面向对象的高光谱影像湿地植被信息提取

以美国Sacramento-San Joaquin三角洲为研究区,提取高光谱遥感影像上湿地植被的光谱响应特征,用于指导面向对象的湿地植被信息提取。结果表明,基于光谱响应特征分析的面向对象分类精度为88.03%,而未利用光谱响应特征的面向对象分类精度为72.08%。在面向对象提取前对植物光谱响应特征进行特征提取,可以实现湿地植被在物种水平上的识别,并可以有效提高分类精度。     

航空影像农田类型分类在地理国情监测中的应用研究

航空影像的植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取农田类型。本文以江苏农田为主要覆盖的典型区域为研究对象,选择航空影像利用随机森林算法提取不同的农田信息。本研究采用多尺度的分割方法,面向对象实现特征信息提取。根据光谱、纹理以及几何形状特性筛选出较为合适的特征作为参数,利用随机森林算法实现植被二级分类,分类精度达到84.60%,KAPPA系数为0.753,可为地理国情生产提供一定的参考。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

基于光谱特征的湿地湿生植物信息提取研究

基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息。在大量的野外实地调查基础上,确定提取的典型植物类型为芦苇(Phragmites australis)、长芒稗(Echinochloa crusgallii)和睡莲(Nymphaeatetragona);采集湿地优势植物光谱数据,将优势植物与提取对象芦苇、长芒稗和睡莲的光谱特征进行相关性分析,获取物种间区分性好的波段及波段组合,参与影像分割权重的设置;根据典型植被的分布特征,确定面向对象分割尺度(其中芦苇的分割尺度为50,长芒稗的分割尺度为20,睡莲的分割尺度为100)。通过研究发现:基于光谱特征分析的面向对象的分类精度为96%,而未利用光谱特征的面向对象的分类精度为87.3%,传统监督分类精度仅为82.3%。证明在面向对象提取前对植物光谱特征分析得到区分性好的波段及波段组合参与分割,对提高分类精度起关键作用。     

面向对象矿区复垦植被分类最优分割尺度研究

针对面向对象分类中直接影响最终分类精度的分割尺度问题,该文通过基于对象的精度评价,定量对比分析eCognition软件自带的ESP工具、欧几里得距离二指数(ED2)和分割误差(SE)3种分割尺度选择方法,研究不同尺度在矿区复垦植被面向对象分类的精度差异,为高分遥感数据分割尺度的选择提供定量的标准。得出结论:分割尺度的微小变化会导致分类结果的显著差异;ESP工具分类精度最低,SE和ED2全面考虑参照样本与分割对象之间的特征和几何差异,可显著提高面向对象分类精度;将SE和ED2作为最优分割尺度选择算法嵌入面向对象分类体系中,可以快速获取最优分割尺度。     

特征优选下的全极化雷达影像土地覆盖分类

针对极化合成孔径雷达(PolSAR)影像在土地覆盖分类中存在特征利用不充分导致分类精度低的问题，该文提出一种联合ReliefF和相关性的特征选择(CFS)算法的分类方法。首先利用ReliefF算法对极化特征进行特征重要性排序，淘汰无关特征，然后利用CFS算法进行特征优选，最后结合分类回归树(CART)决策树构建分类模型，完成土地覆盖分类。以高分三号(GF-3)两个场景的影像数据进行实验，结果表明，该方法能够有效剔除冗余特征，显著提高分类准确率，适用于PolSAR影像土地覆盖分类。     

面向对象的城镇土地覆盖信息自动提取方法

以安徽省滁州市城区为研究对象,采用面向对象的分类思想,在建立误分割指数进行多尺度分割评价的基础上,提出了一种首先利用遗传算法对光谱特征、几何特征、空间特征等进行最优特征集提取,再结合支持向量机算法进行自动提取的分类方法,并对分类结果进行了精度评价。结果表明,该方法的精度达到了90.43%,证明了其可行性。     

基于GF-1号影像的南方水稻种植信息提取

针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。     

皖南低山丘陵破碎带植被信息提取方法

以芜湖市繁昌县为例,利用多尺度多变量的面向对象影像分析方法,结合HJ1-CCD、Landsat5 TM以及DEM数据,研究了低山丘陵复杂背景下植被信息遥感提取方法。针对不同植被类型,选用适宜分割尺度进行影像分割,构建面向对象的分类规则集进行研究区植被信息分类,植被提取总体精度达到了80.8%。     

结合高分一号和LiDAR的亚热带森林 年度采伐迹地提取

利用高分一号影像结合机载LiDAR数据进行面向对象的亚热带森林年度采伐迹地分类提取。在面向对象的遥感软件Ecognition中,首先利用森林小班数据参与分割,利用小班数据的属性信息确定林地和非林地区域,在林地区域再一次进行多尺度分割,并通过ESP工具确定最佳分割尺度,通过特征表达提取对象的光谱、纹理、形状、冠层高度模型(CHM)等特征信息,通过最小冗余最大相关性(mRMR)特征选择算法提取最优特征子集,且CHM在最优特征子集中。利用随机森林(RF)分类器进行年度森林采伐迹地分类提取。年度采伐迹地提取精度达到了87%,与没有CHM特征参与分类的情况对比,提取精度提高了13%。     

基于随机森林特征优选的冬小麦分类方法

本文基于多时相Landsat 8 OLI数据,进行综合光谱、植被指数的特征提取与特征选择的方法研究。通过分析光谱与植被指数特征时序变化,提取最佳时相光谱,构建小麦提取特征;采用基于重要性与Pearson相关性的随机森林特征选择算法优选特征。结果表明:利用优选特征分类时,总体精度为89.78%,小麦分类精度为98.33%;与优选前特征的分类结果相比,精度分别提高了2.96%、2.55%;基于重要性与Pearson相关性的随机森林特征选择提高了分类精度和分类器工作效率。     

一种改进的融合多指标荒漠化等级分类方法

土地荒漠化等级分类是荒漠化监测的重要内容,也是土地荒漠化综合治理、科学防护的基础。针对植被稀疏及干旱区土地荒漠化提取异常的问题,本文选择干旱/半干旱的科尔沁区为试验区,以2005、2010和2015年3期的中高分辨率Landsat遥感影像为数据源,基于大量的样本统计分析,提出了一种融合植被覆盖度（FVC）、去土壤植被指数（MSAVI）、增强性植被指数（EVI）3种指标的荒漠化提取模型,并将之与传统植被覆盖度指标提取结果进行了对比分析。研究结果表明,相较于单一植被指数反演方法,本文提出的算法分类精度更高,尤其针对干旱/半干旱地区,该融合植被指数法具有更好的适用性和稳健性。该方法为荒漠化评价体系的建立提供了新的思路,为土地荒漠化防护与治理提供了辅助决策支撑。     

面向对象的无人机遥感影像岩溶湿地植被遥感识别

以广西桂林会仙喀斯特国家湿地公园为研究区，以无人机航摄影像为数据源，综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明：针对不同特征变量对岩溶湿地遥感识别的贡献率而言，光谱特征（DOM > DSM） > 纹理特征（DOM > DSM） > 几何特征 > 上下文变量；两个航摄影像数据集的总体分类精度都在85%以上，Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。     

Sentinel-2影像多特征优选的黄河三角洲湿地信息提取

以北方典型河口湿地—黄河三角洲湿地为研究区,采用在特征选择和分类提取等方面具有明显优势的随机森林算法,对研究区内的湿地信息进行提取。首先基于多时相、光谱信息丰富的Sentinel-2数据生成4类不同的特征变量,包括光谱特征、植被指数和水体指数、红边指数、纹理特征;再根据以上特征构建6种不同的提取方案,对黄河三角洲湿地信息进行提取并验证不同方案的提取精度,旨在选择最佳方案改善湿地信息提取的效果。结果表明:(1)有效地使用多种特征变量是提高湿地信息提取的关键,就不同特征对湿地信息提取的贡献率而言,红边指数植被指数和水体指数光谱特征纹理特征;(2)基于随机森林算法优选的特征变量提取效果最佳,总体精度高达90.93%,Kappa系数为0.90,表明随机森林算法可以有效地进行特征选择,在特征变量数据挖掘的同时,仍能保证湿地信息提取的精度,提高运行效率。本研究为湿地信息提取在数据源选择、特征选择和方法选择方面提供了一种新思路、方法和技术手段。     

面向对象的遥感分类方法在输电线路地表信息提取中的应用

面向对象的遥感分类方法是影像分辨率越来越高的背景下的产物。本文以某特高压输电线路工程为研究对象,选取宁夏、陕西、山西、河南、安徽境内五个典型地区样本,通过影像特征分析、多尺度分割和地物分类建立了水体、建筑、林地、道路等四种典型地物的分类规则集,并对工程全线进行信息提取和精度分析。结果表明:利用面向对象的方法提取高分辨率航空影像地表信息能够为输电线路智能选线快速提供基础地理空间数据。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

结合随机森林面向对象的森林资源分类

针对森林资源分类研究较少且缺少相对简单有效的方法的情况,提出一种结合面向对象和随机森林的森林资源分类方法。面向对象分割技术可减少“椒盐效应”,随机森林分类算法具有高准确度、抗噪声能力强、性能稳定等优势。鉴于此,通过调整面向对象的分割参数,构造最优特征空间及估算随机森林中决策树的数量等,构建了最优的面向对象随机森林分类模型。另外,选择了SVM算法作对比试验。试验结果显示,本文分类算法的总体精度达到83.34%,Kappa系数为0.7892,明显高于SVM,能够有效提高森林资源分类的精度。     

高分辨率影像融合算法对滨海湿地土地利用分类精度的影响

针对融合算法对影像分类精度具有明显影响的问题,本文选择连云港海岸带埒子河口滨海湿地为研究区,以GF-1卫星影像为数据源,首先分别使用Gram-Schmidt算法、PCA算法及Brovey算法进行影像融合。然后在eCognition软件平台上,基于面向对象多尺度分割技术,利用随机森林算法对影像进行土地利用分类,并对分类结果进行精度评价。试验结果表明,不同融合算法影像融合效果明显不同,其中,Gram-Schmidt算法融合后的影像质量最好,且分类精度最高;Brovey融合算法对植被和水体有较好的光谱保真性,并且改变波段组合后分类精度有明显提高;PCA算法在3种融合算法中精度最低。     

Margin-based feature selection for hyperspectral data

A margin-based feature selection approach is explored for hyperspectral data. This approach is based on measuring the confidence of a classifier when making predictions on a test data. Greedy feature flip and iterative search algorithms, which attempts to maximise the margin-based evaluation functions, were used in the present study. Evaluation functions use linear, zero–one and sigmoid utility functions where a utility function controls the contribution of each margin term to the overall score. The results obtained by margin-based feature selection technique were compared to a support vector machine-based recurring feature elimination approach. Two different hyperspectral data sets, one consisting of 65 bands (DAIS data) and other with 185 bands (AVIRIS data) were used. With digital airborne imaging spectrometer (DAIS) data, the classification accuracy by greedy feature flip algorithm and sigmoid utility function was 93.02% using a total of 24 selected features in comparison to an accuracy of 91.76% with full set of 65 features. The results suggest a significant increase in classification accuracy with 24 selected features. The classification accuracy (93.4%) achieved by the iterative search margin-based algorithm with 20 selected features using sigmoid utility function is also significantly more accurate than that achieved with 65 features. To judge the usefulness of margin-based feature selection approaches, another hyperspectral data set consisting of 185 features was used. A total of 65 selected features were used to evaluate the performance of margin-based feature selection approach. The results suggest a significantly improved performance by greedy feature flip-based feature selection technique with this data set also. This study also suggest that margin-based feature selection algorithms provide a comparable performance to support vector machine-based recurring feature elimination approach.     

Multispectral remote sensing for mapping grassland degradation using the key indicators of grass species and edaphic factors

Land degradation is believed to be one of the most severe and widespread environmental problems. In South Africa, large areas of land have been identified as degraded, as shown by the lower vegetation cover. One of the major causes of grassland degradation is change in plant species composition that leads to presence of unpalatable grass species. Some grass species have been successfully used as indicators of different levels of grassland degradation in the country. This paper, therefore explores the possibility of mapping grassland degradation in Cathedral Peak, South Africa, using indicators of grass species and edaphic factors. Multispectral SPOT 5 data were used to produce a grassland degradation map based on the spatial distribution of decreaser (Themeda triandra) and increaser (Hyparrhenia hirta) species. To improve mapping accuracy, soil samples were collected from each species site and analysed for nutrient content. A t-test and machine learning random forest classification algorithm were applied for variable selection and classification using SPOT 5 data and edaphic variables. Results indicated that the decreaser and increaser grass species can be mapped with modest accuracy using SPOT 5 data (overall accuracy of 75.30%, quantity disagreement = 2 and allocation disagreement = 23). The classification accuracy was improved to 88.60%, 1 and 11 for overall accuracy, quantity and allocation disagreements, respectively, when SPOT 5 bands and edaphic factors were combined. The study demonstrated that an approach based on the integration of multispectral data and edaphic variables, which increased the overall classification accuracy by about 13%, is a suitable when adopting remote sensing to monitor grassland degradation.