基于Relief F与卷积神经网络的湿地植物群落精细分类

湿地是陆地生态系统和水生生态系统之间的重要过渡带,准确高效地获取湿地植物群落分布信息对于保护湿地具有深远的意义。本文以无人机多光谱影像为数据源,首先构建包含光谱特征、植被指数和纹理特征的多维特征数据集,并采用Relief F算法进行特征优选,确定最优特征数据集;然后构建基于特征优选的卷积神经网络(CNN)分类模型,对最优特征数据集进行分类,并与基于原始多光谱影像的CNN和随机森林(RF)分类方法进行对比。结果表明：(1)随着特征个数的增加,分类精度先增加后下降,当特征数为32时分类精度最高;(2)窗口为13×13的GLCM提取的信息熵和同质性等纹理特征及GNDVI、MSAVI2、RVI等多光谱植被指数重要性较高;(3)基于最优特征数据集的CNN分类模型,能够有效提取空间光谱信息,抑制“椒盐现象”的产生,分类效果最佳,总体精度达93.40%,与未进行特征优选的RF和CNN分类模型相比分别提高了9.80%和7.40%。     

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。     

Sentinel-2A数据支持下的雷州半岛植被类型识别

本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。     

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。     

基于Relief F-RFE特征优选的桉树人工林提取

针对信息冗余导致机器学习分类精度下降的问题,该文提出了一种结合Relief F和递归特征消除法(RFE)进行特征优选的桉树人工林面积提取方法。首先将Zhuhai-1和Sentinel-1卫星影像进行融合,通过结合Relief F和RFE进行特征优选,以减少信息冗余的影响。其次,基于光谱、红边指数、纹理特征、植被指数和后散射系数等特征,采用简单非迭代聚类(SNIC)面向对象和随机森林(RF)算法进行桉树人工林面积提取。最后,为验证Relief F-RFE模型在分类方面的性能表现,将其与无特征优选下基于Zhuhai-1和融合数据以及基于RF特征优选的分类结果进行对比分析。结果表明：利用Relief F-RFE优选特征能有效提高桉树人工林分类精度,总体精度达到96.43%,相比于无特征优选下基于Zhuhai-1和融合数据分类结果,总体精度分别提高14.95%和8.43%。在与RF特征选择方法进行对比时,总体精度有所增长,提高了7.55%。     

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。     

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。     

基于随机森林和Landsat8 OLI影像的脐橙果园种植信息提取

针对从中分辨率遥感影像中提取果园种植信息所面临的特征维数高、提取精度低等问题,采用随机森林算法进行特征优选,进而提取脐橙果园种植信息.以重庆奉节为研究区,首先选取春、秋、冬3季Landsat 8 OLI遥感数据生成光谱特征、植被指数特征和纹理特征,并结合地形因子构建初始特征集;再通过随机森林算法确定优选特征集;最后基于随机森林分类器,利用初始特征集和优选特征集进行脐橙果园的提取实验,并对各实验结果进行了精度评估和对比分析.研究结果表明,基于随机森林算法构建的优选特征集能在降低特征维度的情况下获得较高的精度,总体精度和Kappa系数分别为90.71％和0.89.     

基于时序Sentinel-2影像的农作物分类研究

特征选择是提高农作物分类精度的一个重要手段.本文基于时序Sentinel-2影像提取影像的波段特征、植被指数、纹理特征,以这三类特征构建分类特征集,使用随机森林算法对分类特征集进行特征选择和分类实验.根据分类混淆计算的研究区总体分类精度为92.5％,Kappa系数为0.904,高精度地提取了研究区内冬小麦、大蒜等主要冬季作物的种植信息,这表明随机森林算法在对特征降维的同时,也能保证较高的分类精度.     

利用Sentinel-2A数据提取长江中下游丘陵地带农作物种植信息

长江中下游丘陵地带地块细小破碎、种植结构复杂,导致作物遥感光谱特征相互纠缠,信息精确提取困难等。本文基于Sentinel-2A数据提出了多特征组合优化的丘陵地带农作物种植结构精确识别方法。首先获取研究区内主要农作物的关键物候特征信息;然后计算其光谱特征、纹理特征、地形特征值,构建原始特征集;最后采用随机森林方法对特征进行重要性排序,对原始特征集进行特征变量优化,并选择优化后的组合特征进行监督分类提取出研究区农作物信息。试验结果表明,相较于单变量特征,通过多特征优化组合分类总体精度和Kappa系数分别从80.4%和0.748提高到96.3%和0.954,有效地提高了南方丘陵地带农作物分类精度,算法稳定性较强。在南方丘陵地带农作物的识别过程中,进行特征变量优化后的地形特征与纹理特征能显著提高分类精度。     

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。     

深度学习在海珠国家湿地公园统一确权调查中的应用

针对自然资源调查中单一数据源难以兼顾地物空间与光谱属性的问题,本文提出了基于深度学习的数据融合分类方法。该方法利用多源数据有限样本,实现了植被覆盖区精细化分类;并以广东海珠国家湿地公园为试点,完成了示范区内自然资源类型提取,以及植被数量与质量调查。试验结果表明,该方法可有效实现自然资源类型提取与植被分类,林木数量探测正确率优于87%,显著提升了植被分类精细度,探索了基于精细化调查的自然确权登记途径。     

联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取

湿地是地球上最重要的生态系统之一,在维持全球生态环境安全等方面发挥着举足轻重的作用.由于湿地独特的水文特征,传统的湿地监测需要耗费大量的人力和财力,对于大尺度的湿地信息提取更是困难重重.随着大数据和云计算的兴起,为大尺度和长时间序列的空间数据处理提供了契机.本文基于Google Earth Engine(GEE)云平台...     

Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier

In this study, an object-based image analysis (OBIA) approach was developed to classify field crops using multi-temporal SPOT-5 images with a random forest (RF) classifier. A wide range of features, including the spectral reflectance, vegetation indices (VIs), textural features based on the grey-level co-occurrence matrix (GLCM) and textural features based on geostatistical semivariogram (GST) were extracted for classification, and their performance was evaluated with the RF variable importance measures. Results showed that the best segmentation quality was achieved using the SPOT image acquired in September, with a scale parameter of 40. The spectral reflectance and the GST had a stronger contribution to crop classification than the VIs and GLCM textures. A subset of 60 features was selected using the RF-based feature selection (FS) method, and in this subset, the near-infrared reflectance and the image acquired in August (jointing and heading stages) were found to be the best for crop classification.     

GF-6影像应用于林地与非林地识别的潜力分析

为研究我国首颗携带红边波段的高分六影像（GF-6）在林地与非林地上的识别贡献，本文选择复杂林地类型的安徽省黄山市作为研究区，采用特征优选（RFE）与随机森林（RF）相结合的方法开展了林地与非林地识别潜力研究。首先根据实地调查、Google Earth影像及林地"一张图"样本数据构建了样本库；然后基于DEM、多时相光谱特征、植被指数、红边指数等特征开展分类，并比较不同模型精度及不同变量的重要度。结果表明：GF-6红边信息对林地非林地识别较为重要，引入红边信息可将总体分类精度提升2%，其他新增波段及地形特征对林地与非林地识别贡献并不明显；多时相数据的运用相比单时相数据可整体提高林地类型的分类精度2.93%~4.1%，单时相分类结果6月最好，9月次之，12月最差；特征优选可以有效减少数据输入维数（46到15），并取得最高分类精度，在不牺牲精度的同时保证了运算数据量的减少且明确了不同变量的贡献，具有较强的应用意义。