城市绿地信息提取方法.doc

1、KPCA和SAM相结合lw-65基于KPCA和SAM的城市植被遥感分类研究.pdf2、QuickBird 利用监督分类、植被指数分类和目视解译等方法对QuickBird高分辨率卫星遥感影像的绿地信息进行提取，并对分类精度作了比对分析。研究结果表明，监督分类方法不能得到令人满意的结果，运用植被指数分类方法则有明显改善，其中归一化植被指数(NDW)精度最高，因此NDVI能有效地对植被进行分类与识别。归一化植被指数NDVI，NDVI被定义为近红外波段与可见光红波段数值之差与这两个波段数值之和的比值。其计算公式为：NDVI=(NIRR)(NIR+R)； 比值植被指数(RVI)，其计算公式为：RVI=NIRR；差值植被指数(DVI)，其计算公式为：DVI：NIRR；转换型植被指数(TNDVI)，其计算公式lw-64高分辨率遥感影像在城市绿地信息提取中的应用研究.pdf【不错】3、混合像元分解结合SVM法与决策树法比较lw-63利用混合像元分解结合SVM提取城市绿地.pdf4、车生泉等采用目视解译法提取了上海市外环线内650 km 的绿地信息、黄浩利用IKONOS影像采用基于KPCA的SAM城市植被分类模型提取了南京市玄武区的植被覆盖类型和园林绿地类型、SAVI指数；本研究采用SAVI指数，其主要原因是：(1)NDVI的饱和值很低(LAI 为23)，只适用于稀疏植被条件下应用，但此时土壤辐射亮度的变化(如由于土壤含水量的变化而引起的反射率变化)对NDVI值又有极大的影响 ，而城市建成区恰恰多为植被覆盖率30的低植被覆盖区；(2)SAVI比较适用于低植被覆盖区，其探测下限可低至t5 ，因此较适合于城市建成区的使用；(3)SAVI较NDVI具有更宽的数值动态范围，在一11的区间范围里，SAVI的数值范围较NDVI增加了05左右。如将其换算(拉伸)至256个灰度级，SAVI的数值动态范围则比NDVI增加很多数量级。这一动态范围的增加，就使得建筑区、植被和水体这三种地类在SAVI影像中比在NDVI影像中更容易区分lw-62CBERS-02星CCD数据在城市绿地信息提取方面的应用以扬州市为例.pdf【较好】5、SVM 分类法 本研究以江苏省徐州市为例，运用TM遥感数据为数据源通过计算相关系数选取3种最优波段进行组合，运用SVM 分类法，提取城市绿地信息，结果表明，该方法对研究区域绿地信息的提取取得了较好的效果最后提出研究区域的绿地规划建议lw-61基于TM影像的城市绿地信息提取.pdf6、目视解译提取城市绿地费时费力，但是精度较高，因此目前仍被广泛应用。：针对遥感技术提取城市绿地所存在的争论，分两步对城市绿地信息提取展开了研究：(1)分别以三种不同的处理方法(植被指数法、KT变换法、像元线性分解)，提取了研究区域ETM+影像的绿地信息。(2)针对同一方法(植被指数)，提取了三种不同分辨率遥感数据(ETM+、SPOT、QuickBird)的绿地信息。实验结果表明：三种方法中植被指数（NDVI）是提取城市绿地的最佳方法，SPOT影像则是所有实验数据中绿地信息提取效果最好的。lw-59基于遥感的城市绿地提取研究.pdf7、运用遥感信息技术，以吉林市为例，在TM影像中对城市绿地进行信息提取。通过4种绿地信息提取方案(彩色合成法、穗帽变换，归一化植被指数NDVI计算、实验波段合成)的比较发现，归一化植被指数NDvI计算方法目视解译的效果最好，彩色合成法的分类效果最佳，研究得出吉林市的绿地面积约占r垫体的40，可以得到比较理想的分类结果。多光谱遥感技术主要是根据植被指数来对植被进行研究， 计算植被指数的方法很多，包括比值植被指数(RVI)、归一化植被指数(NDVI)、垂直植被指数(PVI)等7。其中，归一化植被指数(NDVI)足最常见的一种89，用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。归一化植被指数(NDVI)是植被生长状态及植被覆盖度的最佳指示因子1O，被定义为近红外波段与可见光波段数值之差和这两个波段数值之和的比值，即NDVI= (NIRR)(NIR+R) (1)计算NDVI的值，负值表示地面覆盖为云、 水、雪等，对可见光高反射；O表示有岩石或裸土等，NIRR近似相等；iF值表示有植被覆盖，且随覆盖度增大而增大。由于吉林市地形起伏造成地表光照条件不一致，对TM图像中波谱信息造成的影响程度较高。本研究中采用标准绿色植被指数NDVI做比值处理，可以消除与太阳高度角、地形等条件的影响1O。见图3。lw-58城市绿地现状自动提取.pdf8、城市绿地是城市生态系统中的一个子系统。可以综合调节城市生态环境。本文基于遥感信息，对乌鲁木齐市绿地格局进行研究和探讨，对城市绿地专题信息进行提取。主要通过计算TM 影像及各主成分分量和归一化植被指数NDVI的相关系数来进行波段组合，提高遥感影像的目视解译精度和分类精度，然后与其他资料对比研究，可以发现该方法对于城市绿地信息提取能取得较好结果。研究表明乌鲁木齐市城市绿地存在面积较少，分布状况不均匀。lw-57基于遥感的乌鲁木齐市绿地资源信息提取技术研究.pdf9、：利用植被指数从TM影像中提取植被，从技术与经济成本方面综合考虑，是一个比较好的手段。但在城市绿地信息提取中，由于城市下垫面的特殊性和植被指数的繁多，究竟哪些植被指数最适合于城市绿地，还仍然是一个急待解决的难点问题。通过以上海中心城区为研究靶区，利用单因子方差分析与多重比较对植被指数在城市绿地信息提取中的优劣进行比较研究，得到如下结论：TM 影像经过植被指数计算处理后，植被信息确实得到了增强，但不同的植被指数也有所差别。如果以区分植被与非植被之间差异程度做标准，那么植被指数提取植被由优到劣则依次是GEMI、RDVI、NDVI、GNDVI、RVI、TNDVI、DVI、EVI和TGDVI。植被指数基本能从TM影像提取植被，但把植被再细分的效果不是太好。总体来看，除EVI和TGDVI以外，植被指数能较好的区分草地与农田；而树林与农田及草地与树林的区分则因不同的植被指数有所差异。区分草地与树林较好的是EVI，区分草地与农田较好的是GEMI，区分树林与农田较好的是TNDV1。植被指数不但细分植被的效果不是太理想，而且也不能很好的细分非植被地物。总体来说，所有的植被指数都很难把建筑物与道路区别开，尤其TGDVI、DVI和EVI更是如此。不过NDVI、GNDVI、TNDVI和GEMI能很好地把水体从TM 影像中提取出来，其余的植被指数则只能区分植被与非植被，不能再进一步的区分非植被地物关键 词：植被指数；单向因子方差分析；多重比较；上海由于内外部的原因，植被指数的影响因子比较多，为此，国内外学者提出了形式各异的植被指数。自从Jordan 1969年最早提出了比值植被指数(RVI)后，目前已明确定义的植被指数有4O多个 ，再加上修正的植被指数，其数目不下百种。繁多的植被指数在具体应用中让使用者无所适从，特别是由于城市下垫面的特殊性质，究竟哪些植被指数最适合，目前仍然是一个急待解决的难点问题。有详细的操作步骤lw-56植被指数在城市绿地信息提取中的比较研究.pdf 【较好】10、：提出了一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。选择广州市作为研究区，先用像元信息分解法把绿地从TM影像中分离出来，再以分离出来的绿地作为分类掩膜，采用BP神经网络法进行分类。并开展野外遥感调查以提高和验证分类精度。结果表明：该方法保证了分类时绿地的纯洁度，有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响，提高了分类的精度。关键词：城市绿地；遥感信息；像元信息分解；神经网络分类；广州市lw-54城市绿地遥感信息自动提取研究以广州市为例.pdf11、IKONOS本文以南京城市为例，重点讨论了基于IKONOS影像的城市绿地信息分级分类提取方法，通过将IKONOS多光谱数据合成，根据各类地物的不同光谱特征，采取相应的方法提取出各层信息。在此过程中，仔细分析地物间在IKONOS 4个波段中的光谱差异，非线性增强阴影区绿地的NDVI值， 利用光谱差异分层提取、剔除信息，最后把各分级绿地信息合并得到整体绿地分布图。分级分类法充分考虑各类目标的不同特点，避免了通常单一分类方法中单纯利用光谱特征所造成的地物混分现象。关键词：信息提取；绿地；归一化植被指数；混合像元IKONOS影像信息是大容量的、多元化的，丰富的， 同时也是复杂的，单纯采用一种方法难以从影像中一次完成各类目标信息的准确提取。根据信息源的特点与分析处理目标的不同，采用不同的处理技术和分析方法相结合的手段，才能获取相对理想的结果。本文综合采用基于光谱特征对试验区进行绿地信息提取，结果证明该方法非常有效。因为IKONOS影像分辨率高，影像中地物几何结构和纹理信息明显，信息复杂且存在同物异谱和异物同谱现象，该特点使得图像处理及地物分类方法在某种程度上不同于一般的遥感影像处理分类方法。由于遥感分类对象区域及影像数据量较大且易混分，需将分类对象区域细分。分层分类法是提高影像分类精度的一种手段，该方法通过目视解译，光谱分析及其它辅助数据等，将分类对象地区分层细分成亚分类对象地区，对各个亚分类对象区的影像进行分类，最后将各亚分类区的分类结果合并形成最终的分类图。本论文研究亚分类区影像信息提取的一种途径，即针对各类地物特点分别进行处理， 当提取出一层信息后，将其从原图像中剔除，避免对其它信息提取的影响，为下一步信息提取提供方便。这样每次针对特定目标提取，使问题相对简化，每一类信息提取的精度得到提高，最终提高了总精度。该方法处理方便，能够分辨出具有细微光谱差异的地物而不考虑其它已分出来地物的光谱特征。考虑绿地提取研究的对象是整个城市，空间相对较大，基于多光谱特征的分类提取方法对全色波段还不适用，本文对4 1T1分辨率的多光谱数据彩色合成后进行绿地提取。lw-52IKONOS影像在城市绿地提取中的应用.pdf【非常好】12、以石家庄市为例，重点讨论了基于QUICKBIRD影像的城市绿地信息分级分类提取方法，通过将QUICKBIRD遥感图像进行波段组合、对比度拉伸、几何纠正后将其多光谱数据合成，根据各类地物的不同光谱特征，采取相应的方法提取出各层信息。在此过程中，仔细分析地物间的光谱差异，非线性增强阴影区绿地NDVI值，利用光谱差异分层提取、剔除信息。分级分类法充分考虑各类目标的不同特点，避免了通常单一分类方法中仅利用光谱特征所造成的地物混分现象。面向像元技术以像元为基本单元进行信息提取，即参与信息提取的因子是像元的光谱信息。由于遥感影像中的地物类别特性不仅表现在单纯的色彩上，还表现在形状、纹理等特征上。纹理反映的是像元灰度的空间变化特征，是分布在整个影像中某一区域内具有规律性排列的图形，当目标的光谱特征比较接近的时候，纹理特征对于区分目标可能会起到积极的作用_4 J。因此，波谱信息类似而形状、纹理信息不_同的地类如：房顶和道路路面、受污染的水体、绿色植物、农作物和林地等很难采用面向像元技术进行区分，错分的现象十分严重。目视解译方法是目前常用的高分辨率遥感影像信息提取技术方法，要求有丰富的专业经验和充足的野外实地调查资料，但目视解译的过程非常繁琐与漫长。这种采用人工作业屏幕数字化的方法，效率低，受主观因素干扰大，质量难以保证，成本也相应地上升，同时，虽说仅凭目视解译就能达到较好的效果，但是边界易错位，地物定位精度低。由此可知，单纯采用一种方法难以从影像中一次完成各类目标信息的准确提取。lw-51QUICKBIRD影像在城市绿地提取中的应用以石家庄市为例.pdf【较好】13、lw-48一种基于植被指数的遥感影像决策树分类方法.pdf14、笔者主要通过计算23 影像及各主成分分量和归一化植被指数4567 的相关系数的方法来进行波段组合，由45H67、主成分变换等衍生数据参与的波段组合对于提取植被信息效果优于其余波段)* 由于它们的参与，不仅增强了目视判读精度，而且用它们的波段组合可以提高分类精度* 然后采用非监督分类和监督分类相结合的方法对开封市绿地信息进行提取运用监督分类完成的遥感影像分类，其分类结果中也会不可避免地存在一些面积很小的图斑，利用67,89 软件的聚类功能（:;）对分类结果进行聚类统计，然后运用去除功能（?;=ABC?）去除聚类影像中面积小于 个像元的小图斑并将它们合并到相邻的最大分类中0处理后结果见图20lw-47遥感影像绿地信息提取以开封市为例.pdf【非常好】15、arcgic中应用ARCGIS 软件对遥感影像进行目视解译,得到铜仁市绿地类型矢量图,并对遥感图像上因城市建设而变动的区域以及因图像本身质量问题(如云彩遮挡) 而无法准确辨认的区域进行野外实地测量和校正;将绿地类型矢量图转化成栅格图像数据;进而采用景观斑块谱方法,利用Fragstat s3. 3 软件对铜仁市城市绿地景观结构特征进行具体分析。lw-40基于QuickBird遥感影像的铜仁市城市绿地景观结构特征分析.pdf16、高分辨率遥感影像是城市绿地信息快速提取的主要数据源,利用传统方法处理该数据的工作量十分巨大. 该文提出利用AutoCAD、Photoshop 和ERDAS 两种软件相结合的方法,提取包头市城市绿地覆盖信息,达到清查城市绿地的目的.该方法信息获取周期短、精度高、成本低,实现了城市绿地信息精确获取与快速更新.lw-38基于高分辨率影像的城市绿地快速提取方法.pdf【较好】17、对2008年8月覆盖乌鲁木齐市主城区的IKONOS 遥感影像进行预处理提取植被信息, 再用代表性样地法采集主城区乔木树种的样点数据计算主城区绿量, 选定归一化植被指数(N DV I )、土壤调节植被指数(SA V I )、修正土壤调节指数(M SA V I ) 和比值植被指数(RV I ) 做为自变量, 以实测样本数据作为应变量, 采用多元回归分析法建立基于遥感影像的乌鲁木齐市绿量遥感估算模型: Y = 44916N DV步骤较详细lw-33乌鲁木齐市主城区绿量的遥感估算.pdf【较好】lw-31-lw65SB-25聊城市城市绿地空间结构及功能研究.pdf【非常好】Lw-66基于K_T变