结合GEE平台与机器学习算法的荒漠信息提取

快速、准确获取不同荒漠类型的分布信息,对于环境保护和生态修复有着重要意义。然而,受光谱与分辨率等因素影响,目前关于不同荒漠类型信息提取研究存在明显不足。选择青海省都兰县作为典型区,基于谷歌地球引擎(Google Earth Engine,GEE)并结合多源数据对研究区荒漠进行了分类,对比评估了不同分类特征组合应用于3种机器学习方法(RF、SVM、CART)的分类性能。结果表明：(1) RF的性能要优于CART和SVM,使用RF分类器并以光谱特征、雷达特征、地形特征、纹理特征为分类依据的总体分类精度最高,整体准确度为95.68%,Kappa系数为0.95,FM得分为94.28%,获得的都兰县荒漠面积为29 039 km²。(2)在特征重要性得分评估中,海拔与VH对荒漠分类的贡献比较突出,其他特征则差异不大。(3)在使用光谱数据的基础上,雷达特征对识别砾质荒漠与壤土荒漠的贡献突出,而地形特征则更适用于识别其他类型的荒漠。     

融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取

以黑龙江流域中的扎龙湿地及其上游区域为研究区,将Sentinel-2红边波段和Sentinel-1雷达波段影像数据相结合,根据面向对象原理,采用随机森林算法,对研究区的湿地进行遥感分类和信息提取;利用3种特征变量集,进行实验对比,研究红边波段反射率和雷达后向散射系数对湿地信息提取的作用。研究结果表明,红边波段反射率和雷达后向散射系数对土地覆盖分类精度的提高起到了重要作用,两者结合得到的分类结果的总体精度达到了88.72%,Kappa系数为0.87,其中,水体、水田和沼泽的用户精度分别为100%、98.18%和91.37%。利用红边波段和雷达波段影像数据,分别使土地覆盖分类总体精度提高了5.26%和2.51%,红边波段影像数据对沼泽提取精度的提高贡献最大,使生产者精度提高了12.5%。     

基于纹理和地形辅助的山区土地利用信息提取研究

山区地物类型复杂多样,传统计算机分类难以有效克服"同物异谱"或"同谱异物"等现象,分类后"椒盐现象"严重。该文以川西南攀枝花市的部分山区为实验区,使用IKONOS高分辨率遥感影像,采用面向对象分类方法,在ERDAS9.2、ENVI4.8和eCognition8.0等软件平台支持下,以多尺度分割后的对象为单元,辅以纹理特征、形状因子、地形因子等特征参与分类过程,实现了对实验区土地利用信息的提取。研究表明,基于纹理和地形辅助的面向对象分类方法能对山区土地利用信息进行快速、准确地提取,并在分类精度和分类准确性方面均较传统监督分类方法有较大提升:分类总体精度达到90.57%,较传统监督分类提高17.75%;Kappa系数达到0.8892,较传统分类提高了0.1875;各类型土地的分类面积准确率都在90%以上,与实地调研地类面积更为接近。     

基于Sentinel-2A时序数据和面向对象决策树方法的植被识别

Sentinel-2A数据具有较高的空间分辨率和时间分辨率,克服了以往时序数据难以获取或空间分辨率低的问题。该文以山西省吕梁市陈家湾流域为研究区,基于Sentinel-2A时序数据,根据归一化植被指数(NDVI)时序曲线特征和光谱特征,构建基于面向对象决策树方法的分层分类模型,成功提取了陈家湾流域的植被信息,分类总体精度达到89.7%,Kappa系数为0.87。基于面向对象决策树方法的多时相分类结果与单时相分类结果相比,可以有效改善波谱特征相近和受地形影响较大地物的区分,减少混分现象;基于Sentinel-2A时序数据和面向对象决策树分类方法能够有效提高植被分类的精度。     

基于Sentinel遥感数据的红树林信息提取研究——以广西茅尾海为例

基于2018年的Sentinel-1雷达影像和Sentinel-2光学影像数据,采用面向对象技术获取影像的光谱、几何、纹理、自定义特征和多极化后向散射系数5个种类的90个特征变量,基于随机森林算法进行特征选择,并构建多种特征组合方案,利用随机森林分类器对保护区内的地物进行识别并提取红树林信息。结果表明:多特征耦合优化模式的分类效果最好,总体精度为89.60%,Kappa系数为0.8756,其中,红树林的制图精度与用户精度分别为96.39%、97.56%;识别出的茅尾海红树林面积为19.2km2,占整个研究区的2.67%。该研究揭示了Sentinel-1和Sentinel-2数据在红树林监测中的应用潜力。     

全球尺度多源土地覆被数据融合与评价研究

精确的全球及区域尺度土地覆被遥感分类数据是全球变化、陆地表层过程模拟、生态文明建设及区域可持续发展等研究的重要基础数据。本文以5套全球土地覆被数据集GLCC、UMD、GLC2000、MODIS LC、GlobCover为研究对象,结合MODIS VCF、MODIS Cropland Probability以及AVHRR CFTC数据集,设计一种基于模糊逻辑思想的证据融合方法实现上述多源土地覆被信息的决策融合,生成一套依据植物功能型分类的全球1 km土地覆被融合数据SYNLCover。结果显示,与5套源土地覆被数据集相比：① 在总体一致性精度上,SYNLCover的8个生物形态类型和12个目标类型的平均总体一致性精度最高,分别约为65.6%和59.4%,其次依次是MODIS LC、GLC2000、GLCC和GlobCover,UMD的最低,分别约为48.9%和42.6%,而且SYNLCover与5套源土地覆被数据集两两相比的总体一致性都是最好的;② 在类型一致性精度上,除灌丛类型外,SYNLCover中包括森林、草地、耕地、湿地、水体、城镇建筑和其他7种生物形态类型,以及森林类型的5种叶属性的平均一致性精度也是最高的,如其他类型的平均一致性精度可达67.73%;③ 除灌丛和湿地类型外,SYNLCover的其余6种生物形态类型的平均一致性精度均比其在5套源数据中相应的一致性精度的最大值提高了10%~15%左右;森林类型的5种叶属性的一致性精度也提高了约10%。SYNLCover分类精度的提高反映了本研究设计的多源数据融合方法的可行性和有效性。     

耦合光谱、纹理信息的森林蓄积量估算研究

本研究以Landsat 8为遥感数据源,以样地调查数据和森林资源二调数据为辅助数据对西藏林芝县的森林蓄积量进行反演研究。研究通过多元回归分析构建了林芝县森林蓄积的估算模型。为验证纹理信息的加入能否提高森林蓄积量遥感反演的精度,研究通过灰度共生矩阵提取了Landsat 8的纹理特征。在分析了森林蓄积量与遥感影像各波段、植被指数、纹理特征以及地形因子之间的相关关系后,分别以(1)光谱和地形因子、(2)纹理信息、(3)光谱因子、地形特征和纹理特征结合为自变量构建森林蓄积量的遥感估测回归模型。实验结果表明:传统的森林蓄积量反演方法得到的精度最低,而基于光谱因子、地形特征和纹理特征结合的森林蓄积量估测模型得到结果的精度最高,达到80.24%,均方根误差RMSE为1.018。研究结果证明随着纹理信息的引入,原本仅基于光谱和地形因子的森林蓄积量反演复相关系数从0.5843提高到0.7075,反演精度提高了10.06%,这说明纹理信息对森林蓄积的反演精度有提高的作用。本研究构建的基于光谱因子、地形特征和纹理特征结合的回归模型对研究区内的森林蓄积量反演具有可靠性,对于森林资源的监测和管理具有重要的意义。     

基于遥感时序特征的地表覆被信息提取

地表覆被作为自然过程和人类活动共同作用的重要地表景观特征,对全球或局地气候、水热循环、物质传输及陆面生态系统多样性等影响深远。利用年内时序遥感影像自动提取不同地表覆被类型的方法,以新疆阜康地区为研究目标,组织2016年植被全生长季的Landsat 8 OLI地表反射时序影像,研究不同物候期植被冠层的纹理响应信息,考察研究区典型地表覆被类型在3—11月多波段波谱、归一化植被指数(NDVI)及增强型植被指数(EVI)的时序特征,构建提取地表覆被类型的策略规则,形成时序特征匹配方法,将其应用于2018年研究区地表覆被填图的提取。最后,基于高分辨率卫星影像和野外实地调查对随机选取的2500个样点进行对比验证。结果表明:提取结果和验证数据一致性较好,总体精度为97.2%,Kappa系数为0.9655,且实地考查结果显示本方法在复播作物识别和有效降低单一时相中“异物同谱”现象上展示潜在优势。     

基于MODIS时间序列的松嫩平原盐渍地提取

松嫩平原是我国内陆盐渍土三大分布区之一,土壤盐渍化是该区最主要的环境问题。以多时相中分辨率成像光谱仪(MODIS)的归一化植被指数(NDVI)时间序列影像为主要数据源,通过Savizky-Golay滤波重构NDVI时序数据,依据研究区7种主要土地覆被类型的时间序列曲线差异性,应用分类回归树(Classification And Regression Tree,CART)方法确定像素归属类别,得到松嫩平原2013年盐渍土的分布数据;并基于不同盐渍化程度土壤的植被物候特征差异性建立CART决策树区分不同程度盐渍土。分类结果为:盐渍地掩膜提取精度达98.13%,Kappa系数为0.83;不同程度盐渍土识别的精度达到86.08%,Kappa系数为0.78。该研究表明多时相MODIS数据在大尺度盐渍土信息识别中具有可行性。     

兼容光学雷达影像及地形辅助数据的扎龙湿地遥感分类

结合Landsat TM影像、Envisat ASAR的C波段雷达影像和地形辅助数据,采用决策树方法,包括分类回归树(C1assification and Regression Tree,CART)和随机森林(Random Forest,RF)算法,对扎龙湿地进行遥感分类。用实测GPS样本点对分类结果进行精度验证,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)对比。结果表明,地形辅助数据和雷达后向散射系数对湿地分类精度的提高起重要作用。基于RF算法分类结果的总精度和Kappa系数分别为92.6%和0.901,沼泽湿地的分类精度达到96.3%,较CART算法和MLC监督分类方法有明显提高。该研究提供了一种快速、高效的内陆淡水沼泽湿地遥感分类技术。     

基于高分辨率遥感影像的城市典型乔木树种分类研究

为探索高分辨率遥感影像对城市复杂环境优势乔木树种分类的有效性,采用面向对象分类方法,基于WorldView-2影像对首都师范大学及周边地区(CNU)、北京师范大学及周边地区(BNU)两个研究区进行优势乔木树种(泡桐、法国梧桐、杨树、国槐、银杏)分类。首先对WorldView-2影像进行分割,获得树冠区域及其49个属性特征,包括31个光谱属性和18个纹理属性;随后利用随机森林RF与支持向量机SVM两种分类算法对树冠区域进行分类。CNU研究区SVM与RF总体分类精度分别为86.5%、75.8%,Kappa系数为0.801、0.648;BNU研究区SVM与RF总体分类精度分别为66.9%、65.3%,Kappa系数为0.541、0.520。实验表明WorldView-2影像能有效实现城市非阴影区域优势乔木树种分类,但异质性较高、树种分布分散的区域分类精度低于异质性较小、树种分布密集的区域;WorldView-2影像的4个新增波段尤其是红边波段的派生属性在分类过程中所占权重值较高。     

基于多维度遥感影像的洪河国家级自然保护区沼泽湿地分类方法研究

以洪河国家级自然保护区为研究区,选取了多时相的Sentinel-1B和Sentinel-2A影像为数据源,制定出9种多时相主被动遥感数据组合方案,用于沼泽湿地遥感分类;分别对根据9种方案整合的多维数据集,进行基于尺度继承的多尺度分割,得到面向对象的分割影像,建立与不同方案对应的特征数据集;采用随机森林机器学习算法,对多维特征数据集进行特征优化,并进行参数调优,构建沼泽植物的最优遥感识别模型,实现对沼泽湿地中地物的识别与分类。研究结果表明,采用递归特征消除(recursive feature elimination,RFE)算法的变量优选和采样随机森林的参数调优,可以优化随机森林模型,显著减少数据冗余,整合多时相主被动遥感数据方案九的随机森林模型的最佳参数mtry和ntree分别为4和1500,模型训练精度为93.06%,Kappa系数为0.916,其模型训练精度在所有方案中最高;经过变量优选得到最佳特征变量组合,交叉极化方式的后向散射系数(Mean_VH)对于沼泽分类的重要性比同向极化方式的后向散射系数(Mean_VV)高;光谱特征是遥感图像分类的最主要特征,其中,红光和绿光波段(Mean_R和Mean_G)、多光谱红边波段(Mean_REG1和Mean_REG2)、近红外波段1(Mean_NIR1)、红边植被指数(CIgreen和CIreg)都对分类具有较高的重要性;纹理特征熵(GLCM_Entro、GLCM_Ent2)和位置特征像元坐标(X_Min_Pxl和Y_Max_Pxl)对沼泽湿地分类也起到重要作用,相对于其它特征,形状特征对分类的贡献性较小;利用方案九的数据得到的分类结果的总体分类精度为94.42%,主被动遥感数据的特征变量和不同时相的特征变量都对分类做出重要贡献,其中,6月的多光谱特征变量的贡献大于9月的变量;9月的SAR特征变量的贡献大于6月的变量;对分类贡献最大的9月的特征变量为多光谱红边波段2(Mean_REG2),对分类贡献最大的6月的特征变量为绿光波段(Mean_G);融合多时相主被动遥感数据源,可以将不同数据源、不同时相对分类具有较大贡献的特征变量集合在一起,充分利用光谱信息和雷达数据反映的结构信息,构建多维度最佳特征变量组合方案,有效提高沼泽湿地分类精度。     

基于高分一号影像的土地覆被分类方法初探

高分一号是我国发射的第一颗高分辨率卫星,其包含地物信息较为丰富,较多的应用于土地覆被分类中,但高分影像普遍存在基于像元分类精度稍低的问题,为了提高遥感影像的分类精度,基于高分一号影像,以新疆艾比湖湿地保护区为研究样区进行土地覆被分类研究。利用灰度共生矩阵方法提取图像的纹理信息,并将结果作为参数量输入到支持向量机(SVM)分类器中,将研究结果与传统的SVM分类及最大似然分类法作对比分析可得:辅以纹理特征的SVM分类方法可更好的区分地物信息,分类精度高达93.64%;传统的SVM分类精度为92.27%;最大似然分类为87.90%;因地制宜的开展辅以纹理特征的SVM分类方法是提高土地覆被监测精度的有效手段。     

基于eCognition的面向对象的土地覆被分类研究——以云南大学呈贡校区为例

以云南大学呈贡校区作为研究区,使用高分辨率的GeoEye-1数据,利用智能化影像分析软件eCognition,采用多尺度分割方法和最邻近法,探索性的进行面向对象的土地覆被分类研究。研究成果显示使用这种面向对象的土地分类方法得到的土地覆被类型判识精确度高达90%,颜色信息丰富、形状接近真实地物、大小区分明显、纹理信息突出、上下文关系明确、总体分类精度达到90%以上。同时研究成果还为呈贡校区的土地绿化建设和重点部署提供了技术支撑。     

基于高分二号的云南松林遥感影像提取方法研究

基于高空间分辨率的高分二号遥感影像,建立包含影像光谱特征、几何特征、纹理特征在内的分类特征集,使用面向对象的分类算法提取研究区的云南松林。研究表明:光谱特征、几何特征和纹理特征同时参与分类,得到的分类效果比单独使用一种特征或两种特征组合的分类效果更显著;与贝叶斯分类算法、K最邻近分类算法、支持向量机分类算法相比,随机森林算法的分类结果总体精度最高,为93.35%,对研究区云南松林提取的生产者精度为96.91%,用户精度为92.35%;云南松林面积占研究区面积的40.10%,是研究区最为重要的树种。     

结合多尺度纹理的高分辨率遥感影像决策树分类

地物具有多尺度特点,遥感影像包含的地物纹理信息很难用单一尺度来描述。通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。研究结果表明:结合多尺度纹理的高分辨遥感影像决策树分类,能够更好地描述地物并有效解决光谱数据分类中存在的地物破碎问题,其分类精度为81.7%,kap-pa系数为0.78;与光谱数据分类和结合单尺度纹理数据分类结果比较,分类精度分别提高了11.2%和6%,该方法有助于提高高分辨率影像的分类精度。     

基于GF-1与Sentinel-2融合数据的地膜识别方法研究

随着我国地膜使用面积的增加和人们对土壤微塑料污染问题的日益关注,大尺度的地膜遥感识别已成为农业生产管理、土壤污染防治的必要手段。针对地膜光谱反射特征的复杂性以及基于单一遥感影像光谱特征识别方法错分率高等问题,该文以河北省邯郸市邱县为试验区,利用GF-1数据的空间细节与Sentinel-2数据的光谱信息进行NN Diffuse Pan Sharpening融合,据此建立地膜识别的特征矩阵(NDVI、MNDWI、NDBI、IBI、PSI),基于该特征矩阵可实现自动阈值地膜分层分类识别。多种方法的地膜识别结果精度对比表明:多源光学遥感数据融合方法的总体精度为94.87%,Kappa系数达0.89,显著优于基于单一数据源的深度学习法的精度(93.14%)以及基于传统机器学习分类方法的支持向量机(85.91%)和随机森林分类法(86.78%)的精度;通过与Sentinel-2多光谱影像融合,弥补了GF-1数据光谱分辨率低的缺陷,实现了多源数据在地膜识别中的优势互补,可为相关部门农业规划与管理以及生态环境保护等研究提供大尺度、高精度的地膜分布参考数据。     

基于多源光学遥感数据的湖泊湿地分类结果一致性分析

多源光学遥感数据是长时序研究中的重要数据源,而其分类结果的一致性分析则是多源遥感数据应用的前提和基础.该文以鄱阳湖湿地为研究对象,采用决策树方法对Landsat-8、Sentinel-2A、GF-1、HJ-1A 4种光学影像数据进行分类,以总体精度和Kappa系数评估分类精度,并基于类型面积偏差、类型面积相关、空间叠加分析对分类结果进行一致性分析.结果表明:1)利用决策树方法对不同传感器数据进行湖泊湿地分类,总体精度均高于89％,一致性较好;2)对于具体的湿地类型面积,不同传感器分类结果基本一致,以泥沙滩涂为主,水体次之,植被最少;3)分类结果中64.30％的区域具有高度一致性,完全不一致区域占12.70％.研究成果可为多源光学遥感数据用于长时序湖泊湿地变化监测的误差分析和集成使用提供参考.     

基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取

利用2015年Landsat 8 OLI遥感影像和DEM作为分类数据源,结合野外调查数据,采用面向对象的分类方法对昆嵛山地区土地覆盖信息进行提取,并对分类结果进行精度评价与比较分析。研究表明：面向对象分类方法提取的各地类连续且边界清晰,分类效果与实际情况基本吻合。昆嵛山地区占主导地位的土地覆盖类型是针叶林,面积为1 546.81 km²。研究区土地覆盖分类的总体精度和Kappa系数分别为91.5%和0.88,其中针叶林、草地、水体和建设用地的生产者精度均达到87%以上。相对于监督分类方法,本研究提出的土地覆盖信息提取方法的总体分类精度和Kappa系数分别提高14.7%和0.17。基于面向对象的中分辨率遥感影像,能够获取较高精度的土地覆盖信息,为大范围土地覆盖分类研究提供方法参考。     

基于WorldView-2卫星影像的红树物种种群识别方法研究

为了准确地识别红树林中的各种红树物种种群分布区,以广东湛江红树林国家级自然保护区核心区的高桥红树林区为研究区,采用决策树算法、随机森林算法、自适应提升算法、梯度提升决策树算法、极端梯度提升算法和轻量级梯度提升机算法,利用WorldView-2卫星的高分辨率影像数据,构建影像的原始光谱波段、原始光谱波段+植被指数、原始光谱波段+植被指数+纹理特征3种特征组合数据集,识别研究区红树林中的各种红树物种种群分布区,分析各种算法在红树物种识别中的适用性。研究结果表明,5种集成学习算法的分类结果都优于决策树算法,其中,轻量级梯度提升机算法分类结果的分类精度最高,基于WorldView-2影像的8个原始光谱波段+12种植被指数+28种纹理特征,轻量级梯度提升机算法分类结果的总体分类精度值为93.15%,其分配不一致性值为5.07%,数量不一致性值为1.78%;极端梯度提升算法和随机森林算法在红树物种识别中也具有良好的适用性。WorldView-2卫星影像是对红树林中各种红树物种进行遥感分类的理想数据源,其纹理特征能显著提高分类精度,轻量级梯度提升机算法在红树物种识别中具有很大的应用潜力。