基于决策树的漓江上游土地覆盖分类

针对山区植被分类受地形复杂、植被类型多样、验证数据获取困难等因素限制基于多光谱数据的亚热带山区土地利用/覆盖分类存在困难,探究利用物候信息对亚热带山区植被实施分类的效果。综合运用归一化植被指数(NDVI)、比值植被指数(RVI)、归一化水指数(NDWI),同时考虑到海拔高度对植被类型的影响,建立决策树模型。该模型基于多时相Landsat TM影像,利用了不同地物类型的物候特征和光谱差异,将漓江上游地区分为8种土地覆盖类型。实验结果表明,分类结果总体精度达到86.40%,Kappa系数为0.83。     

利用无人机高光谱影像的红树林群落物种分类

近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。     

基于GF-5高光谱特征分析的水体提取方法研究

针对山区水体、山体阴影与裸地等地类光谱混淆性,基于高分五号(GF-5)影像数据,结合高光谱特征分析构建了山区水体决策树提取模型. 先对水体和相关干扰地类进行高光谱特征分析实现特征波段选取,应用单波段阈值法、多波段谱间关系法、归一化水指数(NDWI)法进行提取实验. 通过比较以上实验不足之处,提出了单波段阈值法与构建的阴影水体指数(SWI)相结合的决策树水体提取模型,以Google Earth高清影像为参考结合实地采样得到的混淆矩阵进行精度评价. 实验结果表明:单波段阈值法与NDWI法易将山体阴影识别为水体,受裸地影响较小;多波段谱间关系法对山体阴影有一定抑制作用,受小面积裸地影响;决策树提取模型能有效抑制山体阴影和裸地影响提取完整水体. 其总体精度为89.39%,Kappa系数为0.82,显著提升了山区水体提取精度.      

多光谱光学遥感影像水体提取模型

地表水监测是遥感的重要基础应用.光学遥感水体提取的原理是基于不同的地物具有不同的光谱反射特性,某些地物(冰雪、阴影、云)因为与水体具有相似的反射特性导致提取分类失败.本文针对传统水体指数在水体提取时出现错分、漏分的问题,提出一种归一化多波段水体指数NDMBWI.分别用3个试验对本文指数的稳定性进行测试.试验1的区域为西藏林芝地区,数据源为同一时相的Landsat 8、Sentinel 2卫星影像,试验结果验证了本文指数抑制冰雪的能力,本文指数的Kappa系数为0.86、总体精度为0.93、错分误差为0.03、漏分误差为0.12、制图精度为0.97、生产者精度为0.88,均优于已有的指数.试验2的数据源为高分一号,以香港迪士尼为试验区域,在存在少量云的环境下进行水体提取,证明了本文指数能抑制云及其云下阴影.试验3提取了多个地区的水体,验证了本文水体指数的稳定性.本文使用多源光学遥感影像验证了NDMBWI的可行性,不需额外借助辅助数据,即可排除雪、云、阴影的影响,能够更加有效地自动化提取水体,可推广到海岸带资源研究、冰川变化、内陆湖泊变化等领域.     

结合特征分量构建和面向对象方法提取高分辨率卫星影像阴影

针对高分辨率卫星影像,提出一种特征分量构建与面向对象结合的阴影提取方法。分析遥感阴影光谱特性,构建彩色不变特征C3、亮度特征I、主成分第一特征量PC1以及蓝色波段和近红外波段归一化比率特征RATIOb_nir,增强阴影信息。采用线性变换将几个特征分量Digital Number(DN)值归一化到相同范围,对这几个分量进行综合分析。以I和PC1分量为输入对影像进行多尺度分割,建立包括波段均值、标准差、最大差异等特征的规则集,实现面向对象的阴影信息提取。选取20幅QuickBird影像为例进行阴影提取实验,平均总体精度为97%,平均用户精度为96%,平均Kappa系数为0.94。实验结果表明,相对传统基于像素信息提取方法,本文方法提取阴影斑块完整,无破碎图斑;相对基于原始光谱的面向对象方法,本文方法提取精度更高。     

3种时空融合算法在洪水监测中的适用性研究

洪水灾害的遥感监测依赖于高时空分辨率影像,但目前中高空间分辨率的遥感影像受卫星回访周期及天气的影响,限制了在洪水监测中的应用。为此,提出融合MODIS和Landsat影像生成高时空分辨率影像来监测洪水灾害。以Gwydir和New Orleans 2地区为研究区,利用时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM)、时空反射率解混模型(spatial and temporal reflectance unmixing model,STRUM)和灵活的时空融合模型(flexible spatiotemporal data fusion,FSDAF) 3种流行算法融合MODIS和Landsat影像,获得Landsat融合影像,采用支持向量机(support vector machine,SVM)对融合影像分类来提取洪水信息,并对其结果进行精度评估。实验结果表明,3种时空融合算法能够有效应用到洪水监测中,且FSDAF算法融合结果在2个研究区都优于STARFM和STRUM。在Gwydir研究区,STARFM,STRUM和FSDAF 3种算法洪水分类总体精度分别为0. 89,0. 90和0. 91,Kappa系数分别为0. 63,0. 64和0. 67;在New Orleans研究区,3种融合算法洪水分类精度为0. 90,0. 89和0. 91,Kappa系数分别为0. 77,0. 76和0. 81。此研究表明时空融合算法能够有效应用到洪水监测中。     

基于ZY1E高光谱遥感影像的汉麻提取研究

以国产ZY1E高光谱遥感影像作为影像数据源,选取黑龙江省绥化市青冈县为研究区,对ZY1E高光谱遥感影像的光谱特性及多波段组合特性进行研究,并开展了研究区汉麻的提取研究.试验表明:ZY1E高光谱遥感影像可以提供更为丰富的空间信息和地物光谱信息,更利于地物的精细识别,2020年青冈县共种植汉麻0.22万hm2,主要集中在北部区域,汉麻提取的总体分类精度为98％,Kappa系数为0.9623.     

结合随机森林的高分一号分类最优组合研究

选取高分一号(GF-1)PMS多光谱影像,提取该数据的指数、共生矩阵纹理等特征与原始多光谱影像叠加,对叠加后影像进行随机森林分类并提取各波段重要性系数。根据重要性系数进行最优波段组合初选择,在此基础上利用最佳指数法(OIF)选取土地覆盖分类最优波段组合,利用随机森林分类器对该组合进行土地覆盖分类,与传统的OIF最优波段选取结果进行分类精度对比。结果表明,提出的方法能够有效提取最优波段组合,最优波段组合为B2-B5-CON,与传统方法相比,在随机森林分类中总精度要高出20.49%。     

基于决策树的遥感影像土地利用类型识别研究

为了准确获取新都区土地利用类型,以2007年四川省成都市新都地区的TM遥感影像为数据源,基于决策二叉树分类方法,在利用各类典型地物的反射光谱特性及典型归一化指数的基础上,结合目视解译,建立了一组能快速、准确提取土地利用信息的决策树分类规则,对研究区域遥感影像进行决策树分类。研究结果表明,决策树分类总体精度和Kappa系数分别为81.00%和0.7314,取得了较为满意的分类结果。     

Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取

遥感卫星的波段设置、信噪比及传感器观测角度等因素都会影响作物提取精度。为充分挖掘与发挥Sentinel-2卫星多光谱成像仪(MSI)与Landsat 8陆地成像仪(OLI)在冬小麦信息提取方面的优势,本文以商河县为研究区,基于两数据源的光谱特征、纹理特征、植被指数特征组合数据,利用随机森林(RF)与支持向量机(SVM)对冬小麦进行提取。结果表明:基于单一影像的最优Kappa系数与最优OA分别为0.89和95.13%,基于组合数据源的最优Kappa系数为0.92,最优OA为95.28%,两数据源组合的精度优于单一数据源提取精度;数据组合效果与分类器的性能有关,RF的Kappa系数相对于SVM分别提升0.04、0.20和0.11,OA分别提升2.41%、11.31%和6%,RF对冬小麦提取精度优于SVM。本文研究结果对于构建中高分辨率影像组合的典型农作物分类提取体系具有重要意义。     

基于随机森林特征选择的森林类型分类

以八面通林业局林场为研究区,选取多时相高分一号WFV影像,提取遥感特征构建多时相特征集合,根据归一化特征重要性排序选出最优特征子集,用随机森林法实现森林类型分类。结果表明:多时相影像的总精度较单时相影像提高了7.95%-15.13%;除纹理特征外,光谱特征结合其他类型特征的分类精度均高于光谱特征分类;基于随机森林特征选择的分类精度最高,利用24个特征进行分类时,分类精度达到83.97%,Kappa系数为0.7749,说明特征选择可降低数据冗余提高精度。     

高分辨率遥感植被分类研究

以南京市区的植被覆盖为研究对象,基于IKONOS遥感影像,采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,继而结合高分辨率影像特有的纹理特征引进局部一致性指数对该方法进行改进,提出结合纹理信息的高分辨率遥感植被分类方法,分类总体精度从仅利用光谱信息的83.16%显著提高到91.89%,Kappa系数达到0.8886。采用Quickbird遥感影像对该方法进行验证,分类总体精度为91.94%,Kappa系数为0.8783,表明该植被分类方法能有效地对植被进行分类与识别,精度较高,且对于不同数据源的植被分类具有一定的普适性,为实现植被的自动化提取提供了理论依据和有效的方法途径。     

基于植被指数模型的淡水湖泊湿地景观信息提取

高邮湖湿地是江苏省重要湿地之一,对生态、环境控制、调节气候和保护生物多样性具有重要意义。采用2007年的LandsatTM影像作为遥感信息源,选择影像的光谱特征和比值植被指数(RVI)、差值植被指数(DVI)、归一化植被指数(NDVI)、归一化差异绿度指数(NDGI)、土壤调节植被指数(SAVI)和最佳土壤调节植被指数(OSAVI)6种植被指数做了光谱特征分析,从而确定出最佳指数模型,并基于决策树方法,实现研究区景观信息的遥感分类。研究结果表明,决策树分类法易于综合多种特征进行遥感影像分类,植被指数参与到决策树分类中能够提高分类的总体精度,其总体精度达到79.58%,Kappa系数为0.721 0,分类结果理想且人工参与灵活。     

基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

基于TM图像的城市不透水面信息提取

基于TM图像,利用遥感技术,以山西省太原市为研究区域,提取不透水面信息.综合比较和分析了被广泛应用的主成分分析法和归一化差值不透水面指数法,进而提出了一种改进的不透水面提取方法——实验图层组合法.利用随机生成的256个分类评价采样点,以可提供经纬度信息的Google Earth作为参考,将通过监督分类方法获得的分别基于原始多波段图像以及主成分分析法、归一化差值不透水面指数法和实验图层组合法得到的分类结果进行了评估,获得了4种图像的分类精度.比较可知,实验图层组合法总体分类精度高于其他3种结果,为87.72％,Kappa系数为0.85.     

基于中尺度光谱和时序物候特征提取南方丘陵山区茶园

南方丘陵山区茶园空间分布的提取对于南方经济发展和生态环境保护有重要意义。为此提出一种基于中尺度光谱和时序物候特征的茶园提取方法。利用MODIS增强植被指数(enhanced vegetation index,EVI)和归一化植被指数(normalized difference vegetation index,NDVI)数据产品选择Landsat影像的最适时间窗口,使用面向对象方法和决策树分类模型提取初步分类结果,使用MODIS-EVI植被时序数据提取不同植被物候参数,完成茶园分布范围提取。以福建省漳州市和安溪县为研究区进行茶园提取,经检验,总体分类精度达到85. 71%,Kappa系数达到0. 83,其中茶园的生产者精度为83. 72%,用户精度为90. 00%;提取结果与漳州市和安溪县茶园种植面积的公开统计数据接近。结果表明,该方法可获得较高的茶园提取精度。提取结果可以为南方经济发展和政府有关部门对茶园的调控提供一定参考和指导。     

高潜水位煤矿区沉陷水体信息提取

针对高潜水位煤矿区煤炭开采后极易形成大面积的沉陷积水区,且沉陷水体信息易与矿区其他地物混淆的问题,该文提出了针对高潜水位矿区水体信息提取的增强型改进归一化水体指数(E-MNDWI).对研究区典型地物光谱进行分析,将E-MNDWI应用于Landsat系列数据,并对比验证该指数与改进归一化水体指数(MNDWI)的精度水平.研究结果表明:矿区投入运行后,利用E-MNDWI提取沉陷水体的精度普遍较MNDWI高,总体精度在90％以上,Kappa系数大于80％.选取高分1号数据作为验证数据源,发现E-MNDWI的计算面积精度高达93.07％.与其他水体指数对比,E-MNDWI的综合精度最高.E-MNDWI对于山区和平原水体提取具有较好的效果,能够消除山体阴影和其他物体倒影的影响.     

基于PROBA/CHRIS影像的归一化阴影植被指数NSVI构建与应用效果

开展高光谱遥感影像的阴影检测研究有助于去除阴影,并进一步发挥其高光谱分辨率优势。以多角度高光谱影像PROBA/CHRIS为数据源,尝试从增大明亮区植被、阴影区植被、水体区3种典型地物间光谱的差异入手,利用连续投影算法(successive projection algorithm,SPA)选取特征波段,并分析典型地物在CHRIS影像原始波段及归一化差值植被指数上的光谱特征,由此构建该影像的归一化阴影植被指数(normalized shaded vegetation index,NSVI)。基于步长法设置合理阈值,对影像予以分类,并从分类精度及光谱差异增强效果两个角度评价NSVI对CHRIS影像阴影的检测能力。结果表明:B9和B15可作为构建CHRIS影像NSVI的特征波段;基于NSVI阈值法对CHRIS多角度影像予以分类,各角度影像3种地物的分类精度均在94%以上,总Kappa均大于0.89,0°影像的分类效果最佳;经掩模获取分类后3种地物的子影像,子影像光谱均值有差异,但考虑标准差后则发现其光谱重叠现象较为明显,表明NSVI可增强典型地物间的光谱差异,提高了光谱混淆像元间的可分性。通过进一步比较NSVI与归一化阴影指数和阴影指数的阴影检测效果,亦证明了NSVI的阴影检测能力,说明所构建的NSVI能够应用于PROBA/CHRIS高光谱影像的阴影检测,可为该影像的阴影去除及阴影信息修复等工作提供重要支持。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

基于高分六号WFV数据的冬小麦种植面积提取

冬小麦是我国重要的粮食作物之一,准确获取冬小麦种植面积具有重要的现实意义。为探究高分六号卫星影像进行冬小麦遥感监测的可行性和精确性,本文选取甘肃省崆峒区为研究区,运用红边波段+监督分类中的支持向量机法,提取了2019年崆峒区冬小麦种植面积,并利用混淆矩阵对分类结果进行精度验证。结果表明:提取崆峒区冬小麦种植面积为15045 hm 2,与实际种植面积相比,误差率为1.02%;该模型能有效地提取崆峒区冬小麦,总体精度为98.88%,Kappa系数为0.97;红边波段能有效地提取干扰地物,提取精度比直接使用监督分类高7.88个百分点;GF6影像在提取冬小麦种植面积上具有明显优势。