融合高分夜光和Landsat OLI影像的不透水面自动提取方法.pptxVIP

融合高分夜光和LandsatOLI影像的不透水面自动提取方法汇报人：2024-01-24

目录contents引言数据源与预处理不透水面自动提取方法融合高分夜光和LandsatOLI影像的提取方法实验结果与分析结论与展望

01引言

城市化进程加速，不透水面面积迅速增加，对城市环境、生态和气候变化产生重要影响。不透水面提取是城市遥感研究的重要内容，对于城市规划、环境监测和灾害评估等具有重要意义。高分夜光和LandsatOLI影像具有不同的光谱和时间分辨率特性，融合二者可以提高不透水面提取的精度和效率。研究背景与意义

高分夜光和LandsatOLI影像在不透水面提取中得到了广泛应用，但单一数据源提取方法存在精度和效率问题。多源遥感数据融合是不透水面提取的重要发展趋势，可以综合利用不同数据源的优势，提高提取精度和效率。国内外学者已经开展了大量不透水面提取方法的研究，包括基于像元、对象和深度学习的方法。国内外研究现状及发展趋势

研究内容融合高分夜光和LandsatOLI影像，实现不透水面的自动提取。研究目的提高不透水面提取的精度和效率，为城市规划、环境监测和灾害评估等提供可靠的数据支持。研究方法采用深度学习技术，构建融合高分夜光和LandsatOLI影像的不透水面提取模型，通过大量样本训练和测试验证模型的性能。同时，与单一数据源提取方法进行对比分析，评估融合方法的优势。研究内容、目的和方法

02数据源与预处理

提供米级甚至亚米级的空间分辨率，能够捕捉到更精细的地表信息。高分辨率夜间光辐射信息数据获取反映人类活动的强度和分布，与不透水面的分布密切相关。通过卫星遥感平台获取，覆盖全球范围，具有重访周期短的优势。030201高分夜光影像数据

提供30米的空间分辨率，适用于大区域范围的地表覆盖研究。中等分辨率包含可见光、近红外和短波红外等多个波段，用于识别不同类型的地表覆盖。多光谱信息由美国地质勘探局（USGS）免费提供，具有长时间序列和全球覆盖的特点。数据获取LandsatOLI影像数据

消除影像的几何变形，确保不同数据源之间的空间配准。几何校正消除大气对影像的影响，获取地表真实的反射率信息。大气校正将不同分辨率的影像统一到相同的空间分辨率，以便于后续分析。重采样数据预处理

123提供地形信息，用于辅助不透水面的提取和地形校正。数字高程模型（DEM）提供地表覆盖类型信息，用于辅助不透水面的识别和分类。土地利用/覆盖数据提供社会经济和地理信息，用于不透水面提取结果的验证和分析。统计数据与GIS数据辅助数据获取与处理

03不透水面自动提取方法

支持向量机利用核函数将原始特征空间映射到高维特征空间，在高维空间中寻找最优超平面，使得不同类别样本的间隔最大。最大似然法通过统计不同地物类型在影像上的亮度值分布，计算每个像元属于各类别的概率，将像元划分到概率最大的类别中。决策树分类通过训练样本构建决策树模型，对影像进行逐像元的分类。决策树节点表示特征属性上的判断条件，分支代表可能的属性取值，叶子节点表示类别。基于像元分类的方法

根据影像的光谱、纹理等特征，采用不同尺度对影像进行分割，得到同质性较强的对象。多尺度分割提取对象的几何、光谱、纹理等特征，构建特征向量。特征提取采用支持向量机、随机森林等分类器对对象进行分类。分类器设计面向对象分类的方法

03生成对抗网络通过生成器和判别器的对抗训练，提高模型的泛化能力，可用于影像的增强和分类任务。01卷积神经网络通过卷积层、池化层等结构提取影像的深层次特征，采用全连接层对特征进行整合和分类。02循环神经网络利用循环神经网络的记忆功能，对序列数据进行建模，适用于处理具有时序关系的影像数据。深度学习的方法

不同方法的比较与选择基于像元分类的方法适用于地物类型简单、光谱差异明显的场景，计算效率较高，但容易受到噪声干扰。面向对象分类的方法能够充分利用对象的几何、光谱等特征，对于复杂场景的分类效果较好，但计算效率相对较低。深度学习的方法能够自动提取影像的深层次特征，对于大规模、复杂场景的分类任务具有优势，但需要大量的训练样本和计算资源。

04融合高分夜光和LandsatOLI影像的提取方法

影像配准采用地理坐标配准方法，将高分夜光和LandsatOLI影像精确配准到同一地理坐标系下。融合算法采用基于像素级的融合算法，如IHS变换、主成分分析（PCA）等，将高分夜光和LandsatOLI影像进行有效融合。影像预处理对高分夜光和LandsatOLI影像进行辐射定标、大气校正等预处理操作，消除影像间的辐射差异。融合策略与方法

光谱特征利用灰度共生矩阵（GLCM）等方法提取融合影像的纹理特征，以反映不透水面的空间分布规律。纹理特征形状特征通过边缘检测、形态学处理等手段提取融合影像的形状特征，用于描述不