结合样本优化和核学习子空间的多源异质遥感数据分类及城市应用

Multi-source remote sensing data provide complementary information, and their combination often leads to increased land cover classification accuracy. The quality of supervised classification map depends on the ground reference data and classification methods. However, training samples from urban multi-source remote sensing data are often mixed with noise, and classification of fused multi-source data requires classification methods of good generalization capability. This project will combine tolerance rough sets and kernel learning subspace methods for urban land cover classification using fused multi-source remote sensing data. Firstly, we develop a tolerance rough sets algorithm for effectively identifying and eliminating mislabeled training samples. Secondly, we propose a kernel principle component analysis for creating basis vectors for class subspaces. Thirdly, we evaluate the classification accuracy and generalization ability of the combined tolerance rough sets and kernel learning subspace methods based on fused multi-source remote sensing data at high and medium spatial resolution, respectively. Finally, we use the high spatial resolution classification maps to analyze intra-urban structure, and use medium spatial resolution classification maps to analyze urban expansions. The research has potential to expand the rough sets and kernel methods for multi-source remote sensing data based urban land cover classification. The outcome of this study can effectively promote the application of multi-source remote sensing data in urban areas, which has both theoretical and practical significance.

.利用多源异质遥感数据的信息互补特征，可以有效地提高土地覆被分类精度。监督分类的精度依赖于选取的训练样本和分类器。然而，城市的多源异质遥感数据通常含有噪声，并且要求分类器有更好的泛化能力。本项目拟以融合的多源异质遥感影像为数据源，组合容差粗糙集和核学习子空间方法，进行城市土地覆被分类研究。首先，研究基于容差粗糙集方法的识别和去除异常样本的方法；其次，在子空间分类方法中，引入核主成分分析生成子空间的基向量；然后，使用融合的高和中空间分辨率的多源异质遥感数据，评价组合的容差粗糙集和核学习子空间方法对提高分类精度的作用和其泛化性能。最后，以高空间分辨率的土地覆被图研究城市的内部构造；以低空间分辨率的土地覆被图研究城市的整体状况。本项目不仅能够促进粗糙集和核方法在遥感图像分类中的应用，而且能够促进多源遥感数据在城市扩展研究中的应用，具有重要的理论与应用意义。

利用多源遥感数据的信息互补特征，可以提高土地覆被分类精度。然而，多源数据的融合通常含有噪声，如果使用单一的分类方法，会制约分类的精度。本项目使用多源遥感数据进行分类研究，采用了子空间方法、粗糙集方法以及核子空间方法来探索分类性能。重要成果如下：1）融合多光谱数据和全极化SAR数据对上海市进行了基于局地气候分区（LCZ）的土地覆被分类。结果表明，利用全极化SAR数据的全部极化参数、目标极化分解的特征、不同极化方式的强度信息以及光学影像的光谱信息，可以有效区分城市内不同的建筑类型，尤其是不同高度和密度的建筑类型。子空间方法的分类性能优于最大似然方法和支持向量机方法，特别是在分类用数据维数很高且存在数据冗余时，子空间方法的性能优越（论文发表在Urban Climate期刊）。2）开发了组合子空间和网格单元的分析方法，系统分析了此方法对土地覆被变化检测的作用，研究结果表明该方法既能准确提取各地物的面积信息，又能够把不同时期的土地覆被图链接起来，从而便于进行定量的时空分析。该研究丰富和扩展了土地覆被分类及变化检测的技术方法，对促进森林的监测保护及农业可持续发展具有一定的实践意义（论文发表在Land Degradation & Development 期刊）。3）融合多光谱数据和SAR数据对南昌市的基于LCZ的城市内部结构与地表温度之间的关系利用格网方法进行了定量分析。研究表明，夏季晚上的地表温度在不同的LCZ类别上的差异非常显著，结果可为城市规划研究提供数据支撑（论文题目发表在Remote Sensing）。4）本项目将粗糙集方法应用到遥感影像土地覆被分类中。结果表明，同典型的粗糙集方法相比，该研究使用的粗糙集方法能够避免数据分级过程中的信息损失，也不用额外进行参数设置，而且对类别定义的敏感性很低。与MLC和SVM相比，本项目采用的粗糙集方法对训练数据的敏感性较低。因此，可以使用本项目的粗糙集方法获取高精度的土地覆被分类结果 (论文发表在IEEE GRSL)。

内容获取失败，请点击重试