结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

由于湿地类别多样且结构复杂,湿地遥感分类工作极具挑战性。本文以珠江口滨海湿地为研究区,基于珠海一号高光谱影像获取的光谱特征、形状特征、纹理特征和指数特征构建优选特征集,采用极端梯度提升(XGBoost)算法和面向对象技术提取湿地类型和空间分布,并对比分析基于支持向量机(SVM)算法和随机森林(RF)算法的湿地分类结果。结果表明：(1)珠海一号高光谱影像能够有效应用于湿地分类,且光谱特征在湿地分类中发挥了重要作用;(2)使用的机器学习算法中XGBoost算法的湿地分类效果最佳,总体精度为87.2%,Kappa系数为0.84;(3)优选的影像特征能够保证更高的湿地类型识别精度,验证了特征筛选有助于提高分类效果。本文发展了一种基于珠海一号高光谱影像和集成学习的大区域湿地类型识别方法,可为湿地资源调查提供有效的技术参考,服务于湿地的保护与开发利用。     

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%。     

一种基于多特征组合的EnMap-BOX土地利用分类方法研究

为研究多特征组合在国产高分卫星影像土地利用分类中的应用效果,本文采用GF6-WFV多光谱影像数据,构建基于光谱波段、植被指数、纹理特征的多特征组合,并采用ReliefF算法进行特征优选获取信息量冗余较小的优选特征集合,结合EnMap-BOX工具包寻优改进的SVM算法中惩罚参数C和核函数系数g获取最优分类模型,对研究区进行分类。结果表明：1)特征选择能够较好地降低多特征集合的信息量冗余。2)基于特征选择的改进SVM算法模型能获取较高的土地利用分类精度,总体精度达到82.89%,Kappa系数达到0.78,可以为土地利用分类提供一种具有较高应用价值的方法。     

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。     

高分辨率影像的橡胶林分布信息提取

为了准确快速地获取高分辨率影像中橡胶林的分布信息,设计了一种基于纹理特征和多光谱特征的信息提取方法。方法选取合适的植被指数,将多光谱和植被指数的影像进行地统计半方差分析,获得最佳纹理提取窗口并实现各种纹理信息的提取,将纹理信息和光谱信息一起作为参考特征构建地物的分类规则并用C5决策树分类算法实现。选取某高分辨率遥感影像区域对该方法进行验证,橡胶树林提取的生产者精度为81.00%,提取用户精度为82.65%,总精度为83.50%,Kappa系数为0.78。与其他方法分类结果对比表明,本文方法是一种有效的橡胶林提取方法。     

基于资源三号遥感影像的湿地信息提取

基于资源三号高分辨率遥感影像,提出了面向对象的湿地分区提取方法,结合光谱、形状、面积及纹理等多种湿地特征,对大洼县湿地资源进行逐类提取,并对提取结果进行精度评价.该方法利用面向对象的影像分割和合并技术,将同质性较高的像元转化为对象,通过光谱特征和归一化植被指数将湿地分区,然后结合光谱、纹理和形状等特征对湿地进行逐类提取...     

傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类

以高空间分辨率遥感影像为研究对象,将纹理特征与影像的光谱特征结合起来,用于地表覆盖类型分类。设计了一种基于傅里叶谱纹理的分类策略,对主成分分析后的第1、2主分量特征影像,利用径向谱（r-spectrum）提取纹理特征,并将纹理与光谱特征结合起来,构建了不同的分类特征用于支持向量机分类模型。以Salinas数据集和QuickBird影像为例,验证该算法。结果表明,纹理与光谱信息的结合可以明显提高高分辨率遥感影像的分类精度;由傅里叶径向谱提取的纹理特征可以很好的应用到高分辨率遥感影像的分类问题中,分类精度高于基于傅里叶总能量谱和灰度共生矩阵的分类精度;利用该算法对PCA变换后的第1和第2分量提取的纹理特征具有一定的互补性,并且结合多特征图像的纹理特征提取优于单特征图像的纹理特征提取。     

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。     

无人机遥感与XGBoost的红树林物种分类

无人机遥感数据会衍生大量的光谱、纹理与结构特征,如何提取优势特征是提高红树林物种分类效率和精度的关键问题。针对深圳福田红树林自然保护区缓冲区获取的无人机高光谱影像和Li DAR点云数据,本研究旨在利用极端梯度提升算法(XGBoost)的"特征重要性"属性筛选出适合红树林物种分类的8类优势特征:基于无人机高光谱影像的单一特征(光谱波段、植被指数和纹理特征:F1—F3)及其融合特征(F4)、基于Li DAR点云的单一特征(高度和强度特征:F5和F6)及其融合特征(F7)、高光谱影像与Li DAR点云的融合特征(F8);基于以上优势特征构建8个XGBoost分类模型。结果表明:综合物种分类精度及其制图结果,基于F8特征的模型分类性能最佳(总体精度为96.41%,莫兰指数为0.5520);基于单一数据源融合特征(总体精度,F4:96.74%;F7:90.64%)的分类性能优于基于单一特征(总体精度,F1—F3:90.31%、92.20%和91.96%;F5和F6:87.66%和81.99%);基于融合特征(F4、F7和F8)和纹理特征(F3)分类图的莫兰指数比基于单一特征(F1、F2、F5和F6)的更大。本文论证了无人机遥感数据和XGBoost方法在基于像元的红树林物种精准分类上具备可行性,可为红树林生态系统健康、保护与恢复的立体监测提供科学依据和技术支撑。     

兼容多源数据的森林湿地信息提取和比较分析

针对以光谱特征差异为依据,提取森林湿地信息精度低的问题,该文采用兼容多源数据的分类回归树(CART)提取方法,并以大沾河国家森林湿地进行实证研究。基于Landsat8遥感数据、Radarsat-2极化雷达数据和地形辅助数据,采用SPM软件分别构建3种特征变量组合的CART决策树模型,并获取分类规则,最后根据规则对研究区的森林湿地信息进行提取。结果表明:3种特征变量组合中,兼容光谱、纹理、雷达与地形辅助数据的CART决策树的森林湿地信息提取精度最高,用户精度和制图精度分别达到了88.46%和82.14%。研究结果体现了雷达数据与地形辅助数据有助于提取森林湿地信息。     

融合多特征的村域无人机影像两阶段土地利用分类方法

为提高村域尺度土地利用分类精度,本文基于高分辨率无人机影像,研究了融合多特征的两阶段分类方法.该方法首先利用基于平均J-M距离增量的"扩充特征子集法"获取最优纹理特征和可见光植被指数,并与原始影像融合;然后,根据地物的具体特征表现,基于规则结合最邻近法分两阶段进行提取.研究结果表明:1)纹理特征和可见光植被指数有助于提...     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。     

广义马尔可夫随机场及其在多光谱纹理影像分类中的应用

在二维马尔可夫随机场模型的基础上，提出顾及波段间的空间相关性，发展了一种适用于多光谱纹理影像分类的广义马尔可夫随机场模型。鉴于广义马尔可夫随机场模型的复杂性，利用最大伪似然法建立了求解模型参数的简化方程式，实现了纹理特征的快速提取。结合提取的纹理特征影像和光谱特征影像，采用概率松弛算法实现影像的分类。实验证明，提出的基于广义马尔可夫随机场的多光谱纹理影像分类算法克服了传统的基于光谱特征的分类算法的局限性，提高了纹理影像的分类精度。     

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。     

多源多特征集成的南美洲典型地区湿地制图

南美洲湿地面积广且类型多样，但湿地制图相关研究匮乏，通过遥感手段可为南美洲全域湿地制图提供科学技术支撑。本研究依托GEE (Google Earth Engine)平台面向南美洲湿地提出一种多源多特征集成的湿地制图方法。研究选取南美洲典型湿地地区为研究区，首先利用已有土地覆盖数据集提出一种有效的湿地样本采集流程以保证样本质量，其次结合哨兵1号、哨兵2号和SRTM数据构建多源特征集合，并基于随机森林的递归特征消除算法(RF＿RFE)进行特征优选，构建不同特征组合方案对比多源特征对湿地分类结果的影响，最后采用随机森林算法对研究区湿地进行分类提取。研究结果表明，设计样本采集方案可有效提高样本质量，多源特征集合能够提升湿地分类精度，特征优选能够减少特征冗余并提升分类精度。研究区分类总体精度为85.62%,Kappa系数为0.8333，其中湿地类别的精度最低为69.85%，最高为95.18%。     

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GF-2遥感影像的机械性破损面提取方法

机械性破损面容易引发水土流失、次生地质灾害等生态环境问题,但目前还缺乏其基于遥感影像的有效提取方法。选择机械性破损面分布密集的云南省螳螂川流域为研究对象,基于高分二号(GF-2)遥感影像,探讨其基于纹理特征辅助的面向对象提取方法。根据7类地物特征建立地物分类规则,在最优尺度分割的基础上,基于光谱特征的决策树A和基于"光谱+纹理"特征的决策树B进行面向对象的分类。经过精度评价分析得出,相对于传统的监督分类法和仅基于光谱的面向对象分类法,基于"光谱+纹理"特征的决策树B分类方法使Kappa系数和总精度分别提高至0. 82和86. 25%,有效地提高了机械性破损面的提取精度。