遥感典型地物提取综述
如何进行遥感图像分类与地物提取
如何进行遥感图像分类与地物提取遥感图像分类与地物提取是遥感技术中的重要应用之一。
通过对遥感图像中的地物进行分类和提取，可以获得地物的信息和特征，为资源管理、环境监测、城市规划等领域提供有力的支持。
本文将探讨如何进行遥感图像分类与地物提取的方法和技术。
一、遥感图像分类概述遥感图像分类是将遥感图像中的像素按照一定的规则和标准进行分组和分类，从而实现地物的自动提取和识别。
遥感图像分类主要包括无监督分类和监督分类两种方法。
无监督分类是指利用计算机算法对图像进行像素聚类，根据像素的相似性将其划分到不同的类别中。
这种方法不需要任何先验知识，适用于对地物分布不熟悉的区域。
常用的无监督分类方法包括K-means聚类、高斯混合模型等。
监督分类是指通过人工对一部分样本进行分类标注，并训练出一个分类器，然后用该分类器对图像中的像素进行分类。
这种方法需要大量的标注样本和专业的知识，但分类精度通常较高。
常用的监督分类方法包括支持向量机、随机森林、神经网络等。
二、地物提取方法地物提取是指从遥感图像中提取出感兴趣的地物信息，如建筑物、森林、湖泊等。
地物提取方法有许多种，下面介绍几种常用的方法。
1. 目标检测目标检测是指在遥感图像中检测出特定类型的地物目标。
常用的目标检测方法包括基于像素的阈值法、基于纹理特征的方法、基于形状特征的方法等。
这些方法基于不同的特征和算法，可以对地物目标进行准确的检测和提取。
2. 图像分割图像分割是将遥感图像划分为不同的区域，每个区域代表一个地物或一组地物。
常用的图像分割方法包括基于阈值的分割、基于区域的分割、基于边缘的分割等。
这些分割方法可以有效地将图像中的地物分割出来，为后续的地物提取和分类提供基础。
3. 特征提取和选择特征提取是指从遥感图像中提取出与地物分类和识别相关的特征。
常用的特征包括颜色、纹理、形状、大小等。
特征选择是指从提取出的特征中选择最具有代表性和区分度的特征，以减少计算量和提高分类精度。
etm数据典范地物光谱采集方法介绍[整理版]
![etm数据典范地物光谱采集方法介绍[整理版]](https://img.taocdn.com/s3/m/98f12201876fb84ae45c3b3567ec102de2bddfca.png)
ETM 数据典型地物光谱采集方法介绍地物, 光谱, ETM, 典型, 数据遥感的物理基础是地物对电磁波的反射、吸收和发射特性；遥感研究的最终目的是应用，遥感技术及其应用实质上是一个地物电磁波谱特性成像与反演的问题，要想利用遥感图像正确有效地分析问题、解决问题，必须对各类地物波谱特性及其变化规律有较全面、深入的认识。
过去，在对地物波谱特性研究方面，人们更多地侧重于在地面和实验室进行光谱的测试与研究，而对卫星数据地物光谱特性的研究不足，这使得理论研究和应用研究不能很好地相结合，理论研究的成果不能有效地、更直接地指导应用。
遥感应用的实践证明，地物波谱研究不仅包括地面（近地面）地物光谱测量和研究，而且还应包括同步（准同步）航天遥感数据的光谱采集与研究。
Landsat-7 ETM+数据是目前及今后我国遥感用户使用最多的遥感数据源之一，本文以北京幅ETM+数据为例，概括介绍如何利用Landsat7 ETM+数据采集、反演地物光谱数据。
1.1．数据的选择与预处理根据研究区植被的季节变化特点，选择了2001年4月1号、2001年4月17号、2001年5月19号和2001年6月4号4个时相北京幅ETM+数据，考虑到白天的热红外波段6的数据对本项研究没有太大的意义，另外，从光谱的角度来说全色波段8并不是一个独立的波段，所以此研究所使用的是ETM+波段1~5、波段7共5个波段的数据。
首先对以上4个时相的遥感数据做系统级校正，然后对它们进行精确的空间配准，使相同地物在不同时相的遥感图像上的位置相一致，并使多时相遥感数据处于同一地理坐标系统之下。
2．典型地物类型选择首先，根据地物在遥感图像上的影像特征并结合专业知识，在图像上初步选择水体、植被（小麦、林地）、裸沙地、城镇和机场跑道为典型地物样本14个，然后，到实地进行考察，对所选典型地物的类型及位置进行检查和调整。
3.3．光谱数据采集先从遥感图像上读取各样本点在各波段上的灰度值（DN值），并对样本的灰度值进行统计运算和数值分析，结合遥感图像的影像特征进行样本的筛选与纯化。
遥感影像线状地物提取因素及方法分析
遥感影像线状地物提取因素及方法分析随着遥感技术的快速发展，获得的数据也越来越多，在海量的遥感数据中如何获取感兴趣的数据变得越来越重要。
本文针对遥感影像中的线状地物提取做了一定的分析，对提取線状地物的因素和具体方法做了一定分析和研究。
标签：遥感影像线状地物提取图像配准遥感是指非接触的、远距离的探测技术。
一般指运用卫星或者飞机上挂载的传感器对地面上或地面下的物体电磁波的辐射或者反射特性的探测，是现代科技技术之一。
通过在远离目标和非接触目标物体条件下探测目标地物，获取其相关信息的一门技术。
借助遥感手段获取信息具有时间周期短、信息丰富等优势。
但如何从海量影像数据中获取我们需要的信息，一直是需要解决的重大问题，依靠的人工判读和识别、效率和精度都不稳定。
对遥感影像地物的自动提取首先要将遥感图像自身的一些固有特征进行相应的量化处理。
一般遥感图像的自动分类主要是利用图像本身的一些信息，比如光谱信息和几何信息。
这些信息主要是遥感影像用于分类、地物提取和目标识别的最主要信息。
对于线状地物信息的提取，主要是利用它相对应的几何信息，并辅助于一些光谱信息进行判别。
对于道路信息，我们因此可以将它定义为有一定长度，利用相对应的曲线模型来模拟相对应的道路、河流、水域信息，包括一些地块的边界都可以规定为线特征，其中道路的提取最为重要。
对特定的线状地物的信息进行明确的规定和建立相应的模型，成为提取的基础。
以道路为例，如果希望取得较好的道路提取效果，必须充分了解道路在遥感图像上的一些特点。
本文将进一步将V osseleman的理论（也就是几何、光度、拓扑和功能特征）描述为景物域或物方空间知识，偏重于语义描述，便于进行理解；而道路的光度信息、几何信息和拓扑特征则由景物域的特征投影到影像上进行对比，它们有着直接对应的关系。
下面提出定义线状地物的各种特征的详细描述。
一、几何特征1.宽度：线状地物沿长度方向的纵向断面尺度。
2.宽度的一致性：沿线长度方向的宽度变化程度，可以用一定数学模型拟合变化状态。
如何进行遥感影像的分类与地物提取
如何进行遥感影像的分类与地物提取遥感影像是近年来在地理信息领域中应用广泛的一种技术。
通过使用遥感影像，我们可以获取地球表面的大量数据，可以利用这些数据进行地物的分类与提取。
地物分类与提取在自然资源管理、城市规划、环境监测等领域都有着重要的应用。
本文将探讨如何进行遥感影像的分类与地物提取。
一、遥感影像的分类方法遥感影像的分类主要是将影像中的像素点划分到不同的类别中，常用的分类方法有监督分类和无监督分类两种。
监督分类是指根据已经标记好的样本数据进行分类。
首先需要准备一部分已经标记好的样本数据，然后通过分析样本的特征，建立一个分类模型。
接下来，通过模型对整幅影像进行分类。
监督分类需要充分利用专业知识和经验，对样本特征进行细致的分析，从而提高分类的准确性。
无监督分类是指根据影像中像素点的相似性进行分类，不需要准备样本数据。
无监督分类是一种相对简单和快速的分类方法。
它可以帮助我们发现影像中存在的一些隐含的地物类型，但由于没有准确的样本数据，分类结果可能会存在一定的误差。
二、地物提取的方法地物提取是指根据分类结果，将影像中的地物单独提取出来。
常用的地物提取方法有阈值分割、形态学操作、边缘检测等。
阈值分割是一种基于像素灰度值的提取方法，根据不同地物的灰度特征，设置合适的阈值将地物提取出来。
阈值分割简单直观，但对光照、阴影等影像杂波比较敏感，对影像质量要求较高。
形态学操作是一种基于形状和结构的提取方法，通常包括腐蚀和膨胀操作。
通过对影像进行腐蚀操作，可以去除噪声，减小地物的面积；通过膨胀操作，可以填补裂缝，增大地物的面积。
形态学操作结合的阈值分割可以得到较为精确的地物提取结果。
边缘检测是一种基于边缘信息的提取方法，通过检测影像中的边缘特征来提取地物。
常用的边缘检测算法有Sobel算子、Canny算子等。
边缘检测可以提取出地物的轮廓信息，但对于复杂纹理和噪声干扰较多的影像，边缘检测可能会存在一定的偏差。
三、遥感影像分类与地物提取的挑战尽管遥感影像的分类与地物提取方法日益成熟，但仍然存在一些挑战。
全国土地利用数据遥感信息提取土地利用数据说明
全国土地利用数据遥感信息提取土地利用数据说明北京揽宇方圆信息技术有限公司是中国科学院系统的遥感影像数据服务企业，专注于遥感影像数据一站式的基础卫星数据服务、卫星影像数据处理服务。
土地利用数据时间：1985年、1990年、1995年、2000年、2005年、2010年、2015年土地利用数据源：Landsat TM影像Landsat ETM影像土地利用数据遥感信息的提取：根据影像光谱特征，利用ARCGIS、易康软件、ENVI软件等，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析，提取土地利用信息。
土地利用/覆被变化信息的提取。
采用arcgis与易康结合，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于地形破碎、地物分布复杂的地区。
基于Landsat TM遥感影像，采用全数字化人机交互遥感快速提取方法，同时参考国内外现有的土地利用/土地覆盖分类体系，以及遥感信息源的实际情况，将遥感影像进行解译并进行验证将土地利用数据类型划分为6个一级分类，24个二级分类以及部分三级分类的土地利用/土地覆盖数据产品，并结合本项目制定土地利用数据产品分类体系。
目视解译侧重于人的知识的参与，为了减少由于不同人员的主观差异性所造成的误差，提高遥感判读精度，因此建立统一解译标志是十分必要的。
根据影像光谱特征，结合野外实测资料，同时参照有关地理图件，对地物的几何形状，颜色特征、纹理特征和空间分布情况进行分析。
一、TM影像数据的预处理。
遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影像进行裁剪。
二、土地利用变化信息提取。
首先对其中的一期影像分别采用人工解译的方法，然后利用易康开始分类。
三、数据集成对数据形式特征（如格式、单位、分辨率、精度）等和内部特征（特征、属性、内容等）做出全部或部分的调整、转化、合成、分解等操作，形成充分兼容的数据库。
遥感影像图中的地物信息自动提取技术研究
遥感影像图中的地物信息自动提取技术研究摘要:遥感影像推动了测绘技术的发展,而遥感影像的地物自动提取技术也有利于遥感影像的全数字化发展。
种子区域增长法是一种较好的遥感影像地物自动提取算法,但是由于容易受到噪声的影响,而导致地物提取轮廓不清晰。
在借助面向对象的遥感影像处理思想对种子区域增长算法进行改进后,所获得的地物轮廓更加精确,具有更好的遥感影像图地物自动提取效果。
关键词:遥感影像地物自动提取种子区域增长法自从20世纪60年代遥感技术问世以来,经过数十年的发展,遥感技术已经被广泛的应用于军事、测绘、环境等领域,并在其中发挥着非常重要的作用。
遥感影像图中的地物提取时测绘信息化、现代化发展的重要组成部分,极大的推动了遥感技术的数字化发展。
目前,如何从遥感影像中自动提取地物已经成为了遥感领域研究的重点。
但是,虽然目前国内外许多专家学者已经对此进行了许多的研究,并且已经取得了一定的研究成果,但是从遥感影像中自动获得地物信息作为一个较为前沿的研究领域,目前缺乏成熟的方法应用于实际当中。
1 种子区域增长法的改进种子区域增长法是一个较好的遥感影像图地物信息自动提取算法。
但是种子区域增长法受限于初始种子的好坏,容易受到噪声点的影响,同时区域增长停止准则的好坏对于增长的速度和增长的结果都有直接影响,如果在增长过程中如果某个像元有多个子集邻接像元,并且像元与多个子集邻接像元的差异都较小时,像元不同的归并方向会对区域增长速度和遥感影像图的地物提取效果造成较大的影响。
为此,在应用种子区域增长法实现遥感影像图地物自动提取时,需要对算法进行改进,以获得更好的地物自动提取效果。
在2009年周成虎所提出的面向对象的遥感影像处理思想中,将遥感影像图中地物要素的构成单元看成是unit(基元),并认为unit是根据一定的计算规则,在一定尺度下所获得的由具有相近像元所组成的连通区域,unit内部的像元具有特征相似性。
借助unit的思想,在使用种子区域增长法进行遥感影像图中地物自动提取过程中,如果将种子集Ai看成是初始基元,则基元的光谱特征反应了基元内部各个像元的光谱属性。
遥感图像识别与信息提取详解
2 遥感图像解译方法与步骤
3、解译步骤
➢ 准备工作 包括资料收集、分析、整理和处理 初步解译、建立解译标志 包括路线路勘，制订解译对象的专业分类系统和建立解译标志
室内解译 野外验证
包括解译结果校核检查，样品采集和调绘补测
成果整理 包括编绘成图，资料整理和文字总结
第二十六页，共八十五页。
➢ 图型（pattern）：目标地物有规律排列而成的图形结构。
第十九页，共八十五页。
（1）目视解译标志
➢ 阴影（shadow）：阴影是遥感图像上由于电磁辐能量被遮挡而产 生的辐射能量减弱。由于阴影的存在，可据此地物的性质或高度， 应注意的是阴影的形状与大小受到辐射能量入射角的影响。
➢ 形状（shape）：是指目标地物在遥感影像上呈现的外部轮廓。由 于不同地物的顶视平面的差异，可据此判断目标地物的性质。
遥感图像识别与信息提取详解演示文稿
第一页，共八十五页。
优选遥感图像识别与信息提取
第二页，共八十五页。
1 遥感图像地物特征与识别
（1）遥感图像地物特征
➢ 地物的反射光谱特性
➢ 地物的发射光谱特性
➢ 地物的透射光谱特性
（2）典型地物的反射光谱特征
第三页，共八十五页。
（1）遥感图像地物特征
在可见光与近红外波段，地表物体自身的辐射几乎等于零。地物发出 的波谱主要以反射太阳辐射为主。太阳辐射到达地面之后，物体除了反 射作用外，还有对电磁辐射的吸收作用。电磁辐射未被吸收和反射的其 余部分则是透过的部分，即：到达地面的太阳辐射能量＝反射能量＋吸 收能量＋透射能量
➢ 选择性辐射体，其发射率ελ＜1， 发射率ελ随波长而变化。
地物的发射波谱特性曲线
遥感影像中的地物参数识别技术
遥感影像中的地物参数识别技术一、遥感影像中的地物参数识别技术概述遥感技术作为现代地理信息科学的重要组成部分，其通过卫星、飞机等载体搭载的传感器，获取地球表面物体的影像信息。
地物参数识别技术则是遥感技术中的关键环节，它通过分析遥感影像来识别和提取地表的各种地物特征和参数，如植被覆盖度、土地利用类型、水体分布等。
这些信息对于环境监测、农业规划、城市规划、灾害评估等领域具有重要的应用价值。
1.1 地物参数识别技术的核心特性地物参数识别技术的核心特性主要包括以下几个方面：- 高精度：遥感影像的分辨率越来越高，使得地物参数的识别精度不断提升。
- 多时相：遥感技术能够提供不同时间点的影像数据，有助于分析地物的动态变化。
- 多光谱：遥感传感器能够获取不同波段的光谱信息，为地物参数的识别提供了丰富的数据源。
- 自动化：随着计算机视觉和机器学习技术的发展，地物参数识别的自动化程度不断提高。
1.2 地物参数识别技术的应用场景地物参数识别技术的应用场景非常广泛，包括但不限于以下几个方面：- 环境监测：监测森林覆盖变化、城市扩张、水体污染等环境问题。
- 农业规划：评估作物生长状况、土壤湿度、病虫害发生等农业信息。
- 城市规划：分析城市土地利用变化、交通流量、人口分布等城市信息。
- 灾害评估：评估自然灾害如洪水、地震、火灾对地表的影响。
二、遥感影像地物参数识别的关键技术遥感影像地物参数识别的关键技术主要包括以下几个方面：2.1 遥感影像预处理技术遥感影像预处理是地物参数识别的基础，包括影像的辐射校正、几何校正、噪声去除等步骤。
这些预处理步骤能够提高影像的质量，为后续的地物参数识别提供准确的数据基础。
2.2 特征提取技术特征提取是从遥感影像中提取有用信息的关键步骤。
常见的特征提取方法包括光谱特征、纹理特征、形状特征等。
这些特征能够反映地物的物理属性和空间分布特征，为地物参数的识别提供依据。
2.3 机器学习与模式识别技术机器学习与模式识别技术是实现地物参数自动识别的重要手段。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
考虑地物光谱多样性的遥感影像典型地物提取方法综述摘要光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。
例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。
植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。
这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。
本文从基于像元级与基于亚像元级两个方面对地物提取研究进行综述，系统的介绍了当前国内外在考虑地物光谱多样性典型地物提取的研究进展，为后续的研究提供参考。
关键词：遥感，光谱多样性，水体，植被，建筑物，像元级，亚像元级1.引言：光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。
例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。
植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。
这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。
制约遥感影像上地物信息准确提取的最主要因素之一便是遥感影像上广泛存在的“同物异谱”现象，该现象产生的原因主要有：（1）地物自身属性随着空间-时间的变化而发生变化，即是该课题所研究的地物光谱多样性特征；（2）地物由于临近效应，大气散射等使得遥感影像上地物所表现出来的光谱特征相对于其原有光谱特征发生变化。
原因（1）是导致“同物异谱”现象最主要的原因，因此在对遥感影像进行处理中如果能够解决地物光谱多样性问题，其实也就很大程度上解决了遥感影像上的“同物异谱”问题。
地物光谱多样性并不是毫无规律的，以落叶植被为例，在一年的周期里，落叶植被的叶绿素含量呈现出先增加后减少的自然规律，反映在遥感影像上为植被在绿光波段的反射率会先增加后减小。
对于水体而言，无论是清澈水体还是浑浊水体，其在中红外波段区间的反射率都趋近于0。
除此之外，对于不同地物的光谱多样性特征还有很多有待探索的规律。
随着空间科学技术，信息技术以及传感器技术的发展，现已经能够获取到一些具有三高特性（高空间分辨率、高光谱分辨率和高时间分辨率）的遥感影像。
这为我们深入分析地物光谱多样性特征随着地物时空分布的不同所呈现出来的变与不变的内在规律提供基础。
同时，由于光谱可变会严重影响混合像元分解中地物丰度估计的结果，因此关于光谱多样性问题在软分类领域已有较多研究，如近年来提出的CoB、EAR、IES等最有代表性端元光谱选取方法，能够从地物光谱库中找到地物光谱在某些波段区间的不变规律，以此筛选出最具有地物代表性的端元光谱。
除此之外，软分类领域涉及解决地物光谱多样性问题的具体方法还有很多，这都为遥感影像上地物光谱多样性问题的解决提供了思路和参考。
2.典型地物光谱规律探索地物光谱多样性特征是指同一种地物在时空中往往呈现出多样化的光谱特征，地物光谱多样性体现在遥感影像上即为“同物异谱”、“端元可变(endmember variability)”、“光谱可变(spectral variability)”等现象。
地物光谱的多样化并不是毫无规律的，其与时间、空间之间一定存在着某些变与不变规律。
对于水体而言，传感器接受到的水体辐射包括了水面反射、水体底部物质反射和悬浮物反射，因此光谱吸收和透射特性不仅与水体本身性质有关，还受到水中各类有机物和无机物的影响(Davis等,1978; Palmer等,2015; Villa等2015)。
浑浊水体随着水中悬浮泥沙浓度及粒径的增加，反射率也逐渐增加，反射峰向长波方向移动，成为“红移”，至0.8um附近，由于水体对红外辐射的强烈吸收，反射率急剧衰减，“红移”现象终止（王伟武，2006; 邢小罡等,2007;王繁,2008）。
植被的光谱反射特性由其化学和生态学特征决定，健康的植被有着明显的光谱特征：在可见光蓝波段0.45um和红光波段0.67um附近各有一吸收谷值，绿光波段0.55um附近有反射率为10-20%的一个峰值：在红光波段0.7um附近反射率值迅速升高，并且在近红外0.8-1.0um间有一个反射率为50-60%的较宽反射坪；之后在1.4um、1.9um和2.7um出现三个强烈的水吸收波段（Lillesand等,2014; Das 等,2013）。
对于不透水层，城市道路的铺面材料一般可分为水泥路和柏油路两大类，其反射光谱曲线形状大体相似，在0.4-0.6um区间缓慢上升，后趋于平缓，至0.9-1.1um区间逐渐下降。
一般而言，水泥路面的反射率较柏油路反射要高（刘建贵，1999）。
建筑物在遥感影像上通常只能表达出建筑物屋顶信息，反映在遥感影像上即不同材料建筑物屋顶的波谱特征。
研究表明灰色水泥瓦在所有波段范围上反射率中等，且变化平缓，而青瓦在可见光短波波段反射率高，在红光波段下降趋势也最明显；白色涂料的屋顶反射率要显著高于其他类型屋顶，可以达到80%（童庆喜等，2006）。
在对典型地物水体、植被以及不透水层进行提取时，采用归一化光谱指数的方法即是通过分析地物光谱多样性中的光谱不变规律，利用地物光谱相对稳定的波段区间来对地物进行提取(Deering,1978; McFeeters,1996; Feyis等,2014; Deng 等,2015; Sun等,2014,Liu等,2013; Bolton等,2013; Mahlein等,2013; Delegido 等,2013; Schuster等,2012; Veraverbeke等,2012; Tanaka等,2015)。
3.遥感影像像元级地物提取中光谱多样性问题的解决方法当地物在光谱上的不变规律无法解决地物光谱多样性问题时，尤其是在复杂景观条件下,光谱特征的变异性增大,“同物异谱”现象严重, 传统的基于像元级的遥感图像分析和处理方法仅靠光谱特征是不足以表达目标或类别的，因而其分析结果的可靠性常常不尽人意。
虽然近年在基于像元级的遥感影像分析和处理上引入的方法，如模糊集（Fuzzy set）、神经网络分类器(Neural Net Classifer)、分层聚类(Hierarchical Clustering)、空间逐步寻优模型(Stepwise optimization)等(Comber等,2012; Ghosh等,2011; Ghaffarian等,2014; Kussul等,2014; Zhong 等,2015;Garcia-Pineda等,2013; Senthilnath等,2012; Taşdemir等,2011; Bijamov 等,2014; Zhao等,2013; Yuan等,2015)，在影像分类精度等方面有了很大的改进，但是由于这些方法从本质上还是基于光谱特征的分类，因而无法从根本上摆脱方法的局限性。
因此要想进一步提升地物识别与分类精度，则必须联合高光谱影像的光谱与空间信息（Fauvel等,2013;Plaza等,2009; Lu and Weng,2007; Fauvel 等,2012 ;Gray等，2012）。
空谱特征提取与分类方法在利用地物光谱信息的同时，考虑了像素与其周围像素的空间上下文信息，有效的降低“同物异谱”与“异物同谱”对识别精度的影响。
探索联合影像上地物空间信息与光谱信息的特征提取与识别方法也是当前多/高光谱遥感领域研究的焦点(许将军,2007,陈进,2010,黄昕,2009)。
在空间信息的利用上，最常用的是地物的空间纹理信息(Casa等,2013; Yuan 等,2014 ;Wood等,2012; Regniers等,2013)，在最新的研究中，Osaku等(2015)和Falco等(2015)通过将地物光谱信息与地物空间纹理信息结合，实现了土地覆盖的高精度分类。
此外，空间关系，空间形状等也被用于地物光谱多样性问题的解决之中。
Qiao(2014)提出了最大空间邻接MSA和定向空间邻接MDA两种空间关系，通过地物与地物之间的空间关系建立规则，在高分辨率遥感影像上实现了地物的更准确分类。
随着遥感影像数据源的丰富，我们能够获取到多时相的时间序列影像，这使得我们在基于遥感影像的地物提取和分类应用中能够更多的结合地物的时间信息。
Begue(2014)讨论了不同植被在时间上的不同物候特征，并探索出植被光谱与时间、气候之间的关系，为植被地物的识别提供了参考。
Dudley(2015)考虑了植被光谱由物候特征所引起的差异，建立了多时相光谱库，用类似于光谱匹配的方法对植被物种进行分类，在对具有明显物候特征的植被物种进行分类时取得了比单时相光谱库更好的结果。
Mannel和Price(2012)利用决策树分类法结合两个季节（春/秋）的Landsat TM遥感影像对树种进行分类，分类结果优于仅用单个季节遥感影像获得的分类结果。
实验结果表明了植被光谱在时间上季节性的变化是影响遥感影像上地物类型识别的重要因素。
除此之外，GIS辅助数据的结合也为地物光谱多样性问题的解决提供思路。
李德仁(2004)院士曾经说过，从GIS空间数据库中挖掘和发现的知识也可以有效的支持遥感图像解译，以解决“同物异谱”和“异物同谱”的问题。
邸凯昌等（2000）利用GIS水域数据库进行归纳学习，获得了水体的形状特征，并将其应用于水域的细分，获得了显著提高的分类精度。
Juel(2015)结DEM数据，利用基于目标的图像分析和机器学习方法，实现了海岸植被90%的提取精度。
Asare-Kyei(2015)结合GIS数据和水文资料，利用统计模型提出了洪水灾害指数PHI，实现了洪水区域的高精度制图。
4.遥感影像亚像元级地物信息提取中光谱多样性问题的解决方法在遥感影像软分类中，认为影像上的每个像元都是以包含不同地物信息的混合像元形式存在的，而构成混合像元中的每一类地物则被称为端元。
端元光谱只包含一种地物信息，由于地物光谱多样性特征，用于软分类中丰度估计的端元光谱也一定不是恒定不变的。
针对端元光谱在空间上的多样性特征，现有研究中主要有以下几类方法：4.1考虑端元可变的迭代混合分析方法在迭代混合分析方法中，应用最多的是Roberts（1998）等提出的多端元光谱混合分析模型（MESMA），MESMA是基于线性光谱混合分析的端元可变混合像元分解方法，通过建立地物光谱库，逐像元调整端元的数量与端元组合动态进行混合像元分解，是比固定端元线性光谱混合模型更加合理且分解精度更高的混合像元分解方法(Powell等,2007;Rashed等,2003;Wu,2004; Franke等,2009; Tits 等,2012)。