WorldView-3短波红外影像分类性能研究

WorldView-3卫星在8个可见光-近红外(VNIR)波段的基础上,新增了8个短波红外(SWIR)波段,大大提高了对地物信息的提取能力。利用随机森林分类方法分别对可见光-近红外8个波段影像和可见光-近红外-短波红外16个波段的影像进行实验验证;采用基于多尺度分割技术的面向对象方法对合理的特征空间进行实验与挑选。结果表明,引入SWIR波段后分类性能总体精度提升了3.78%,人工地物制图精度提升了5.65%,自然地物制图精度提升了2.88%;且允许识别特定类别(村镇中的红色低矮砖瓦房居民区),能保持地物较为完整的形状信息,可提高多光谱遥感影像的分类精度。     

典型植被指数识别火烧迹地潜力分析

植被指数法是利用卫星遥感影像识别火烧迹地的常用方法之一。植被因受火的干扰会形成火烧迹地,其光谱特征易与裸地、水体、道路、阴影和耕地等地物光谱混淆,使用遥感影像采用合适的植被指数提高过火区遥感监测精度仍是亟待解决的问题。以四川省2014年和内蒙古自治区2017年发生的4次森林火灾形成的火烧迹地作为研究区,利用高分一号16 m宽幅(GF-1 WFV)数据和Landsat8数据的波谱特性,选取归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、全球环境监测植被指数(global environment monitoring index,GEMI)、过火区识别指数(burned area index,BAI)和归一化火烧指数(normalized burn ration,NBR)等5种典型植被指数,通过构建不同植被指数的分离指数M来定量评价这些植被指数识别火烧迹地的潜力。研究结果表明,基于近红外—短波红外波段的NBR和基于可见光—近红外波段的BAI对过火区的分离性较好,NDVI的分离性次之,EVI和GEMI的分离效果较差;基于GF-1 WFV和Landsat8数据采用BAI和NBR指数对内蒙古鄂伦春自治旗火烧迹地进行了识别(其中GF-1 WFV数据只用于BAI识别),并利用高分二号(GF-2)数据进行了精度验证,两者火烧迹地识别总体精度均大于87%,Kappa系数均大于0. 7。     

基于 SPOT-5影像的吴哥地区水体提取方法研究

对于一个较小研究区提取地物信息,需要更高的空间分辨率和适合的光谱信息。以柬埔寨吴哥窟西北部为研究对象,开展基于SPOT-5影像的水体信息提取方法研究。通过分析研究区内的地物光谱特征信息,发现各地物在绿色波段和短波红外波段虽然都有下降趋势,但是水体的变化程度最大。利用这个信息建立决策树的一种水体提取模型:Band3/Band41.73并且Band1Band4。通过与NDWI法、决策树模型提取精度进行对比,证明该模型提取精度有较大提高,可有效地消除水田对提取精度的影响。     

高分六号红边特征的农作物识别与评估

红边作为植被敏感波段,其红边特征的运用是遥感识别农作物并实现精准农业的高新手段之一。以黑龙江松嫩平原北部为研究区,以国内首个提供红边波段的多光谱高分六号影像和玉米、大豆、水稻总计82859个作物样本同时作为研究对象,从以下几个方面研究了红边波段和红边指数波段等红边特征在农作物识别中的表现,并评估了农作物的识别精度。（1） 通过作物样本辐射亮度值的统计特征,初步显示了在两红边波段0.710 μm和0.750 μm处有比其他波段更好的区分;（2） 根据传统归一化植被指数形式构建了红边归一化植被指数NDVI710和NDVI750,综合两指数在J-M距离表征的作物样本类别区分度上比传统NDVI更显著;（3） 通过多种手段筛选了有效波段并且制定了支持向量机（SVM）框架下4种农作物识别的分类策略,分别在5∶5、6∶4、7∶3、8∶2、9∶1等5套随机样本分割方案下完成研究区域农作物的分类预测。在这20类分类精度中kappa系数均高于0.9609,总体精度高于0.9742;列向上5∶5分割方案的精度最高,8∶2的精度最低;横向上分类精度排序如下：SVM-RFE > SVM-RF > SVM-有红边波段 > SVM-无红边波段,该结果表明了红边指数和红边波段的参与显著地提高了作物的识别精度;（4） 由于水域等其他样本的缺少,SVM-RFE方法和SVM-RF方法的分类图像均存在少量错分现象。但从分类精度和图像细节展示上来看,SVM-RFE方法要优于SVM-RF方法,二者分类图像的交叉验证中kappa系数为0.8060,总体精度为0.8743。总之,高分六号红边特征在作物识别中表现优越,使得识别精度显著提高。后续研究者可开发更多与红边相关的植被指数,充分发挥红边特征在精准农业中的作用。     

基于光谱重建的高光谱特征参数选择方法——以苏北地区Hyperion数据为例

高光谱遥感能提供数十至数百个窄波段的光谱信息,从而能够依据地物的诊断性光谱特征进行地物识别。然而,高光谱遥感在提供丰富光谱信息的同时,波段间的相关性和冗余性制约着高光谱遥感的应用。因此,特征参数选择是高光谱遥感分类中最关键的环节之一。首先讨论EO-1/Hyperion的传感器特征,并对其L1R数据进行辐射校正、去条纹、Smile效应纠正等预处理工作。其次利用从图像中提取的典型地物的光谱曲线,采用光谱重建理论获得用于逼近光谱曲线的基函数及其对应的光谱区间。然后采用逐步增加光谱区间,并调整波段中心位置和宽度的方法,得到稳定的光谱区间。最后将光谱区间内的几个原始高光谱波段合成一个宽的波段,得到几个较宽波段的仿真图像,并对其进行分类。结果表明,基于光谱重建的特征参数选择方法获得的分类,总体精度高达92%,充分说明了该方法的有效性。     

基于水体指数的密云水库面积提取及变化监测

密云水库作为北京市惟一的地表饮用水源地,监测其水面的变化可服务于政府的管理和决策。本文在分析地物光谱特征的基础上,利用TM影像的短波红外波段(TM5)和红光波段(TM3),构造了修订型归一化水体指数(RNDWI)来提取水库水面。RNDWI法能够削弱混合像元因素和山体阴影的影响,精确地提取出水陆边界,甚至可以提取出狭窄条状水体。比较RNDWI、改进归一化差异水体指数(MNDWI)及单波段法的水库水面面积提取精度,发现单波段法精度低,MNDWI法精度高,而RNDWI法精度最高。并基于RNDWI法利用TM影像监测了密云水库近二十年的水面面积动态变化,1996年时面积最大(152.306km2),近十年水库面积逐渐减少,2004年面积最小(56.632km2)。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6 WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开。本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法。首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对象的CART决策树消除椒盐现象的同时提取植被区域,并转化为卷积神经网络的输入数据,最后基于Python和Numpy库构建的卷积神经网络模型(RE-CNN)用于影像作物分类及精度验证。有无红边波段的两组分类实验结果表明:在红边波段组,卷积神经网络(RE-CNN)作物分类识别取得了较好的效果,总体精度高达94.38%,相比无红边波段组分类精度提高了2.83%,验证了GF-6 WFV红边波段对作物分类的有效性。为GF-6 WFV红边波段影像用于作物的分类研究提供技术参考和借鉴价值。     

顾及物候特征的喀斯特断陷盆地土地覆盖遥感分类

在喀斯特分布区,基岩、植被、裸地等多种地表覆盖交错分布,地物覆盖高度异质,并且呈现出短周期规律性变化和长期动态趋势变化,单一时相的影像进行土地覆盖分类精度非常有限。针对这一问题,本文提出一种顾及物候特征的多时相遥感影像分类策略,利用具有高时间分辨率的MODIS NDVI时间序列产品作为数据源,选择BFAST(Breaks For Additive Seasonal and Trend)方法进行NDVI时间序列的物候分解,采用动态阈值法对时序分解的物候轨迹进行标记,最后将物候标记特征与原始光谱时序综合特征进行组合,选择支持向量机(SVM)分类器进行土地利用覆盖分类,并且对比了不同特征空间下的分类结果。以云南省壮族苗族自治州丘北县和砚山县为研究区进行分类实验,结果表明,BFAST模型可以有效地分解出NDVI时序中的关键物候特征,相比基于单纯光谱特征的分类,物候驱动的喀斯特断陷盆地区土地覆盖分类精度有明显的提升,在NDVI、光谱和物候组合特征空间下,土地覆盖分类精度最高,总体精度和Kappa系数分别为88.94%和0.8693,尤其在灌木林、有林地、石旮旯地与稀疏植被的区分中,SOS、POS和GSG等物候特征具有较强的可分性,表明物候特征在地物识别中的有效性。     

考虑植被红边信息的多时相Sentinel-2大范围冬小麦提取研究

冬小麦是中国的主要粮食作物且种植面积年际变化较大,及时准确掌握冬小麦种植面积变化有利于国家和相关部门科学决策。遥感技术是获取大范围冬小麦种植面积数据的最有效手段。前期研究多利用多时相中低分辨率影像（如MODIS）的归一化植被指数NDVI（Normalized Difference Vegetation Index）开展大范围冬小麦种植区提取,因分辨率低导致精度难以令人满意。Sentinel-2卫星是唯一能获取3个红边波段影像的米级分辨率传感器,但应用其红边波段进行大范围冬小麦提取的研究几乎没有。本文分析了红边位置指数REPI（Red-Edge Position Index）与NDVI各自在冬小麦提取中的优势,并基于冬小麦物候特征与JM距离研究关键时相,提出一种综合多时相Sentinel-2 PERI、NDVI的大范围冬小麦提取方法,将其应用于2020年京津冀地区的冬小麦种植区提取,冬小麦总面积提取误差为-2.57%。提取结果与Google Earth高分辨率光学影像的解译结果进行比较,总体精度为94.24%,Kappa系数为0.88,相较于已有大范围冬小麦提取研究精度有明显提升,表明了本文方法的有效性。     

泰山麻栎多光谱遥感识别的方法优选

树种识别精度将直接影响森林制图精度。为提高泰山麻栎识别精度,通过优选敏感波段及其波段组合,利用多种方法对麻栎进行遥感识别。本文基于资源一号02C(ZY-1 02C)5月12日多光谱遥感影像,分析关键物候期的光谱特征,选取敏感波段并进行波段组合,分别运用云模型、支持向量机(SVM)、最大似然法(MLC)3种分类方法对麻栎进行遥感识别。结果表明,第2、3波段(记为B2和B3)为识别麻栎的敏感波段,其中B3为最敏感波段。3种识别方法中,云模型总体识别精度最高,为94.29%;其次是支持向量机,为90.82%;最大似然法最低,为85.54%。本文利用B3波段构建的云模型对泰山麻栎识别效果最优,可为其他树种识别提供技术支持。     

基于高分六号红边特征的面向对象桉树人工林信息提取

有效监测桉树林空间分布对区域生态环境保护及有关部门的统筹决策具有重要指导意义。本文在现有研究的基础上,以国内首个提供红边波段的多光谱高分六号（GF-6）卫星影像为数据源,选取广西鹿寨县为典型研究区域,结合光谱特征、植被指数特征和红边特征,设计不同特征组合分类方案,采用面向对象多尺度分割方法,对不同尺度层分别构建隶属度函数和CART决策树模型以进行分类提取桉树人工林信息。试验结果表明,红边特征在CART决策树模型构建中具有重要影响,融入GF-6红边特征能有效提高桉树人工林分类提取精度,总体精度达到91.75%,相比仅采用传统波段和植被指数的分类方案,精度提高了11.25%。本文研究结果在利用国产卫星红边波段识别提取桉树人工林方面具有重要的理论意义和实用价值。     

基于多分类器集成的GF-1影像围填海地物识别

围填海是人类获取海洋资源的重要方式。监测围填海的变化是海岸带管理、海岸带演变研究中一项非常重要的任务。然而,围填海地物复杂多变,给利用遥感技术监测围填海带来困难。为此,通过构造识别地物类别的10个特征因子(GF-1的Band1—4波段的均值特征、波段均值的均值、对象面积、对象周长、外接矩形面积、对象面积与外接矩形面积之比和对象周长与对象面积之比),提出一种识别GF-1影像中围填海地物的多分类器集成算法;对特征因子进行集成,构建出单个特征分类器模型、光谱特征分类器模型、形态特征分类器模型和所有特征集成分类器模型4种组合特征分类器模型;对每种分类器模型进行试验研究,并对比分析4种集成模型的多分类器围填海地物识别精度。结果表明,单个特征分类器模型识别精度最高达到82.03%,光谱特征分类器模型识别精度为63.28%,形态特征分类器模型识别精度为87.50%,所有特征集成分类器模型识别精度为80.47%。本研究结果可为监测围填海变化提供较好的解决方案。     

基于机载多光谱遥感数据的溢油信息提取方法

为研究应用紫外-可见光-近红外-热红外遥感数据识别海上溢油的方法,利用机载多光谱溢油监测设备获取了舟山海域多光谱遥感数据,并利用野外地物光谱仪获取了水体和油膜的反射光谱。通过提取并分析机载多光谱遥感图像上多目标的影像特征和光谱响应特征,利用决策树分类法对海上油膜相对厚度的分布进行分类和制图。研究表明,基于机载多光谱遥感数据的溢油信息提取方法总体分类精度达93.7%,能够准确区分薄油膜和厚油膜,可有效提取海洋溢油污染信息,完全能够满足海洋溢油污染遥感监测需求。     

利用温湿度指数提高红树林遥感识别精度

针对使用TM图像反射波段信息难以将红树林与陆地植被、尤其是与水体—植被混合像元有效区分的问题,结合不同潮位的TM图像,基于反射波段信息,引入TM6热红外波段信息,提出了温湿度指数(temperature-moisture index,TMI)。分析结果表明,综合潮位信息、热红外波段信息及温湿度指数能显著提高红树林与其他地物之间的可分性。采用光谱角度制图(spectral angle mapping,SAM)监督分类法对红树林进行分类识别,较之其他研究者所采用的分类特征,热红外波段信息及温湿度指数能使红树林分类精度明显提高(Kappa系数提高了0.14,错分率降低了19.9%),说明利用潮位信息、热红外波段信息及温湿度指数可以提高红树林的遥感识别精度。     

短波红外波段高温目标识别的可行性分析

目前主要采用热红外遥感数据识别高温目标,研究发现短波红外数据也具有较好的高温目标识别能力。在高温目标混合像元中,高温地物的温度和面积是待求解的未知数,也是决定混合像元波谱特性的重要参数。首先基于能量守恒原理建立了地表高温目标混合像元的辐射能量方程,然后进行方程参数的敏感性分析。研究结果表明,高温目标面积百分比和常温地物反射率对高温地物的温度和面积反演最为敏感。以山西保德和陕西府谷研究区ETM+第7波段的数据为例进行了高温目标识别研究,所识别的火点像元辐射通量密度为背景的1.36~4.76倍。经野外验证,用马氏距离法识别高温目标的精度达到88%,表明短波红外波段的遥感数据可用于高温目标的识别。     

利用经验模态分解的近地面植被指数时序数据重构研究

NDVI遥感产品可以较好地反映植被的生长情况,已被广泛应用于植被物候的遥感分析。本文利用PhenoCam物候相机观测网络林地站点的近地面多光谱数码相机照片,通过近红外和红光波段组合提取近似NDVI的时序数据,并在景观尺度上采用经验模态分解方法(EMD,Empirical Mode Decomposition)实现一定容差范围内NDVI时序数据的重构。结果表明:EMD方法能够有效地减少NDVI时序数据噪声干扰,经验证,趋势项残差的趋势较为明确。实验基于重构结果进行植被物候分析,得到的物候分布特征与植被实际生长反映的变化特征基本一致。     

基于光谱指数的高温目标识别方法

目前,高温目标遥感识别研究所采用的波段或光谱指数大多局限于定性分析,缺乏定量评价指标与筛选方法。为建立具有普适性的波段筛选原则及评判指标筛选方法,实现高温目标的有效识别,根据方差分析思想,构建可分性度量指标对高温目标与各类常温地物分别进行特征波段筛选,确定高温目标识别的若干有效波段,结合地物波谱特性构建并筛选高温目标最优识别指数。研究表明,经定量筛选综合确定的最优光谱指数能有效将高温目标与绝大多数常温地物区分开;在此基础上,再利用区分高温目标与易与其混淆的彩钢地物的最优识别指数进行二次识别,可进一步提高识别精度,高温目标2次识别精度分别为95. 4%和97. 6%。     

基于ASTER的蛇绿混杂岩带岩性识别

本文运用ASTER遥感数据识别与提取新疆南天山铜花山地区蛇绿混杂岩带岩性信息。首先,利用比值法快速区别岩性,并比较了识别同一种岩性的不同指数的性能;然后,将对数残差算法应用在ASTER数据的短波红外波段上,在区域尺度上把蛇绿岩杂岩体同围岩区分开来;最后,运用标准光谱数据和光谱角填图法识别出多种蛇绿岩成分及其空间分布。现有地质图和野外验证反映出该方法有一定效果。利用混淆矩阵对光谱角填图法分类结果定量评价,结果表明,把ASTER的可见光-近红外、短波红外波段数据结合在一起进行岩性分类,可以达到比单独用短波红外数据分类更高的分类精度。     

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。     

结合目标分割的高光谱城市地物分类

结合高光谱影像地物光谱特征与高空间分辨率影像分割获得的目标对象进行地物分类。首先,对Hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正后,得到研究所用的155个波段;其次,利用地物光谱曲线的特征点确定适合地物识别的光谱分辨率,进行Hyperion影像降维,生成降维后所需的21个宽波段;然后,对IKONOS影像采用小波融合,利用多分辨率分割技术生成高空间分辨率影像目标对象;最后,基于层次分析法对分割后生成的目标对象进行分类,采用模糊隶属函数利用植被红边效应、水体在近红外波段吸收特征进行第1层次分类,再取距离值最大的前10个Hyperion影像波段作为标准最邻近分类的特征波段,完成第2层次分类。分类结果表明,研究区共分出9种地物类型,分类效果明显优于最大似然法分类与光谱角填图法。