遥感影像数据挖掘研究进展_周小成

遥感影像数据挖掘研究进展

周小成,汪小钦

(福州大学福建省空间信息工程研究中心,数据挖掘与信息共享教育部重点实验室,福州350002)

逐一细化成精细类别,通过加入决策函数一步一步地进

行分类。典型的决策树方法有分类回归树(CART)、ID3、

C5.0等。与传统的单层最大似然法分类器相比,决策树可

以在不同的分类等级与节点上采用不同的特征子集,甚至可

以采用不同的分类器;可以选用较少的特征,避免高维数据

带来的系列问题[14]。在实际中,一般类别都交错分布,在这

种情况下,可以采用空间分割聚类的方法,即分割线两边在

当前情况下具有最大的对比度,子集内可以有多个类型分

布而不再要求分割到单个的类别[15]。

利用数据挖掘技术从GIS和遥感影像中发现知识,可以

改善土地利用分类的精度。Huang[16](1997)等用C4.5算法

从GIS数据和SPOT多光谱图像数据中提取知识进行湿地

分类。Eklund,et al.[17](1998)在土壤盐碱度分析中,采用

C4.5归纳学习算法从TM图像和地图数据提取到相关知

识。布和敖斯尔[18](1999)提出了基于知识发现和决策规则

基础的盐碱地GIS和遥感分类的方法。Deren LI[19](2000)

提出了空间对象尺度和像素尺度两个学习尺度用于从空间

数据中归纳学习。用C5.0归纳学习算法发现有关空间分布

模式和形状特征规则,然后用总结的模式对图像重新分类。

通过与单纯Bayes分类结果的比较,总体分类精度大大提高。

潘永生[20](2002)利用改进的决策树算法和修剪算法对乳腺

疾病图像进行数据挖掘,证明了决策树算法在医学图像数据

挖掘领域有着广泛的应用前景。

2.2.2利用空间知识规则辅助分类

利用空间数据挖掘理论挖掘的空间关联规则、空间特征

规则、空间聚类规则等空间知识规则可以提高遥感解译的可

靠性、精度和速度[21]。如森林迹地海拔高于100m,居民地

和道路相连等。王雷[22](2001)利用遥感影像分类获取的地

物类型分别与坡向叠加,生成坡向直方图。发现旱地偏东向

的频率较高,居民地则是偏南向的频率较高。这种方法提高

了遥感非监督分类的效率与可靠性,有助于地学规律的发现

与描述。杨存建[23](2001)通过对不同类型居民地的遥感影

像特征、光谱特征和空间关系分析,从而发现居民地的光谱

特征知识、空间关系知识,建立了基于知识的遥感图像居民

地信息提取模型。Brodley C.E.[24](2002)提出了利用高维

遥感数据在土地覆盖分类时融入领域知识的新方法。利用统计学和机器学习领域最新的理论,采用一个被称为推进(boosting)的技术,它允许对类别成员进行充分的评估。该

方法允许基于辅助信息对分离性很差的类别进行区分。

对于在特征空间中寻找特征模式,由于样本集之间互相

重叠或者由于离散样本相互干扰的原因,往往很难获取细节性和过程性的分布结构,从而影响结果的精度和解释力。骆剑承[25](1999)提出了空间逐步寻优的数据挖掘方法(SOMM)。SOMM应用于遥感影像特征挖掘中,考虑了遥感影像的地学特征,在模型中融合了地学知识,在其所建模型

中含有地学特征,从分类结果看,用SOMM分层分类法比传统的一般统计分类方法分类精度高[26]。遥感图像理解中的结构模式识别是实现图像理解极具优势的方法,GIS属性数据融入遥感图像理解具有重要意义,它们要求系统具有知识获取和知识处理的能力。专家系统也具有解决问题的能力, 但由于知识获取的困难,必须借助数据挖掘技术。神经网络和进化计算均具有上述功能,它们的结合更能发挥各自的优势,并能较好地解决GlS数据融入遥感图像处理的问题[27]。基于自组织地图(SOM)人工神经网络算法,Evangelou I.[28] (2001)提出了一种用于图像数据挖掘和知识发现的方法,能够使我们获得经过简化的图像数据空间的图片。

2.3图像聚类

Soh Leen-Kiat等[29～30](1998,1999)建立了一个通用

的研究遥感影像数据挖掘模型。应用该模型实现了一个全自动挖掘遥感影像的技术,它通过非监督聚类学习有意义的类别或模式。Soh Leen-Kiat(1999)还研究了一个集成数据

库知识发现和数据挖掘到传统图像处理算法的分割方

法[31],该方法可用来分析和分割非结构的卫星影像中的自然景观。图像的类别数目可自动被确定。该方法已经成功应用到ERS1 SAR、TM、NOAA超高分辨率辐射仪(AVHRR) 数据中的自然景观分类中。此外,Chunyu Zhao(2001)探讨

了空间数据挖掘中粗集理论的应用可能性和基于数学形态学遥感图像聚类方法[32]。聚类方法是用于热点目标识别的重要方法。Tay,Seng Chuan[8](2003)提出了不同的方法来

去除伪热点。在获取热点和对其分类时用聚类和Hough变换来确定目标的模式。如果是火灾,那通常不会以规则的模式如直线来蔓延,依据这一模式来判断伪预警点。并且示范了利用空间数据挖掘技术从NOAA影像上获取热点目标时剔除伪预警点的方法。利用遥感信息挖掘技术可用于疾病监测和防治。可配合地面监测,研究病原体或媒介的可能孽生地。利用历史遥感资料结合疾病的既往分布,预测疾病未来潜在的疫区[9～10]。

Aldridge[11](1998)在粗集理论支持下,利用RS-GKDD

(Rough Set Based Geographic Knowledge Induction)方法对新

西兰Dunedin附近的滑坡影像进行了研究,发现了高程、岩

性与滑坡之间的显著关系。马建文[12](2001)在遥感弱信息

和临边效应信息提取方面做了大量的研究,认为基于傅立叶

变换和小波变换在遥感影像数据挖掘方面具有很好的应用

前景。通过不同空间时间序列和不同探测机理的遥感数据

融合,增强遥感图像的几何、时间和光谱分辨率,提高对目标

的识别能力也已成为数据挖掘的热点问题[13]。

2.4空间关联规则挖掘

遥感影像中“深层知识”,如空间位置分布规律、空间关

联规则、形态特征区分规则等,必须通过运算和学习才能挖

掘出来。图像数据库中的空间关联规则挖掘与事务数据库

中的存在着一些差异。一个图像可以包含多个对象,每个对

象可以有许多特征,如颜色、形状、纹理、关键字和空间位置。

这样可能存在大量的关联。利用多级分辨率挖掘方法可大

大降低总体数据挖掘的代价,而又不损失数据挖掘结果的质

量和完整性。这是一种在大型图像数据库中挖掘关联的高

效方法。

59

2005.3综述遥感信息

法来压缩多光谱可视化信息到利于管理的尺寸。Soh,

Leen-Kiat[29～31](1998,1999)等设计了一个海冰分割系统

-ASIS(Automated Sea Ice Segmentation)。该系统集成了图

像处理、数据挖掘和机器学习方法来确定ERS和

RADARSAT SAR图像上海冰的实际类别数。ASIS能够用

作一个预处理工具,帮助分析海冰图像以及作为人工分类海

冰图像的一个基础。Hinke,T.H.[51](2000)指出了一系列

对于遥感数据挖掘系统的需求,并且设计了一个称为ADAM

的数据挖掘系统。系统具有目标独立挖掘、矢量数据(以多

光谱或融合数据为代表)关联规则挖掘、纹理特征间关联规

则挖掘几个遥感数据挖掘功能。Marchisio,Giovanni B.[52]

(2000)设计一个了多光谱图像融合GIS数据的挖掘系统。

数据挖掘和信息恢复模块借助GIS数据从遥感影像上获取

信息。Durbha,Surya S.[53](2002)分析了模拟大气、场景和

传感器参数的可视化遥感数据挖掘的发展。通过修改这些

领域现有的模型,在软件环境中利用IDL开发完成了一个可

视化遥感挖掘系统。一个图形用户界面能够使用户利用预

定义的菜单交互式选择不同土地覆盖类型(如水体,农田,土

壤等)以及生成可视化场景。系统可以表示一个模拟的

Landsat ETM,SPOT XS和最新的QuickBird传感器数据。

4小结

根据以上研究进展的分析,可以看出,遥感影像数据挖

掘是一个有着广阔应用前景的研究领域。遥感影像数据挖

掘还应着力解决和注意的几个问题是:①空间图形和图像数

据的一体化管理及操作,基于数字图像直接进行建模的数据

挖掘模型。②随着新型遥感卫星的增多,连续打开卫星数据

必将成为空间代理部门的一件繁重的任务。用户在寻找他

们需要的数据来测试算法和方法也必将变得十分困难。因

此,研究能够通过内容有效查询图像的方法,提供高效的可

视化数据挖掘环境势在必行。③由于遥感数据具有诸多特

点,因此在遥感数据库进行知识发现,需要克服使用单一技

术的缺陷,即需要融合多种不同空间数据挖掘技术发现隐含

知识的难题。④必须借助高效的索引技术来提高空间数据

的处理效率。由于“维数灾难”现象,应开发能够支持高维数

据的索引机制及聚类方法。对于大规模高维空间而言,人为

确定聚类算法的输入参数是很困难的,需要着力开发自适应

无参数的聚类算法。

参考文献

1何国金,胡德永,从柏林,等.卫星遥感数据开采与知识发现的信息论方法[J]..遥感技术与应用,1999,14(1):42～48.

2李德仁,王树良,史文中,等.论空间数据挖掘与知识发现[J].武汉大学学报(信息科学版),2001,26(6):491～499.

3Datcu M.,Seidel K.Image information mining:exploration of image content in large archives[C].IEEE Aerospace Conference Proceedings,2000

(3):253～264.

4Klose Aljoscha,Kruse Rudolf,Gross Hermann.Tuning on the fly of structural image analysis algorithms using data mining[C].Proceedings of

SPIE-The International Society for Optical Engineering,2000.4055:311～321.

5Ding Qin,Khan Maleq,Roy Amalendu.Proceedings of the ACM symposium on applied computing[C].2002.426～431.

6Heas Patrick,Datcu Mihai,Abdellani Malika,Giros Alain.Image Time Series Mining for Dynamic Scene Understanding[C].International Geo-

science and Remote Sensing Symposium(IGARSS).2003(2):1380～1382.

7Szu Harold H,Le Moigne,Jacqueline.Integration of local texture information in the automatic classification of Landsat images[C].Proceedingsof

SPIE-The International Society for Optical Engineering,1997(3078):116～127.

8Tay Seng Chuan,Hsu Wynne,Lim,Kim Hwa.Spatial Data Mining:Clustering of Hot Spots and Pattern Recognition[C].International Geo-

science and Remote Sensing Symposium(IGARSS).2003(6):3685～3687.

9张波,张治英,徐德忠.MODIS遥感图像在江宁县江滩钉螺分布研究中的应用[J].中华流行病学杂志,2003,24(4):257～261.

10张治英,徐德忠,周晓农.应用LANDSAT ETM+图像监测江宁县江滩钉螺孽生地[J].第四军医大学学报2003,24(2):139～142.

11Colin HAldridge.Discerning Landslide Hazard Using a Rough Set Based Geographic Knowledge Discovery Methodology[C].The 11th Annual

Colloquium of the Spatial Information Research Centre University of Otago,Dunedin,New Zealand,1999.

12马建文,赵忠明,布和敖斯尔.遥感数据模型与处理方法〔M〕,北京:中国科学技术出版社,2001.

13毛克彪,田庆久.空间数据挖掘技术方法及应用[J].遥感技术与应用,2002,17(4):198～204. 14王晋年,张兵,刘建贵.以地物识别和分类为目标的高光谱数据挖掘[J].图形图像学报,1999,4(11):957～964.

15周成虎,骆剑承,杨晓梅,等.遥感影像地学理解与分析[M].北京:科学出版社.1999.

16Huang Xueqiao and John R.Jensen.AMachine-Learning Approach to Automated Knowledge Based Building for Remote Sensing Image Analysis

with GIS Data[J].Photogrammetry Engineering and Remote Sensing,1997,63(10):1185～1184.

17Eklund P.W.,Kirbky S.D.,A.Salim.Data mining and soil salinity analysis[J].Int.J.of GIS,1998,12(3):247～268.

18布和敖斯尔.基于知识发现和决策规则的盐碱地遥感分类方法研究[J].中国图像图形学报,1999,4(11):965～969.

19Deren LI,Kaichang DI,Deyi https://www.360docs.net/doc/4011927621.html,nd use classification of remote sensing image with GIS data,Based on spatial data mining techniques[J].In-

ternational Archives of Photogrammetry and Remote Sensing,2000,XXXIII(part B3):Amsterdam,238～245.

20潘永生,庄天戈.决策树算法及其在乳腺疾病图像数据挖掘中的应用[J].计算机应用研究,2002,19(9):78～79.

21李德仁,王树良,史文中,等.论空间数据挖掘与知识发现[J].武汉大学学报(信息科学版),2001,26(6):491～499

22王雷,冯学智,都金康.遥感影像分类与地学知识发现的集成研究[J].地理研究,2001,2(5):637～643.

23杨存建,周成虎.基于知识发现的TM图像居民地自动提取研究[J].遥感技术与应用,2001,11(1):1～6.

61

2005.3综述遥感信息

挖掘关联规则问题就是产生支持度和置信度分别大于

用户给定的最小支持度和最小可信度的关联规则。马超

飞[33](2003)针对遥感数据挖掘的特点,提出了三种遥感数

据中关联规则挖掘方向:遥感数据多维量化规则挖掘;遥感

数据时间序列关联规则挖掘;遥感数据特征关联规则的挖

掘。并利用NOAA卫星AVHRR数据的甚高时间分辨率和

基于时序的关联规则挖掘方法集中研究时序图像数据的关

联规则。挖掘出了地表温度、土壤水分和沙尘暴的关联规

则:地面温度高容易产生沙尘,地面温度低不容易产生沙尘。

关联规则应用到大型图像数据库中时,一种挖掘是针对

大型图像集挖掘,另一种挖掘是针对图像、文字数据的组合

集挖掘[34]。图像相联规则挖掘方法远未成熟,主要问题在

于套用传统模型不能较好地反映图像数据的特征,因此,有

必要对相联规则模型进行改进研究。颜雪松[35](2003)提出

了一种在二维彩色图像中发现关联规则的挖掘算法。该算

法的优点在于可以在图像中发现关联规则;产生规则的效率

很高;不会产生无意义或无效的规则;算法的主要部分是自

动进行的。利用传统的相联规则思想,结合图像数据的特

性,李雄飞[36](2002)提出了三维相联规则模型。在模型中

着重强调了形状、颜色、空间位置三者之间的依赖程度,并在此基础上提出了图像数据挖掘方法。Zequn G.[37](2003)提

出了在特定向量形式上用位(bit)连续格式比较空间数据集

的方法。马超飞[33](2003)综合LANDSAT卫星ETM数据

以及DEM土地利用等GIS数据,通过Apriori基本算法以及

系列算法修剪,挖掘出地形坡度、植被覆盖、耕地分布与土壤侵蚀强度之间的关联规则。Qin Kun[38](2003)研究了格子

理论和基于格子理论关联规则挖掘算法,并且讨论了光谱特

征挖掘、纹理特征挖掘、形状特征挖掘和空间分布规律挖掘。分析了遥感影像挖掘在自动分类、遥感影像智能恢复方面的应用。

2.5影像变化检测

利用数据挖掘的理论和方法,可从多时相的遥感影像上

挖掘出目标的变化模式。Yamamoto,Takahiro[39](1999)提

出了一个利用3维分割技术检测时态变化的方法。该方法

在现行的多时相和多光谱Landsat TM图像中得到成功应

用。为了检测遥感影像数据中的环境变化,Eklund,Peter[40] (2000)提出了一个挖掘不同来源遥感影像数据的图像理解

方法,着眼于大量图像数据集中的知识发现以满足环境监测

的直接需要。并且提出了一个基于小波理论的分级方案。

该方案集成了用于遥感图像数据知识发现的粗糙集理论和

图像理解技术。Li,J.[41](2001)采用模糊特征进行遥感影

像数据库实施和数据挖掘方面的应用研究。通过综合校正,

地理配准,每日观测和半月最大NDVI这一系列AVHRR影

像的处理,用于建立数据库。试验中NDVI合成影像的特性

是可以覆盖大的地理区域并且适合观察生物量的季节变化。利用模糊对象查询进行诸如异常检测、相似时间序列检测,

达到空间和时态数据挖掘的目的。

Li,Jiang[42](2002)采用监督分类、边缘检测和多边形拟

合技术恢复和表示遥感影像中感兴趣形状。对于校正和配

准的时间序列Landsat MSS影像进行实验。结果表明基于

形状变化检测的方法非常有效。这使得该方法在研究湖泊

对短期气候变化、洪水或干旱等的响应检测方面具有潜在的应用价值。此外,王铮[43](2002)研究了城市土地利用状况

演变预测的地学数据挖掘技术。

2.6高光谱遥感数据挖掘

高光谱遥感数据,以极大的数据量为特征。高光谱信息

挖掘技术是高光谱数据应用延拓与深入的重要环节,其核心

在于光谱信息的挖掘。基于高光谱遥感信息的特点,王晋

年[14](1999)探讨分析了以地物识别与分类为目标的高光谱

数据挖掘技术,包括基于模式识别的高光谱信息挖掘技术、

基于光谱波形特征的挖掘技术以及亚像元光谱信息挖掘。

宫鹏[44](1999)提出结合模式识别方法可通过高光谱遥感影

像对森林进行很好的分类。由于高光谱遥感图像通常涉及

非常大的数据量,因此,提取数据主成分的组分分析对于高

光谱遥感数据挖掘非常有用。最近,人们已经感兴趣图像分

析中独立组份分析(ICA)的应用。ICA能够被看作组分分析

的一种方法。ICA方法用来生成尽可能是统计独立的组分。

Chen C.H.[45](2002)开发了一个节点累积量ICA(JC-ICA)

算法,可以借助神经网络高效的执行。由于它是一个遥感数

据挖掘非常有用的工具,利用该算法特别在高光谱图像分析

中取得了一定效果。张杰林[46](2002)采用多源空间数据挖

掘、弱信息提取、光谱建模及分类识别等关键技术,结合岩

石矿物光谱吸收特征形成机理分析,开展了成像光谱矿物填

图技术的研究。根据实际的成像光谱数据特点与应用需求,

提出成像光谱数据挖掘与矿物填图技术应用流程。野外实

测岩性波谱数据的数据挖掘可以为高光谱遥感建模提供依

据。针对实测波谱数据的特点,张振飞[47](2003)设计了一

种基于Monte Carlo抽样进化机制的CHC(cross generation

elitist selection,heterogeneous,cataclysmic mutation)遗传算法

用于多类岩性判别。此外,Zhang Xiongfei[48](2003)提出了

一套分析高光谱数据的通用数据挖掘方法。在利用数据挖

掘方法深入分析获取的光谱、实验的图像和生物参数间潜在

的关系方面进行了一些基础的探索,并且得到一些预想的结

果。

高光谱数据挖掘当前的主要任务是:基于地物光谱特征

及光谱数据库、知识库,在高光谱超维特征空间中充分挖掘

地物的光谱信息,以达到地物识别的目的,并针对不同的应

用目标发展相应的光谱信息挖掘模型与技术。

3遥感影像数据挖掘的原型系统

面向遥感影像数据挖掘的原型系统还较少。Koperski,

Krzysztof[49](2002)将S-Plus和VisiMine特征结合产生了

一个交互式遥感数据浏览和分析的独特环境。为增强

VisiMine系统的图像信息挖掘功能,Tilton,James C.(2002)

提出了利用分层分割技术把HSEG算法集成到VisiMine系

统中的方法[50]。VisiMine图像信息挖掘系统利用聚类和分

60

遥感信息综述2005.3

摘要:遥感影像数据挖掘是一个有着广阔应用前景的研究领域。由于遥感影像数据库的海量特征,遥感影像数据挖掘已

成为空间数据挖掘的主流。依据遥感影像数据挖掘的方法和目的,从图像索引和检索、图像分类、图像聚类、空间关联规则挖

掘、影像变化检测以及高光谱数据挖掘六个方面对遥感影像数据挖掘的国内外研究现状进行了综述。并指出了遥感影像数

据挖掘和知识发现中应该着力解决和注意的几个问题。

关键词:遥感影像;空间数据挖掘(SDM);知识发现(KDD)

中图分类号:P237.3文献标识码:A文章编号:1000-3177(2005)79-0058-05 1引言

随着遥感影像的爆炸式增长,信息提取的能力与效率已

成为限制遥感应用发展的瓶颈问题。空间数据挖掘(SDM,

Spatial Data Mining)与知识发现(KDD,Knowledge Discovery

from Databases)概念的提出及其理论体系的建立为解决这一

问题提供了一种全新的视角。由于遥感影像数据库的海量

特征,遥感影像数据挖掘已成为空间数据挖掘的主流。数据

挖掘(DM),其前身是知识发现(KDD),属于机器学习的范

畴,也是数据库发展与人工智能技术相结合的产物。一般说

来,KDD侧重目的和结果,而DM侧重于处理过程和方

法[1]。卫星遥感数据库作为数据库的一种,对于赋存其中的

信息处理与识别,自然可以借鉴一般意义上的DM和KDD

技术;而作为图像数据库,有着区别于一般关系数据库和事

务数据库的信息内容,隐含着丰富的时间、光谱和空间信息。

因而,就这类库中的知识发现而言,数据挖掘也应具有特殊

的过程和方法。本文就是对最近几年遥感影像数据挖掘国

内外研究现状的综述。

2遥感影像数据挖掘研究现状

传统的遥感图像处理侧重于目标信息的增强和解译,而

遥感影像数据挖掘侧重于从遥感影像中发现图像目标之间

潜在的和隐藏的有用的模式和规则。遥感影像数据挖掘需

要借助遥感图像处理的方法,但其目的是对遥感影像目标更

高层面的归纳和总结。这是遥感影像数据挖掘和传统遥感

图像处理之间的联系和区别。着眼于遥感数据挖掘理论的

应用成果,本文主要从图像索引和检索、图像分类、图像聚

类、空间关联规则挖掘、多时相影像变化检测以及高光谱数

据挖掘六个方面予以概述。

2.1图像索引和检索

将数据挖掘技术应用于遥感影像库,能够挖掘隐藏在遥

感影像中丰富的时间、空间和光谱知识等规则,为智能信息

处理服务[2]。在图像搜索中,遥感影像分析家面对着海量数

据的困难。Datcu Mihai等[3](2000)开发了一个智能卫星信

息挖掘系统来搜集大数据集中的地理信息。该智能系统允

许通过地理位置、获取时间、传感器类型的查询来获取数据。

Klose Aljoscha等[4](2000)开发了基于结构化的图像分析算

法模型,提出了支持和自动适应变化的图像处理技术。使用

的技术来自对图像属性和最佳参数矢量间关系的数据挖掘。

Ding Qin(2002)讨论了P树结构及其变化的数学特性[5]。

实现了快速的P树生成和操作的运算法则。Heas,

Patrick[6](2003)提出了一个动态场景理解概念,并且应用在

多光谱图像序列上。该挖掘工具能够巡查和发现存在于设

定窗口中的空间-时态模式。随着多维遥感数据量的迅猛

增长,地球科学家需要更加有效的方法来搜索和分析这些数

据。作为完成数据挖掘最有力工具之一的图像内容提取技

术迅速兴起。最有前景的图像内容提取方法之一是图像分

类,图像分类给图像中的每一像素赋予一个标签。Szu

Harold H.[7](1997)提出了把通过小波变换获取的信息集成

到神经网络分类器中的方法。以TM影像作为试验数据集,

利用边缘纹理小波变换的局部分析法,可以生成图像统计纹

理信息,实现图像内容的提取。

2.2图像分类

2.2.1利用决策树方法

决策树是多层分类器的一种方法,可以形成比较复杂的

决策面,此时一个未知类别的像元可以采用一个或者几个决

策函数逐一分级分类成某个特定的类别。决策树分类的模

型要求各种类别之间具有内在的等级归属关系,可以按照其

收稿日期:2004-09-02修订日期:2005-01-09

基金项目:科技部973重大基础研究前期专项(编号:2003CCA02100)和福建省教育厅项目(编号:K04016)资助

作者简介:周小成(1977～)男,陕西渭南人,硕士,实习研究员。主要从事资源与环境遥感应用研究。已发表论文4篇。E-mail:zxcffh@https://www.360docs.net/doc/4011927621.html,

58

Brodley,C.E.,Friedl,Mark A.McIver,Douglas K.Integration of domain knowledge in the form of ancillary map data into supervised classifi-

cation of remotely sensed data[C].International Geoscience and Remote Sensing Symposium(IGARSS),2002(2):1038～1040.

25骆剑承,周成虎.空间逐步寻优的数据挖掘法的多波段影像分类研究[J].地球信息科学,1999(1):52～59.

26Han Ling,Wu Hanning.The Accuracy Test of SeveralClassification Modelsof Remote Sensing Images[C].Proceedingsof the InternationalSym-

posium on Test and Measurement,2003(6):4431～4434.

27林剑,鲍光淑,陈绍求.GlS数据融入遥感图像理解的模型初探[J].物探化探计算技术,2002,24(1):62～67.

28Evangelou I,Hadjimitsis D,Lazakidou A,Clayton C.Data Mining and Knowledge Discovery in Complex Image Data using Artificial Neural Net-

works[C].17th International Conference on Logic Programming ICLP,2001.

29Soh,Leen～Kiat;Tsatsoulis,Costas,Automated sea ice segmentation(ASIS)[C].International Geoscience and Remote Sensing Symposium

(IGARSS),1998(2):586～588.

30Soh,L.-K.;Tsatsoulis,C.Unsupervised segmentation of ERS and radarsat sea ice images using multiresolution peak detection and aggregated

population equalization[J].International Journal of Remote Sensing,1999,20(15):3087～3109.

31Soh,Leen-Kiat;Tsatsoulis,Costas,Segmentation of satellite imagery of natural scenes using data mining[J].IEEE Transactions on Geoscience

and Remote Sensing.1999,37(21):1086～1099.

32Chunyu Zhao,Lingkui Meng,Changqing Huang.The study of relevant techniques for intellectual integration of GIS and RS[C].Proc.ACRS

2001～22nd Asian Conference on Remote Sensing,.2001(2):1285～1290.

33马超飞,刘建强.遥感图像多维量化关联规则挖掘[J].遥感技术与应用,2003,18(4):243～247.

34Zhang Ji,Wynne Hsu,Lee M L.Image mining issues,frameworks,and techniques[C] .Proceedings of the ACM SIGKDD.International Con-

ference on Knowledge Discovery&Data Mining(KDD22001),2001.

35颜雪松,蔡之华.一种基于图像的关联规则发现算法的研究[J] .计算机工程与应用,2003,39(2):209～211.

36李雄飞,宋海玉,谢忠时,等.图像数据挖掘模型与方法[J].吉林大学学报(工学版),2002,32(1):90～92.

37Zequn,G.Scan patterns for association rule mining of image data[C].Proceedings of SPIE-The International Society for Optical Engineering,

2003(4898):212～219.

38Qin Kun,Guan Zequn,Li Deren.The Methods of Remote Sensing Image Mining Based on Concept Lattice.Proceedings of SPIE-The Inter-

national Society for Optical Engineering,2003,5286(1):254～259.

39Yamamoto,Takahiro;Hanaizumi,Hiroshi.Change detection method for remotely sensed multi-spectral and multi-temporal images using 3-

D segmentation[C].International Geoscience and Remote Sensing Symposium(IGARSS),1999(1):77～79.

40Eklund,Peter;You,Jane;Deer,Peter,Mining remote sensing image data:An integration of fuzzy set theory and image understanding tech-

niques for environmental change detection[C].Proceedings of SPIE-The International Society for Optical Engineering,2000(4057):265～

272.

41Li,J.;Narayanan,R.M.;Waltman,W.J.;Peters,A.J.Fuzzy feature-based image mining in remote sensing[C].Proceedings of SPIE-

The International Societ for Optical Engineering,.2001(4384):46～55.

42Li,Jiang;Narayanan,Ram M.Shape-based change detection and information mining in remote sensing[C].International Geoscience and Re-

mote Sensing Symposium(IGARSS),2002(2):1035～1037.

43王铮,吴健平,邓悦.城市土地利用演变信息的数据挖掘———以上海市为例[J].地理研究,2002,21(6):675～681.

44宫鹏.遥感生态测量学进展〔J〕.自然资源学报.1999,14(4):313～317.

45Chen C.H..The use of independent component analysis as a tool for data mining[C].International Geoscience and Remote Sensing Symposium

(IGARSS).2002(2):1032～1034.

46张杰林,曹代勇.成像光谱数据挖掘与矿物填图技术研究[J].遥感技术与应用,2002,17(5):259～263.

47张振飞,胡光道,杨明国.基于进化策略的CHC遗传算法及岩性波谱识别[J].地球科学—中国地质大学学报,2003,28(3):351～355.

48Zhang XiongFei,Li Xing,Zhang Xia.The preliminary research in using the technology of data

mining to analyze the remote sensing data[C].Pro-

ceedings of SPIE-The International Society for Optical Engineering,2003(2):980～985.

49Koperski,Krzysztof;Marchisio,Giovanni;Aksoy,Selim;Tusk,Carsten..Applicationsof terrain and sensor data fusion in image mining[C].In-

ternational Geoscience and Remote Sensing Symposium(IGARSS),2002(2):1026～1028.

50Tilton,James C.;Marchisio,Giovanni.Image information mining utilizing hierarchical segmentation[C].International Geoscience and Remote

Sensing Symposium(IGARSS),2002(2):1029～1031.

51Hinke,T.H.;Novotny,J.Data mining on NASA's Information Power Grid[C].Proceedings of The Ninth International Symposium on High

-Performance Distributed Computing,2000.292～293.

52Marchisio,G.B.;Koperski,K.;Sanella,M.Querying remote sensing and GIS repositories with spatial association rules[C].IEEE Geoscience

and Remote Sensing Symposium,IGARSS 2000(7):3054～3056.

53Durbha,Surya S.King,Roger L.,Wasson.Virtual remote sensing:A holistic modeling approach.InternationalGeoscience and Remote Sensing

Symposium(IGARSS)[C].2002(2):723～725. (下转第42页)

62

遥感信息综述2005.3

取煤火信息还不精确,必须结合煤田分布、地质条件以及实

地勘查验证,对遥感影像圈定的煤火信息进行修正,缩小煤

火靶区。

(3)由于热红外波段的分辨率不高,影响了煤火区地面

实际定位的精度。如果换用航空热红外数据,或者是用高光

谱数据(如ASTER)结合高空间分辨率数据(如QUICK-

BIRD/IKONOS)效果可能更好。

参考文献

1吕鸿.中德连手向煤火开战.人民网.https://www.360docs.net/doc/4011927621.html,/BIG5/guoji/1030/2080423.html

2 A.PRAKASH,R.GENS and Z.VEKERDY.Monitoring coal fires using multi-temporal night-time thermal images in a coalfield in north-

west China[J].Int.J.Remote Sensing,1999,20(14):2883～2888.

3 A.PRAKASH,E.J.FIELDING,R.GENS.Data fusion for investigating land subsidence and coal fire hazards in a coal mining area[J].Int.

J.Remote Sensing,2001,22(6):921～932.

4康高峰,雷学武,万余庆,等.遥感技术在煤矿区地质灾害中的应用[J].中国煤田地质,2000,12(2):23～25.

5万余庆,闫永忠.高光谱技术在汝箕沟煤田烧变岩和Fe3+丰度信息提取中的方法研究[J].国土资源遥感,2003,56(2):50～54.

6吴君丽,赵伟,刘俊荣.CBERS-1卫星IRMSS数据在中国北方汝箕沟煤田煤层自燃区遥感分析中的试应用研究[J].航天返回与遥感,

2001,22(2):59～64.

7雷学武,万余庆,李宝春.乌达矿区煤层自燃现状及成因初析[J].中国煤田地质,1999,11(4).

8吴德文,张远飞,朱谷昌.遥感图像岩石信息提取的最优密度分割方法[J].国土资源遥感,2002(4):51～54.

A Research on Coalfield Fire Monitoring in Wuda Mining Area

at Inner Mongolia Based on Remote Sensing and GIS

JIANG Wei-guo①,LI Jia-hong②,LI Jing①,YANG Bo①,ZHANG Song-mei①②

(①College ofResources Science&Technology,Beijing Normal University,Beijing100875,China;

②National Remote Sensing Center ofChina,Beijing100036,China)

Abstract:Coalfield fire information is extracted by use of thermal infrared and multi-spectrum image data of Landsat TM in 1997 and

ETM+in 2002.The development situation of coalfield fire areas in different periods is analyzed and determined with the help of GIS

overlay function.The result indicates that the coalfield fire conditions in Wuda coal mining area at Inner Mongolia have remarkably

changed during the past years from 1997 to 2002.The area of coalfield fire has expanded,and its intensity enhanced gradually.The

increased area has reached up to 0..16 km2per year.

Key words:remote sensing;geographic information system;thermal infrared image;Wuda mining area;coalfield fire monitoring

(上接第62页)

An Overview about Study in Data Mining from Remote Sensing Images

ZHOU Xiao-cheng①,WANG Xiao-qin②

(①Spatial Information Research Center ofFujian Province,Fuzhou University,Fuzhou350002,China;

②Key LaboratoryofData Mining and Information Share Education Department in Fuzhou University,Fuzhou350002,China)

Abstract:Data mining from remote sensing images which is characteristic of huge data amounts is a study domain with broad applica-

tions and becomes its mainstream.Focus on the latest development of data mining in the country and abroad,the paper summaris the

advance into six aspects,namely:search,image classification,image clustering,spatial associate rule,change detection and hyper-

spectral remote sensing image respectively.Finally,a few problems which should be solved and pay attention to in data mining from

remote sensing image are discussed.

Key words:remote sensing image;spatial data mining;knowledge discovery from databases

42

遥感信息应用技术2005.3