机制的像素级特征提取模块和基于空间域的超像素级特征提取模块分别提取局部和全局空间-光谱特征,并将两种网络的输出特征级联融合作为最终图像表达,进行土地覆盖类别预测。并设计消融实验验证了特征提取分支设计本身的合理性和融合的必要性。本研究基于公开高分影像数据集和河南土地利用/土地覆盖(HN-LULC)数据集进行了验证,结果证明该混合卷积神经网络级联融合分类方法能够显著地提升高分辨率遥感影像中土地覆盖分类的效果,相比现有的分类模型,分类结果最佳。

摘要：高分辨率遥感图像有丰富的空间特征,针对遥感土地覆盖方法中模型复杂,边界模糊和多尺度分割等问题,提出了一种基于边界与多尺度信息的轻量化语义分割网络.首先,使用轻量化的MobileNetV3分类器,采用深度可分离卷积来减少计算量.其次,使用自顶向下和自底向上的特征金字塔结构来进行多尺度分割.接着,设计了一个边界增强模块,为分割任务提供丰富的边界细节信息.然后,设计了一个特征融合模块,融合边界与多尺度语义特征.最后,使用交叉熵损失函数和Dice损失函数来处理样本不平衡的问题.在WHDLD数据集的平均交并比达到了59.64%,总体精度达到了87.68%.在DeepGlobe数据集的平均交并比达到了70.42%,总体精度达到了88.81%.实验结果表明,该模型能快速有效地实现遥感图像土地覆盖分类.

摘要：利用遥感图像进行语义分割是一种有效的土地覆盖分类方法。然而由于主流框架存在边缘分割不准确、缺乏全局信息导致错误分类等问题,阻碍了其在土地覆盖分类中的应用。针对以上问题,提出了一种用于遥感图像土地覆盖分类的卷积神经网络(Convolutional Neural Networks,CNN)和Transformer混合网络CTHNet,结合了CNN的局部细节提取能力和Transformer的全局信息提取能力。同时设计了自适应融合模块,融合来自对应级别的CNN和Transformer特征,自适应融合模块的输出进入分割头得到最终的预测结果。最后,结合边界检测分支为语义分割提供边缘约束。在两个公开的土地覆盖分类数据集上的实验结果表明,该方法优于当前主流的方法,分别实现了90.53%和64.33%的平均交并比(mIoU),对遥感图像中的大目标和边界也有更好的识别效果。

摘要：合成孔径雷达(SAR)图像为土地覆盖分类提供了重要的时序数据源.现有的时间序列匹配算法可以充分挖掘时序特征的相似性信息,从而获得较好的分类效果.本文引入了综合考虑形状相似性和物候差异的经典时序匹配算法TWDTW (time weighted dynamic time warping)指导SAR土地覆盖分类,并针对传统TWDTW仅考虑单一特征时间序列上的相似性匹配问题,提出了一种基于多特征联合的时间加权动态时间规整算法(Mult-TWDTW).该方法首先提取后向散射系数、干涉相干性以及双极化雷达植被指数(dual polarization radar vegetation Index,DpRVI)这3种特征,然后在TWDTW算法基础上联合多个特征设计了Mult-TWDTW模型.为验证所提方法的有效性,使用Sentinel-1A时序数据在丹江口区域完成土地覆盖分类,并将Mult-TWDTW与MLP、1D-CNN、Kmeans、SVM和使用单特征的TWDTW算法进行对比.实验结果显示,Mult-TWDTW算法得到了最好的分类效果,总体精度和Kappa系数可以达到95.09%和91.76,表明Mult-TWDTW算法有效联合了多个特征信息,能够提升时序匹配算法在多种土地覆盖类别分类中的潜力.

摘要：以MODIS多光谱和多时相数据为输入参数进行了全国土地覆盖分类研究。从试验区2007年MODIS 8 d数据的合成影像(MOD 09)中提取EVI、NDWI和NDSI 3个指数,并将其作为特征波段与原有的7波段(B1～B7)形成10波段影像。以统计分类J-M距离平均值和SVM分类总精度为标准评价不同波段对土地覆盖分类的贡献。在全国范围内,选择贡献最大的EVI、B7和B4这3个波段的月合成值,并分别对其作PCA变换,选取各PCA变换后的前3个波段进行分类运算。研究结果表明,在没有其他辅助信息的境况下,基于MODIS贡献最大的前3个波段结合多时相信息能够在中分辨率区域土地覆盖分类中取得较好的分类结果,其精度为78.04%。

摘要：结合多时相和全极化SAR数据在地表覆盖分类中的优势,通过融合多时相全极化SAR数据,降低雷达图像上斑点噪声的影响,开展土地覆盖分类研究。以贵州扎佐林场大约12 km×17 km的区域为研究区,使用6个不同时期的RADARSAT-2全极化数据进行地表覆盖分类研究。研究结果表明:不同地物的后向散射机制有很大区别,且对应的后向散射系数随时间的变化规律也各不相同;该方法能有效区分人工建筑、森林、农田和水体等地物,斑点噪声得到有效抑制,图像质量,特别是视觉效果大为改善。