基于面向对象分类的城市土地利用变化检测

以新疆乌鲁木齐某区域2013年的GeoEye影像和2015年的IKONOS影像为辅助数据,进行基于面向对象分类的城市土地利用变化检测实验;根据各类地物的提取规则,提取了实验区域的地物信息,并利用ENVI5.1软件进行了变化检测。结果表明,面向对象分类的变化检测方法总体精度为85.97%。为了提高该方法的精度,结合目视解译方法,面向对象方法 +目视解译的变化检测精度为87.00%,说明目视解译方法在一定程度上提高了检测精度。     

分层提取法在黄河三角洲湿地信息提取中的应用

黄河三角洲湿地是世界暖温带保存最广阔、最完善、最年轻的湿地生态系统,具有重要的研究与保护价值。本文以LandsatTM影像作为数据源,采用分层提取思想,利用人工目视解译与决策树分类,运用多种指数模型,提取了2004年黄河三角洲湿地信息。研究表明,采用分层提取法,能够较高精度地提取各种湿地信息,总体精度达到85．53％,其中浅海水域（100％）、养殖池塘（100％）、滩涂（87．5％）、建筑用地（84．62％）的分类精度较好,盐碱地（71．43％）和裸地（73．91％）的分类精度有待进一步的提高。     

面向对象灌丛沼泽湿地边界提取方法

以宁夏天湖为例,提出了一种基于面向对象最近邻监督分类法的灌丛沼泽湿地边界提取方法。首先,结合中国湿地调查数据,对试验区一年多期Landsat 8 TM遥感影像进行目视解译分析,确定灌丛沼泽边界特征最明显的时相;其次,将对应时相的高分二号影像融合进行多尺度分割和特征选择,利用最近邻监督分类法进行灌丛沼泽湿地提取,实现边界定位。试验表明,通过该方法提取的灌丛沼泽湿地边界与湿地调查和人工解译得到的边界相比,中误差和平均距离可以满足实际生产的需要,利用面向对象监督分类法提取灌丛沼泽湿地边界的方法可行。     

基于知识的水体信息提取研究

随着遥感技术的不断发展,使用遥感手段自动提取地表水体信息已成为全球信息提取研究方面的热点,其研究具有重要的现实意义。本文利用基于知识的遥感信息提取方法对地貌复杂的ETM遥感影像进行水体信息提取:首先,对其进行几何校正和目视解译,进行光谱特征分析和纹理分析;然后,利用光谱间关系和NDWI法,在ERDAS和ENVI软件的支持下,将基于各种知识形成的判决规则进行概念化描述,构建数据模型,对遥感影像进行自动分类,并取得了较好的分类结果。经精度评价,分类总精度为98.05%,Kappa系数为0.808 2,证明该方法具有可行性。同时,灵活地运用纹理特征等专家知识可以有效地弥补单纯使用光谱特征进行自动分类的不足,提高分类的精度。     

一种快速区分易混农作物的遥感解译方法

在对冬小麦、油菜两种农作物进行遥感非监督分类时,二者很难区分,且分类精度不高。若先剔除原始遥感影像中的非冬小麦、油菜种植区,再使用ISODATA算法进行二次非监督分类,则可较容易地区分易混的冬小麦和油菜。结果表明,冬小麦二次分类精度比初始分类精度提高了20.6%,油菜二次分类精度比初始分类精度提高了19.4%,从而显著提高了农作物的遥感解译分类精度,大大减少了人工目视解译工作量。同时,该方法也为其他易混农作物的遥感解译工作提供了一种解决问题的思路。     

利用Sentinel-2A影像的面向对象特征湿地决策树分类方法

苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。     

基于高分七号影像自动提取东北黑土区侵蚀沟的方法

东北黑土区沟蚀严重且分布面积广,目前对其进行监测大多基于目视解译,自动化程度低,急需一种快速提取方法。本文选取沟蚀严重的黑龙江省宾县马蛇子河流域,基于高分七号影像,以目视解译结果为参照,比较流向边缘检测、机器学习、深度学习3种方法自动提取侵蚀沟的精度。结果表明：(1)流向边缘检测方法依赖高精度地形数据,高分七号立体像对生成的地形数据垂直精度低,侵蚀沟整体提取精度仅为6.7%,无法用于切沟和浅沟的自动提取;(2)机器学习方法需要人为设置分割参数并设计分类特征,自动化程度较低,侵蚀沟整体提取精度可达50.7%,对切沟识别精度可达83.1%,但对浅沟识别精度仅为9.2%;(3)深度学习方法采用端对端的模式,无须人为设计特征提取器,自动化程度高,整体提取精度可达60.8%,对切沟识别精度可达68.1%,对浅沟识别精度可达69.7%。     

eCognition影像自动解译及精度评价

利用甘肃省白银市WorldView-2多光谱波段遥感影像,经预处理后采用eCognition软件通过影像筛选、多尺度分割、解译规则集建立、成员函数运算,自动解译了9种不同的地物类别,分别为旱地、无轨道路路面、水面、低矮房屋建筑区、硬化地表、天然草地、乔木林、工业设施及温室大棚。通过目视解译及野外实地验证对自动解译结果进行了精度评价,并与传统分类方法进行了比较。结果表明,基于eCognition的影像自动解译效果较为理想,解译总体精度达到了79.88%,Kappa系数为0.747,与人工目视解译相比大幅提高了解译效率,相对于传统分类方法大幅提高了解译精度。本研究在进一步改进地理国情普查及国情要素动态更新的方法上具有指导意义。     

基于无人机遥感的湖南金童山保护区滑坡监测

以湖南金童山国家级自然保护区内某条山区公路为例,利用无人机飞行获取高分辨率影像与高精度数字地形模型,使用基于面向对象的方法对滑坡信息进行提取,对无人机数据进行多尺度分割与光谱差异分割,选取了研究区内植被、道路、滑坡三类感兴趣地物的影像特征建立了规则集,充分利用了影像对象的光谱特征、几何特征、地形特征、空间关系,使用了阈值分类,隶属度函数与决策树分类方法.利用实地验证与基于无人机影像的目视解译对提取结果进行了精度评价,总体提取精度为94.75％,滑坡提取精度超过80％.该研究为快速监测山区内滑坡信息提供了借鉴.     

基于小型无人机可见光遥感的蓝藻识别研究

以无人机航拍获取的可见光影像为数据源,研究小面积水域中蓝藻的提取方法。首先采用无人机获取可见光影像,运用4种可见光植被指数对图像进行运算,提出了用于蓝藻识别的可见光归一化差异植被指数与增强型红绿差值植被指数,以人工目视解译统计得到的蓝藻面积作为判别依据。结果表明:利用增强型红绿差值植被指数对湖泊中蓝藻的分类及提取,精度可达95.89%,Kappa系数为97.03,质量稳定,精度较高。     

Mapping multiple tree species classes using a hierarchical procedure with optimized node variables and thresholds based on high spatial resolution satellite data

ABSTRACT

Tree species distribution mapping using remotely sensed data has long been an important research area. However, previous studies have rarely established a comprehensive and efficient classification procedure to obtain an accurate result. This study proposes a hierarchical classification procedure with optimized node variables and thresholds to classify tree species based on high spatial resolution satellite imagery. A classification tree structure consisting of parent and leaf nodes was designed based on user experience and visual interpretation. Spectral, textural, and topographic variables were extracted based on pre-segmented images. The random forest algorithm was used to select variables by ranking the impact of all variables. An iterating approach was used to optimize variables and thresholds in each loop by comprehensively considering the test accuracy and selected variables. The threshold range for each selected variable was determined by a statistical method considering the mean and standard deviation for two subnode types at each parent node. Classification of tree species was implemented using the optimized variables and thresholds. The results show that (1) the proposed procedure can accurately map the tree species distribution, with an overall accuracy of over 86% for both training and test stages; (2) critical variables for each class can be identified using this proposed procedure, and optimal variables of most tree plantation nodes are spectra related; (3) the overall forest classification accuracy using the proposed method is more accurate than that using the random forest (RF) and classification and regression tree (CART). The proposed approach provides results with 3.21% and 7.56% higher overall land cover classification accuracy and 4.68% and 10.28% higher overall forest classification accuracy than RF and CART, respectively.     

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。     

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。     

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。     

面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例

以洞庭湖流域为研究区,对大范围湿地信息遥感提取方法进行了研究。先基于时间序列MODIS EVI及物候特征参数,通过J-M(Jeffries-Matusita distance)距离分析,构建了MODIS(250 m)最佳时序组合分类数据;其次,通过Johnson指数确定了最佳分割尺度,采用面向对象的遥感分类方法(Random tree分类器)提取了洞庭湖流域的湿地信息,并验证该方法的适用性。研究结果表明,基于时序数据与面向对象的Random tree分类的总体精度和Kappa系数分别为78.84%和0.71,较之基于像元的相同算法的总体分类精度和Kappa系数分别提高了5.79%和0.04。同时,基于面向对象方法的湿地整体的用户精度与生产者精度较基于像元方法分别提高了4.56%和6.21%,可有效提高大区域湿地信息提取的精度。     

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。     

GlobeLand30湿地细化分类研究

基于30 m地表覆盖数据产品完成湿地精细化分类,能够更好地满足当前较高分辨率及较详尽全球湿地数据的应用需求。本文在深入分析湿地分类体系与细化方法的基础上,提出以湿地细化类别的定义、多元知识的分层分类、亚类数据精细化提取为主线的总体研究思路,制定了基于先验知识的对象系统筛选、基于森林数据的同位像元提取、基于最佳阈值的极大似然掩膜的主体分类方法,并应用于数据生产实践获得8个亚类信息。该方法克服了常规手段普遍存在的周期长、效率低等弊端,实现了全球较高分辨率湿地亚类数据的快速精确制图,总体分类精度达82.6%,对地理世情及其他地表覆盖研究具有借鉴意义。     

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。     

多尺度特征和马尔可夫随机场模型的电力线场景点云分类法

及时、准确地监测电力线安全可以预防危险情况的发生。本文以机载点云为研究对象,提出了一种基于随机森林后验概率的马尔可夫随机场模型,用于电力线场景的点云分类。首先结合空间金字塔理论构建多尺度视觉分类特征以此描述空间点及其邻域的几何形状信息;接着利用随机森林分类器描述观测数据的概率分布,基于马尔可夫随机场模型建立顾及上下文信息的先验概率,从而构建一个多标记能量函数;最后利用多标记图割技术最小化能量函数完成分类标签优化。利用直升机巡线系统和小型无人机巡线系统获取的LiDAR点云数据来验证本文提出的模型。试验结果表明,该模型能够有效地分类场景中的电塔、电力线和植被且总分类正确率得到98%以上。与其他分类方法相比,本文提出的模型总体精度更高,尤其是电塔的分类优势明显。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。