Wetland high precision classification based on the HJ-1A hyperspectral image
ZHANG Yachun, NA Xiaodong*, , ZANG Shuying
Heilongjiang Province Key Laboratory of Geographical Environment Monitoring and Spatial Information Service in Cold Regions, Harbin Normal University, Harbin 150025, China
混合像元的存在不仅影响了基于高光谱影像的地物识别和分类精度,而且已成为遥感科学向定量化发展的主要障碍。本文以扎龙湿地为试验区,以环境一号卫星采集的高光谱影像为数据源,分别采用传统的全约束最小二乘光谱解混算法(fully constrained least squares spectral unmixing algorithm, FCLS)与基于稀疏约束最小二乘光谱解混算法(sparse constrained least squares spectral unmixing algorithm, SUFCLS)实现了试验区湿地的精细分类,并对两种分类结果的表现及其分类精度进行了对比分析。研究结果表明:SUFCLS算法能够自适应的从光谱库中选择场景中所占比例最高的一组端元,并将此端元的组合应用于传统的全约束最小二乘光谱解混中实现不同湿地类型丰度的提取,该算法充分考虑了端元的空间异质性,弥补了FCLS算法在端元选取过程中的不足。精度验证结果表明与FCLS算法相比,SUFCLS算法分类结果的均方根误差更小,丰度的相关系数更高,因此该方法对于提高湿地解混精度以及实现湿地精细化分类具有重要意义。
关键词:高光谱影像
;
稀疏解混
;
线性解混
;
湿地分类
;
扎龙自然保护区
Abstract
The existence of mixed pixels not only affects land cover type recognition and classification accuracy based on hyperspectral images, but also has become a major obstacle to the quantitative development of remote sensing science. Taking the Zhalong Nature Reserve as a study area, the current study compared the performance of the sparse constrained least squares spectral unmixing algorithm (SUFCLS) and the fully constrained least squares spectral unmixing algorithm (FCLS) for wetland remote sensing classification. The classification accuracy and errors of the two algorithms were evaluated and analyzed. The results show that the SUFCLS algorithm adaptively selected the highest percentage endmember combination from the spectral library, and integrated the selected endmembers into the FCLS algorithm to conduct the abundance inversion. Having considered the spatial heterogeneity of endmembers, the SUFCLS algorithm overcomes the shortcoming of the FCLS algorithm during the process of endmembers selection. Compared with the FCLS, higher correlation was observed between the classification results of SUFCLS and the abundance of the wetland communities (reed swamp, cattail marsh, leymus chinensis meadow, and weed meadow) visually interpreted from the high-resolution imagery. In addition, the root mean square error (RMSE) decreased, which indicates that the SUFCLS algorithm has an important significance in improving wetland unmixing accuracies and implementing wetland high precision classification.
ZHANGYachun, NAXiaodong, ZANGShuying. Wetland high precision classification based on the HJ-1A hyperspectral image[J]. Progress in Geography, 2018, 37(12): 1705-1712 https://doi.org/10.18306/dlkxjz.2018.12.012
1 引言
湿地是地球上重要的生态系统,在物种存贮、调节气候、维护生态平衡及生物多样性保护等方面具有重要意义(Woodward et al, 2001; Yang et al, 2002)。但是在高强度的自然和人为干扰的双重作用下,全球范围的湿地出现了严重的退化和消失的趋势。通过湿地调查和监测,准确地获取湿地的空间分布信息是进行湿地保护和管理的基础。目前湿地的监测手段已经从最初单纯的湿地野外综合考察发展到现代遥感技术和GIS技术支持下的湿地动态监测,监测内容也从最初的湿地类型、湿地面积等较为单一的监测扩展为湿地植被群落结构、植被分布格局及多样性、湿地生态水文过程等较为精细、系统化的监测。由于湿地通常处于水陆交汇地带,湿地生态系统具有高度的空间异质性和水文动态特征,湿地生态系统的精细监测和制图极为困难(张玉红等, 2015; 姜明等, 2018)。因此,迫切需要选择合适的数据源和分类方法,使湿地监测研究不断趋于定量化、精细化和准确化。
Fig.4 Comparison of classification results based on the sparse constrained least squares spectral unmixing algorithm (SUFCLS) method and visual interpretation of SPOT5 images (a. SPOT5 image; b. classification results based on the SUFCLS method; c, d, e, f, g, and h are the enlarged parts of the red rectangles)
Tab.1 Correlation coefficients and root mean square error between vegetation abundance estimates and validation values retrieved by the sparse constrained least squares spectral unmixing algorithm (SUFCLS) and fully constrained least squares spectral unmixing algorithm (FCLS) methods
Fig.5 Comparison and analysis of vegetation abundance values and validation values retrieved by the sparse constrained least squares spectral unmixing algorithm (SUFCLS) and fully constrained least squares spectral unmixing algorithm (FCLS) methods
尽管本文研究表明,基于稀疏约束最小二乘光谱解混算法适用于高光谱影像的湿地精细分类,其应用过程中还需要注意以下问题:首先,由于受传感器和复杂外部环境的影响,实测光谱无法与影像光谱匹配一致,不能直接从实测光谱上提取端元。后续应考虑采用合适的方法将实测光谱和影像光谱进行有效匹配,综合实测光谱与影像光谱来提高解混精度。其次,本文仅选取了具有代表性的淡水沼泽湿地验证了该方法的可行性,然而不同湿地类型光谱特征的影响因素非常复杂,湿地植被的物候特征和水文情势都会对湿地的分类精度产生影响,未来将考虑将多种不同来源的高光谱影像和雷达影像相融合,深入挖掘时间序列多源影像中蕴含的信息,进一步探讨该方法在其他湿地类型如森林湿地、滨海湿地和人工湿地(Huang et al, 2014)遥感信息提取中的适用性。
The authors have declared that no competing interests exist.
Research on estimating wetland vegetation abundance based on spectral mixture analysis with different endmember model: A case study in Wild Duck Lake Wetland, Beijing
Comparison of accuracy on wetland remote sensing classification between independent component analysis and principal component analysis methods: A case study of wetlands in Western Dong Ting Lake
Progress and prospects of wetland science in China: Commemoration on the 60th anniversary of the founding of northeast geography and agroecology, Chinese Academy of Sciences
Remote sensing classification of wetlands using object-oriented method and multi-season HJ-1 images: A case study in the Sanjiang Plain north of the Wandashan Mountain
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
1976-2008年黄河三角洲湿地变化的遥感监测
1
2011
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
不同端元模型下湿地植被覆盖度的提取方法: 以北京市野鸭湖湿地自然保护区为例
2
2013
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
独立分量分析与主成分分析方法的湿地遥感分类精度对比: 以西洞庭湖湿地为例
1
2014
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
中国湿地科学研究进展与展望: 纪念中国科学院东北地理与农业生态研究所建所60周年
1
2018
... 湿地是地球上重要的生态系统,在物种存贮、调节气候、维护生态平衡及生物多样性保护等方面具有重要意义(Woodward et al, 2001; Yang et al, 2002).但是在高强度的自然和人为干扰的双重作用下,全球范围的湿地出现了严重的退化和消失的趋势.通过湿地调查和监测,准确地获取湿地的空间分布信息是进行湿地保护和管理的基础.目前湿地的监测手段已经从最初单纯的湿地野外综合考察发展到现代遥感技术和GIS技术支持下的湿地动态监测,监测内容也从最初的湿地类型、湿地面积等较为单一的监测扩展为湿地植被群落结构、植被分布格局及多样性、湿地生态水文过程等较为精细、系统化的监测.由于湿地通常处于水陆交汇地带,湿地生态系统具有高度的空间异质性和水文动态特征,湿地生态系统的精细监测和制图极为困难(张玉红等, 2015; 姜明等, 2018).因此,迫切需要选择合适的数据源和分类方法,使湿地监测研究不断趋于定量化、精细化和准确化. ...
中国湿地科学研究进展与展望: 纪念中国科学院东北地理与农业生态研究所建所60周年
1
2018
... 湿地是地球上重要的生态系统,在物种存贮、调节气候、维护生态平衡及生物多样性保护等方面具有重要意义(Woodward et al, 2001; Yang et al, 2002).但是在高强度的自然和人为干扰的双重作用下,全球范围的湿地出现了严重的退化和消失的趋势.通过湿地调查和监测,准确地获取湿地的空间分布信息是进行湿地保护和管理的基础.目前湿地的监测手段已经从最初单纯的湿地野外综合考察发展到现代遥感技术和GIS技术支持下的湿地动态监测,监测内容也从最初的湿地类型、湿地面积等较为单一的监测扩展为湿地植被群落结构、植被分布格局及多样性、湿地生态水文过程等较为精细、系统化的监测.由于湿地通常处于水陆交汇地带,湿地生态系统具有高度的空间异质性和水文动态特征,湿地生态系统的精细监测和制图极为困难(张玉红等, 2015; 姜明等, 2018).因此,迫切需要选择合适的数据源和分类方法,使湿地监测研究不断趋于定量化、精细化和准确化. ...
... 过去几十年来,已经提出了许多基于遥感的湿地分类算法,包括:基于像素的分类算法(最大似然法、支持向量机分类法、决策树分类方法、随机森林分类方法等)、面向对象的分类算法和混合像元法分解法等(那晓东等, 2008; 张策等, 2011; Michishita et al, 2012; 谢静等, 2012; 肖锦成等, 2013).在这些方法中混合像元分解法更具优势,这是因为遥感影像受空间分辨率和地物复杂度的影响,每个像元可能包含多种组分,而中低分辨率影像尤为严重.但是传统的线性光谱解混算法在应用中更具灵活性且求解简单,已被广泛用于湿地及其周边土地利用类型的提取(Gutman et al, 1998).线性光谱解混算法对场景内的所有像元均采用同一组端元进行光谱解混,没有考虑到端元光谱的空间异质性,在湿地精细分类的复杂场景下容易造成分类结果的误判.SUFCLS算法是对FCLS算法的一种改进(Kai et al, 2013),首先通过稀疏解混算法遴选出每个像元中所占比例最多的端元组合;然后基于自适应选取的端元,利用FCLS算法进行丰度反演.本文将稀疏约束的最小二乘光谱解混算法应用于基于高光谱影像的扎龙湿地信息提取中,定量化地验证了该算法在中国东北地区典型保护区湿地遥感精细分类中的可行性,并与传统的最小二乘光谱解混方法的分类精度进行对比. ...
基于支持向量机的扎龙湿地遥感分类研究
1
2011
... 过去几十年来,已经提出了许多基于遥感的湿地分类算法,包括:基于像素的分类算法(最大似然法、支持向量机分类法、决策树分类方法、随机森林分类方法等)、面向对象的分类算法和混合像元法分解法等(那晓东等, 2008; 张策等, 2011; Michishita et al, 2012; 谢静等, 2012; 肖锦成等, 2013).在这些方法中混合像元分解法更具优势,这是因为遥感影像受空间分辨率和地物复杂度的影响,每个像元可能包含多种组分,而中低分辨率影像尤为严重.但是传统的线性光谱解混算法在应用中更具灵活性且求解简单,已被广泛用于湿地及其周边土地利用类型的提取(Gutman et al, 1998).线性光谱解混算法对场景内的所有像元均采用同一组端元进行光谱解混,没有考虑到端元光谱的空间异质性,在湿地精细分类的复杂场景下容易造成分类结果的误判.SUFCLS算法是对FCLS算法的一种改进(Kai et al, 2013),首先通过稀疏解混算法遴选出每个像元中所占比例最多的端元组合;然后基于自适应选取的端元,利用FCLS算法进行丰度反演.本文将稀疏约束的最小二乘光谱解混算法应用于基于高光谱影像的扎龙湿地信息提取中,定量化地验证了该算法在中国东北地区典型保护区湿地遥感精细分类中的可行性,并与传统的最小二乘光谱解混方法的分类精度进行对比. ...
扎龙湿地景观动态变化特征
1
2015
... 湿地是地球上重要的生态系统,在物种存贮、调节气候、维护生态平衡及生物多样性保护等方面具有重要意义(Woodward et al, 2001; Yang et al, 2002).但是在高强度的自然和人为干扰的双重作用下,全球范围的湿地出现了严重的退化和消失的趋势.通过湿地调查和监测,准确地获取湿地的空间分布信息是进行湿地保护和管理的基础.目前湿地的监测手段已经从最初单纯的湿地野外综合考察发展到现代遥感技术和GIS技术支持下的湿地动态监测,监测内容也从最初的湿地类型、湿地面积等较为单一的监测扩展为湿地植被群落结构、植被分布格局及多样性、湿地生态水文过程等较为精细、系统化的监测.由于湿地通常处于水陆交汇地带,湿地生态系统具有高度的空间异质性和水文动态特征,湿地生态系统的精细监测和制图极为困难(张玉红等, 2015; 姜明等, 2018).因此,迫切需要选择合适的数据源和分类方法,使湿地监测研究不断趋于定量化、精细化和准确化. ...
扎龙湿地景观动态变化特征
1
2015
... 湿地是地球上重要的生态系统,在物种存贮、调节气候、维护生态平衡及生物多样性保护等方面具有重要意义(Woodward et al, 2001; Yang et al, 2002).但是在高强度的自然和人为干扰的双重作用下,全球范围的湿地出现了严重的退化和消失的趋势.通过湿地调查和监测,准确地获取湿地的空间分布信息是进行湿地保护和管理的基础.目前湿地的监测手段已经从最初单纯的湿地野外综合考察发展到现代遥感技术和GIS技术支持下的湿地动态监测,监测内容也从最初的湿地类型、湿地面积等较为单一的监测扩展为湿地植被群落结构、植被分布格局及多样性、湿地生态水文过程等较为精细、系统化的监测.由于湿地通常处于水陆交汇地带,湿地生态系统具有高度的空间异质性和水文动态特征,湿地生态系统的精细监测和制图极为困难(张玉红等, 2015; 姜明等, 2018).因此,迫切需要选择合适的数据源和分类方法,使湿地监测研究不断趋于定量化、精细化和准确化. ...
Mapping wetlands and riparian areas using Landsat ETM+ imagery and decision-tree-based models
1
2006
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
Wetland mapping by fusing fine spatial and hyperspectral resolution images
2
2017
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
... )(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
On the Douglas-Rachford splitting method and the proximal point algorithm for maximal monotone operators
1
1992
... 式中:y为影像的光谱特征值;A为端元光谱库; 为丰度向量的非负约束(ANC); 为丰度向量的和为“1”约束(ASC); 为弗罗贝尼乌斯范数;正则化参数 用来调节解的拟合度和稀疏程度所占的比重; 表示L2范数,代表丰度向量x中非零元素的个数,假设高光谱影像中每个端元都会出现在整幅影像的像元中,对遥感数据中的所有像元同时添加稀疏性,并迫使影像中不存在的端元值为0,来提高混合像元分解的精度(Zhang et al, 2016).最后,结合Jonathan Eckstein开发的交替迭代算法(ADMM)和变量分裂增广拉格朗日算法对L2范数的稀疏解混算法进行求解,解决了解的优化问题(Eckstein et al, 1992; Iordache et al, 2013). ...
The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models
1
1998
... 过去几十年来,已经提出了许多基于遥感的湿地分类算法,包括:基于像素的分类算法(最大似然法、支持向量机分类法、决策树分类方法、随机森林分类方法等)、面向对象的分类算法和混合像元法分解法等(那晓东等, 2008; 张策等, 2011; Michishita et al, 2012; 谢静等, 2012; 肖锦成等, 2013).在这些方法中混合像元分解法更具优势,这是因为遥感影像受空间分辨率和地物复杂度的影响,每个像元可能包含多种组分,而中低分辨率影像尤为严重.但是传统的线性光谱解混算法在应用中更具灵活性且求解简单,已被广泛用于湿地及其周边土地利用类型的提取(Gutman et al, 1998).线性光谱解混算法对场景内的所有像元均采用同一组端元进行光谱解混,没有考虑到端元光谱的空间异质性,在湿地精细分类的复杂场景下容易造成分类结果的误判.SUFCLS算法是对FCLS算法的一种改进(Kai et al, 2013),首先通过稀疏解混算法遴选出每个像元中所占比例最多的端元组合;然后基于自适应选取的端元,利用FCLS算法进行丰度反演.本文将稀疏约束的最小二乘光谱解混算法应用于基于高光谱影像的扎龙湿地信息提取中,定量化地验证了该算法在中国东北地区典型保护区湿地遥感精细分类中的可行性,并与传统的最小二乘光谱解混方法的分类精度进行对比. ...
Four decades of winter wetland changes in Poyang Lake based on Landsat observations between 1973 and 2013
1
2015
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
Wetland inundation mapping and change monitoring using Landsat and airborne LiDAR data
1
2014
... 尽管本文研究表明,基于稀疏约束最小二乘光谱解混算法适用于高光谱影像的湿地精细分类,其应用过程中还需要注意以下问题:首先,由于受传感器和复杂外部环境的影响,实测光谱无法与影像光谱匹配一致,不能直接从实测光谱上提取端元.后续应考虑采用合适的方法将实测光谱和影像光谱进行有效匹配,综合实测光谱与影像光谱来提高解混精度.其次,本文仅选取了具有代表性的淡水沼泽湿地验证了该方法的可行性,然而不同湿地类型光谱特征的影响因素非常复杂,湿地植被的物候特征和水文情势都会对湿地的分类精度产生影响,未来将考虑将多种不同来源的高光谱影像和雷达影像相融合,深入挖掘时间序列多源影像中蕴含的信息,进一步探讨该方法在其他湿地类型如森林湿地、滨海湿地和人工湿地(Huang et al, 2014)遥感信息提取中的适用性. ...
Sparse unmixing of hyperspectral data
1
2011
... 在复杂的场景中,影像像元中实际存在的端元数目和类型远小于整个场景中的端元数目和类型,具有稀疏性,这种利用稀疏性的解混方法称为稀疏解混方法(Iordache et al, 2011).它是一种半监督的线性光谱解混方法,相应的线性解混模型为: ...
Collaborative sparse regression for hyperspectral unmixing
1
2013
... 式中:y为影像的光谱特征值;A为端元光谱库; 为丰度向量的非负约束(ANC); 为丰度向量的和为“1”约束(ASC); 为弗罗贝尼乌斯范数;正则化参数 用来调节解的拟合度和稀疏程度所占的比重; 表示L2范数,代表丰度向量x中非零元素的个数,假设高光谱影像中每个端元都会出现在整幅影像的像元中,对遥感数据中的所有像元同时添加稀疏性,并迫使影像中不存在的端元值为0,来提高混合像元分解的精度(Zhang et al, 2016).最后,结合Jonathan Eckstein开发的交替迭代算法(ADMM)和变量分裂增广拉格朗日算法对L2范数的稀疏解混算法进行求解,解决了解的优化问题(Eckstein et al, 1992; Iordache et al, 2013). ...
Weighted spectral unmixing method for hyperspectral mineral mapping. Journal of Remote Sensing
1
2013
... 过去几十年来,已经提出了许多基于遥感的湿地分类算法,包括:基于像素的分类算法(最大似然法、支持向量机分类法、决策树分类方法、随机森林分类方法等)、面向对象的分类算法和混合像元法分解法等(那晓东等, 2008; 张策等, 2011; Michishita et al, 2012; 谢静等, 2012; 肖锦成等, 2013).在这些方法中混合像元分解法更具优势,这是因为遥感影像受空间分辨率和地物复杂度的影响,每个像元可能包含多种组分,而中低分辨率影像尤为严重.但是传统的线性光谱解混算法在应用中更具灵活性且求解简单,已被广泛用于湿地及其周边土地利用类型的提取(Gutman et al, 1998).线性光谱解混算法对场景内的所有像元均采用同一组端元进行光谱解混,没有考虑到端元光谱的空间异质性,在湿地精细分类的复杂场景下容易造成分类结果的误判.SUFCLS算法是对FCLS算法的一种改进(Kai et al, 2013),首先通过稀疏解混算法遴选出每个像元中所占比例最多的端元组合;然后基于自适应选取的端元,利用FCLS算法进行丰度反演.本文将稀疏约束的最小二乘光谱解混算法应用于基于高光谱影像的扎龙湿地信息提取中,定量化地验证了该算法在中国东北地区典型保护区湿地遥感精细分类中的可行性,并与传统的最小二乘光谱解混方法的分类精度进行对比. ...
Classification of hyperspectral remote sensing images with support vector machines
1
2004
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
Spectral mixture analysis for bi-sensor wetland mapping using Landsat TM and Terra MODIS data
1
2012
... 过去几十年来,已经提出了许多基于遥感的湿地分类算法,包括:基于像素的分类算法(最大似然法、支持向量机分类法、决策树分类方法、随机森林分类方法等)、面向对象的分类算法和混合像元法分解法等(那晓东等, 2008; 张策等, 2011; Michishita et al, 2012; 谢静等, 2012; 肖锦成等, 2013).在这些方法中混合像元分解法更具优势,这是因为遥感影像受空间分辨率和地物复杂度的影响,每个像元可能包含多种组分,而中低分辨率影像尤为严重.但是传统的线性光谱解混算法在应用中更具灵活性且求解简单,已被广泛用于湿地及其周边土地利用类型的提取(Gutman et al, 1998).线性光谱解混算法对场景内的所有像元均采用同一组端元进行光谱解混,没有考虑到端元光谱的空间异质性,在湿地精细分类的复杂场景下容易造成分类结果的误判.SUFCLS算法是对FCLS算法的一种改进(Kai et al, 2013),首先通过稀疏解混算法遴选出每个像元中所占比例最多的端元组合;然后基于自适应选取的端元,利用FCLS算法进行丰度反演.本文将稀疏约束的最小二乘光谱解混算法应用于基于高光谱影像的扎龙湿地信息提取中,定量化地验证了该算法在中国东北地区典型保护区湿地遥感精细分类中的可行性,并与传统的最小二乘光谱解混方法的分类精度进行对比. ...
The economic value of wetland services: A meta-analysis
1
2001
... 湿地是地球上重要的生态系统,在物种存贮、调节气候、维护生态平衡及生物多样性保护等方面具有重要意义(Woodward et al, 2001; Yang et al, 2002).但是在高强度的自然和人为干扰的双重作用下,全球范围的湿地出现了严重的退化和消失的趋势.通过湿地调查和监测,准确地获取湿地的空间分布信息是进行湿地保护和管理的基础.目前湿地的监测手段已经从最初单纯的湿地野外综合考察发展到现代遥感技术和GIS技术支持下的湿地动态监测,监测内容也从最初的湿地类型、湿地面积等较为单一的监测扩展为湿地植被群落结构、植被分布格局及多样性、湿地生态水文过程等较为精细、系统化的监测.由于湿地通常处于水陆交汇地带,湿地生态系统具有高度的空间异质性和水文动态特征,湿地生态系统的精细监测和制图极为困难(张玉红等, 2015; 姜明等, 2018).因此,迫切需要选择合适的数据源和分类方法,使湿地监测研究不断趋于定量化、精细化和准确化. ...
Noise estimation in a noise-adjusted principal component transformation and hyperspectral image restoration
1
2008
... 由于遥感影像具有大尺度、重复覆盖的优势,来自不同传感器平台的多源卫星影像已成为湿地信息提取与动态监测的主要数据来源.例如,多光谱传感器获取的遥感影像数据,如常用的Landsat陆地卫星(Landsat-5 TM、Landsat-7 ETM+、Landsat-8 OLI)和SPOT等已在湿地遥感监测方面发挥了重要作用(Baker et al, 2006; 陈建等, 2011; 崔天翔等, 2013; 东启亮等, 2014; Han et al, 2015).虽然多光谱数据能够区分主要的土地覆被类型如沼泽、水域、农田、林地、草甸等,数量有限的波段并不能够区分沼泽和草甸中的亚类和植被群落,因此无法实现湿地的精细分类(Melgani et al, 2004; Chen et al, 2017).而高光谱遥感影像的波段间隔为10 nm, 与波段间隔为100 nm的多光谱传感器相比,连续的波谱特征能够有效识别出不同地物类型的光谱特征差异(图1)(Chen et al, 2017).因此,在复杂场景下,也能有效的区分不同的湿地植被类型(Xu et al, 2008). ...
Main characteristics, progress and prospect of international wetland science research
1
2002
... 湿地是地球上重要的生态系统,在物种存贮、调节气候、维护生态平衡及生物多样性保护等方面具有重要意义(Woodward et al, 2001; Yang et al, 2002).但是在高强度的自然和人为干扰的双重作用下,全球范围的湿地出现了严重的退化和消失的趋势.通过湿地调查和监测,准确地获取湿地的空间分布信息是进行湿地保护和管理的基础.目前湿地的监测手段已经从最初单纯的湿地野外综合考察发展到现代遥感技术和GIS技术支持下的湿地动态监测,监测内容也从最初的湿地类型、湿地面积等较为单一的监测扩展为湿地植被群落结构、植被分布格局及多样性、湿地生态水文过程等较为精细、系统化的监测.由于湿地通常处于水陆交汇地带,湿地生态系统具有高度的空间异质性和水文动态特征,湿地生态系统的精细监测和制图极为困难(张玉红等, 2015; 姜明等, 2018).因此,迫切需要选择合适的数据源和分类方法,使湿地监测研究不断趋于定量化、精细化和准确化. ...
Hyperspectral unmixing based on local collaborative sparse regression
1
2016
... 式中:y为影像的光谱特征值;A为端元光谱库; 为丰度向量的非负约束(ANC); 为丰度向量的和为“1”约束(ASC); 为弗罗贝尼乌斯范数;正则化参数 用来调节解的拟合度和稀疏程度所占的比重; 表示L2范数,代表丰度向量x中非零元素的个数,假设高光谱影像中每个端元都会出现在整幅影像的像元中,对遥感数据中的所有像元同时添加稀疏性,并迫使影像中不存在的端元值为0,来提高混合像元分解的精度(Zhang et al, 2016).最后,结合Jonathan Eckstein开发的交替迭代算法(ADMM)和变量分裂增广拉格朗日算法对L2范数的稀疏解混算法进行求解,解决了解的优化问题(Eckstein et al, 1992; Iordache et al, 2013). ...