基于Sentinel-2 MSI影像与面向对象相结合的红树林树种精细化分类方法研究

红树林是最典型的滨海生态系统之一，红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估具有重要意义。遥感是开展红树林种间类型识别的有效手段，但传统的遥感红树林分类方法多是基于像元开展的，分类结果“椒盐”现象严重且精度还有很大提升空间。因此，本研究以东寨港红树林保护区为例，基于Sentinel-2 MSI影像，在传统遥感分类方法的基础上引入图像分割技术，分别构建了面向对象的支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）分类法，并在此基础上对各模型的分类精度和适用性进行了分析。模型对比结果表明：（1）图像分割技术的引入能有效改善分类结果的“椒盐”现象，提升红树林种间类型的识别精度，基于像元使用SVM和RF分类算法总体分类精度分别可达78.82%(Kappa=0.75)和82.94%(Kappa=0.82)，面向对象的SVM和RF模型分类总体精度分别可达81.5%(Kappa=0.78)和92.67%(Kappa=0.88)，相较于以像元为分类对象的模型而言，后者精度分别提高了2.68%和7.43%;(2)从4个模...     

基于GF-2影像的广西茅尾海红树林物种分类及盖度估算分析

为了掌握茅尾海红树林种类和盖度情况,基于GF-2 PMS1高分辨率卫星遥感影像数据,使用支持向量机(support vector machine,SVM)和回归模型方法开展了茅尾海红树林物种分类和植被盖度估算研究,并对其分布特征展开了详细分析。研究表明:(1)广西茅尾海红树林共有4个种类,分别是桐花树(Aegiceras corniculatum)、无瓣海桑(Sonneratia apetala)、秋茄(Kandelia candel)和茳芏(Cyperus malaccensis)。桐花树作为茅尾海红树林的优势种,面积为1228.612 ha,占总面积72.5%,散布在茅尾海潮间带。秋茄面积最少,仅有1.976 ha,零星分布于茅岭乡和尖山镇沿岸,多数与无瓣海桑和桐花树混生。(2)基于GF-2 PMS1卫星影像的NDVI植被指数建立的二次多项式盖度回归模型效果最好,决定系数最大为0.7644,均方根误差RMSE最小为0.0680。(3)植被盖度分布状况与植被类型有密切关系,植被种类纯生区的盖度要明显大于植被混生区的盖度。本研究结果为茅尾海国家海洋公园和自治区级自然保护区管理部门的决策提供理论基础。     

基于资源三号的雷州湾红树林分类研究

基于面向对象的分类方法,不同参数组合会对红树林分类精度产生影响。以雷州半岛东岸附城镇沿海一带为研究区域,探索最优的参数组合以实现红树林的精确分类。利用资源三号(ZY-3)高分影像,基于图像光谱、形状和空间关系特征,对红树林进行分层次提取。结合红树林种类的光谱、空间特征差异,对比分析面向对象方法下不同因子、分割尺度及分类器对应下的分类精度,得出该研究区红树林树种在面向对象分类方法中的最优参数组合。结果表明:基于形状因子0.6+紧致度因子0.6、分割尺度为46的条件下,随机树分类器能有效区分无瓣海桑、白骨壤和秋茄三种红树林,总体精度为87.55%,Kappa系数为0.81。     

基于CU-Net模型的红树林自动识别方法研究——以广东省珠海市淇澳岛为例

红树林对维护生物多样性以及生态平衡等具有重要意义。因此,高效、精确地提取红树林植被信息以及实时对其进行监测十分必要。本文提出了一种高分辨率遥感影像红树林像素级精确提取的深度学习方法。针对红树林遥感分类精度不高的问题,通过强化图像中心信息,弱化边缘信息的方法引入CLoss损失函数,添加Dropout、Batch Normalization层构建了适用于红树林识别的CU-Net模型,采用滑动重叠拼接方法构建了新的预测模型,有效解决了预测结果边缘信息不足以及有拼接痕迹的问题。将本文方法的识别结果与U-Net、SegNet、DenseNet模型的预测结果以及传统的SVM、RF方法进行对比,结果表明,本文模型相较于其他深度学习模型泛化能力更强,识别效果更好,在两个测试区域的平均总体精度、平均交并比分别达到了94.43%、88.12%,平均F1-分数在红树林和普通树木的精度分别达到了95.96%、90.49%,精度明显高于传统的SVM、RF方法,也高于其他几种神经网络方法,验证了该模型在红树林识别领域的有效性,可为高分辨率遥感红树林识别领域提供一条新的思路。     

基于高分光学与全极化SAR的海南八门湾红树林种间分类方法

合理的红树种间组成结构是有效发挥红树林湿地生态价值的前提,明确的红树林种间分布信息是开展红树林生态系统治理和规划工作的有效依据。针对海南八门湾红树林湿地,基于高分三号(GF-3)全极化合成孔径雷达(synthetic aperture radar,SAR)和高分六号(GF-6)多光谱遥感数据,本文提取了35个红树林遥感特征,利用极端梯度提升树(eXtremegradientboosting,XGBoost)算法开展了特征重要性排序、特征筛选和红树林种间分类实验,将其与传统的支持向量机(supportvectormachine,SVM)、随机森林(randomforest,RF)机器学习算法进行精度比较,并基于XGBoost算法进行了3种特征组合方式(优选特征、多光谱特征、全极化SAR特征)的分类精度比较,旨在探索XGBoost对红树林种间分类的适用性和光学与全极化SAR数据对红树林种间分类的能力。结果表明:1)识别红树林种类的优势特征依次为多光谱的光谱波段、极化分解参数、光谱植被指数,且仅利用前8个优选特征(绿光波段反射率G、蓝光波段反射率B、Yamaguchi面散射分量Ys、近红外波...     

面向对象的红树林信息提取

红树林是世界上最重要的生态系统之一,对于海岸带的保护起着非常重要的作用。然而,由于红树林所处的地理环境,对其进行实地调查是很困难的。遥感的出现,为我们研究红树林提供了一个很好的技术手段。但由于红树林的光谱信息与其他植被光谱信息的相似性,给红树林信息的提取带来了很大的困难。基于IKONOS卫星影像,采用面向对象的信息提取方法,利用简单的决策树分类方法进行了海岸带红树林信息提取的实验,得到了很好的结果,并与其他方法进行了比较。     

多时相特征组合优选的胶州湾湿地分类

基于光谱特征准确提取湿地信息并研究其动态变化,对于湿地环境监测和保护具有重要价值。本研究以山东省胶州湾湿地为研究区,构建面向对象的分类方法并集合多时相Landsat8 OLI遥感影像的多种特征变量:光谱特征,穗帽变换(K-T)特征,纹理特征,植被指数,水体指数等来提取湿地信息以提高中等分辨率影像的分类精度。结果表明,在光谱波段组合中,近红外波段和红光波段是湿地分类的最有效波段,穗帽变换产生的特征分量对湿地分类也较为有效,光谱指数中的Normalized Difference Water Index(NDWI)和纹理特征中的方差(Var)和对比度(Con)特征变量则并不适用于湿地分类,且特征变量的个数在到达24时会使可分离性下降。计算方差变化率(ROC)并结合目视解译确定最佳分割尺度,将面向对象的方法(Object-Based Image Analysis, OBIA)与Random Forest(RF)算法结合,其总体分类精度达到91.21%(Kappa系数=0.9011),较基于像素的分类方法总体精度增加5.18%,Kappa系数增加了0.0583。表明优选特征组合的面向对象的随机森林算法可有效提高湿地分类精度,为湿地信息提取提供一种新方法。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

基于SPOT5的红树林遥感分类

以海南岛东寨港国家级红树林自然保护区为例,实地测量了红树林等地物光谱,获取了较为准确的红树林的光谱特征;在采用最大似然分类法提纯红树林信息基础上,结合不同红树种类的光谱特征及植被指数差异,选定可分性阈值,建立决策树分类规则,对SPOT5图像进行种间分类,并检验其分类精度。结果显示,各红树种类的使用精度都达到80%以上,且总体精度达到90%以上,为红树林生态系统业务化遥感监测奠定基础。     

基于光谱特征空间的监督分类中包络线去除效能评价

对覆盖黄河口滨海湿地的PROBA CHRIS高光谱遥感影像进行包络线去除变换,采用6种常用的基于光谱特征空间的监督分类算法对变换前后的影像数据进行滨海湿地典型地物分类,通过目视对比分析和定量分析相结合的方法分析比较变换前后的分类结果,评价包络线去除方法对该类算法影响的效果和能力。结果表明,包络线去除方法能够提高部分监督分类算法针对滨海湿地典型植被类型的区分和识别能力;但由于滨海湿地内具有面积较大的裸滩和浑浊水体,这两类地物在影像中的光谱特征相近,而包络线去除方法并不能解决二者的误分问题,因此并不能提高该类算法针对CHRIS高光谱遥感影像的总体分类精度。     

多光谱遥感影像的光谱规则分类算法修正及海岛、海岸带应用

在光谱规则分类算法(Spectral Rule-based Classifier, SRC)基础上考虑大气校正对遥感影像光谱反射率的影响,提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC),从地物光谱响应曲线和光谱指数两个方面来修正光谱规则集,通过规则细化和补充、阈值改正优化光谱类别。以珠江三角洲海岛(佳蓬、淇澳)和海岸带(荃湾、惠东)的Landsat 8影像作为实验数据,对比了大气校正前后波段反射率和地物光谱响应曲线,分析了改进后MSRC算法的地物分类结果和精度,并与原SRC算法、最小距离分类(MDC)算法、最大似然分类(MLC)算法、支持向量机分类(SVM)算法、神经网络分类(NNC)算法以及基于光谱指数的算法等多种地物分类算法进行比较。结果表明,4组实验数据的MSRC算法分类结果总体精度分别为87.66%、82.38%、77.67%和80.05%,高于SRC、MDC、MLC和基于光谱指数的分类算法,在无需人工标注训练数据集的前提下接近SVM和NNC算法的分类精度。MSRC算法适用于海岛和海岸带的Landsat 8多光谱遥感影像。     

基于地物光谱可分性的CHRIS 高光谱影像波段选择及其分类应用

本文以黄河口湿地为研究区,应用覆盖该区域的CHRIS高光谱遥感影像,提出了一种基于地物光谱可分性的滨海湿地高光谱影像波段选择方法。该方法利用研究区的7种典型地物的110余条现场实测地物光谱曲线,通过分析比对地物两两之间的光谱可分度,确定地物类型之间的光谱可分区间,基于此选取CHRIS高光谱影像的地物分类特征波段,应用三种经典的监督分类方法(支持向量机法SVM、人工神经网络法ANN和光谱角制图法SAM)开展利用全波段的和利用本文方法选择特征波段的分类对比实验。结果表明:(1)基于光谱可分性特征波段的方法较全波段分类精度有所提高,其中ANN分类精度最高,为82.52%,较全波段分类精度提高了约为5.1%;(2)芦苇、水体、黄河水和裸滩4种地物的识别能力高,生产者精度都在80%以上;(3)碱蓬的用户精度提升最为明显,约在7%。     

厦门西港红树林的卫星遥感测绘

厦门西港原有大面积红树林，几十年来受到很大破坏，需采取措施进行监测绘和管理，卫星遥感宏观大尺度，可以快速，准确地进行红树林的监测测绘，比传统的人工调查方法省时省力。本项目运用Ｌａｎｄｓａｔ卫星ＴＭ－ＣＣＴ数字影像磁带为信息源。通过图像计算机系统进行几保精校正，假彩色合成，ＳＣＡＬＥ线性增强和一阶直方图分段线性拉伸；训练区监督分类，以及红树林区的面积积分运算等步骤，获得了厦门西港红树林区１：５０００     

基于Sentinel-2A和GF-1B遥感数据的海岸带水产养殖识别方法比较

近海水产养殖为人类提供优质的动物蛋白,对海洋经济高质量发展具有重要意义。卫星遥感技术已被广泛用于海岸带水产养殖的监测,但目前相关的研究聚焦基于单一传感器卫星数据并使用单一信息提取算法而忽略与不同卫星传感器以及处理方法之间的比较。本研究以北莉岛东北部为研究区,基于多光谱Sentinel 2A卫星和高分一号B（GF 1B）卫星数据,分别使用自适应阈值法、支持向量机监督分类法以及多尺度分割面向对象分类法,开展海岸带人工水产养殖区的识别。研究表明,更高空间分辨率的GF 1B卫星对人工水产养殖水网密集区的提取正确率远优于Sentinel 2A卫星;基于高空间分辨率GF 1B卫星,多尺度分割面向对象分类法的正确率最高,为94.65%,优于支持向量机监督分类法的94.45%和自适应阈值法的84.62%;自适应阈值法更适用于中等空间分辨率卫星数据的水产养殖信息提取,其提取的水产养殖水面的面积与目视解译提取的面积差异小于4%。针对单个养殖池使用情况的业务化监测需使用高空间分辨率卫星数据,而大范围水产养殖面积的变化分析则可应用中等空间分辨率卫星数据。     

基于高分辨率遥感的珊瑚礁地貌单元体系构建和分类方法—以8波段Worldview-2影像为例

珊瑚礁生态系统是全球初级生产力最高的生态系统之一, 在维持海洋生物多样性、防浪固滩、资源供给等方面发挥着巨大作用。珊瑚礁遥感地貌分类体系是珊瑚礁保护、管理及可持续发展的必要基础, 但目前还未有结合珊瑚覆盖度进行分类的体系。本文基于WorldView-2高分辨率遥感影像, 以中国南海西沙群岛七连屿北部赵述岛和西沙洲所在礁盘作为研究区, 结合珊瑚覆盖度、区域地貌成分和水动力条件等指标, 建立了既适用于遥感监测又与珊瑚生存状况相关联的珊瑚礁地貌单元分类体系。同时, 利用面向对象的支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)分类方法进行珊瑚礁地貌单元的信息提取, 并对分类结果进行精度评价。结果表明, SVM和RF两种分类方法均能较好地提取出珊瑚礁地貌单元, 分类精度分别为87.59%和79.81%。针对分类过程中出现的错分、漏分问题, 结合珊瑚礁成因和分布规律对分类结果进行修正, 修正后分类提取的精度达到91.3%, Kappa系数为0.9041, 表明本文构建的珊瑚礁地貌单元分类体系在一定程度上能满足当前珊瑚岛礁信息提取的需要。     

基于深度置信网络(DBN)的赤潮高光谱遥感提取研究

赤潮是严重的海洋灾害,有效监测赤潮对于保护海洋生态环境具有重要意义。高光谱遥感具有光谱分辨率高、图谱合一等优势,适合于海洋赤潮监测。深度学习是机器学习领域的前沿,为高光谱遥感分类提供了新的思路。深度置信网络(Deep Belief Network,DBN)兼具监督分类与非监督分类的特点,通过构建DBN模型,将DBN应用于赤潮灾害遥感监测中,应用渤海机载高光谱遥感数据开展赤潮分类,以达到提取高光谱图像中赤潮水体范围的目的。通过设置对照实验,对比经典的SVM监督分类方法与ISODATA非监督分类方法,发现DBN模型在相同实验条件下具有更高的分类精度,赤潮遥感提取精度提高了3%～11%。     

红树林遥感智能分类方法研究

利用ＧＩＳ信息中的红树林地域分布规律作向导，充分利用械树林区的光谱信息进行红树林植被信息提取。在对比研究常规的红树林图象自理方法的基础上，提出了适用于红树林植被信息遥感监测的智能分类方法。