高分二号遥感影像提取冬小麦空间分布

精细的农作物空间分布数据对于资源、环境、生态、气候变化和粮食安全问题均具有重要的意义,卷积神经网络已经成为从遥感影像中提取农作物空间分布数据的主要方法,但提取结果中的种植区域边缘往往比较粗糙。本文以高分二号遥感影像为数据源,选择冬小麦为提取目标,利用RefineNet模型和最大后验概率模型构建冬小麦遥感提取模型WWRSE(Winter Wheat Remote Sensing Extraction),获取精细的冬小麦空间分布数据。WWRSE模型利用RefineNet网络提取像素的语义特征,使用改进的SoftMax模型生成像素的类别概率向量;以类别概率向量的最大分量与次大分量的差值作为置信度,根据置信度将类别概率向量分为可信和不可信两组,可信组直接使用最大分量对应的类别标签作为相应像素的分类结果;结合最大后验概率模型确定不可信组像素的分类结果。利用随机梯度法对WWRSE模型进行训练。选择SegNet、DeepLab、RefineNet作为对比模型进行实验,WWRSE提取结果的精度为92.9%,比SegNet提高了13.8%,比DeepLab提高了10.9%,比RefineNet提高了8.6%。实验结果表明WWRSE模型在提取冬小麦空间分布数据方面具有一定的优势。WWRSE模型提取的结果能够为大范围冬小麦种植面积统计提供依据。     

基于高分六号WFV数据的冬小麦种植面积提取

冬小麦是我国重要的粮食作物之一,准确获取冬小麦种植面积具有重要的现实意义。为探究高分六号卫星影像进行冬小麦遥感监测的可行性和精确性,本文选取甘肃省崆峒区为研究区,运用红边波段+监督分类中的支持向量机法,提取了2019年崆峒区冬小麦种植面积,并利用混淆矩阵对分类结果进行精度验证。结果表明:提取崆峒区冬小麦种植面积为15045 hm 2,与实际种植面积相比,误差率为1.02%;该模型能有效地提取崆峒区冬小麦,总体精度为98.88%,Kappa系数为0.97;红边波段能有效地提取干扰地物,提取精度比直接使用监督分类高7.88个百分点;GF6影像在提取冬小麦种植面积上具有明显优势。     

基于GF-1卫星数据的冬小麦种植面积估算模型

目前遥感技术越来越广泛地应用于农作物面积的估算,本文研究了基于高分辨率卫星影像的农作物面积测量技术,提出一种冬小麦种植面积估算模型。该模型采用最大似然法对遥感影像进行监督分类,利用耕地矢量数据优化分类结果,结合高分辨率样本村数据拟合估算冬小麦种植面积。以泗洪县为研究区,采用GF-1卫星数据完成了泗洪县冬小麦面积提取实验,验证了该模型的有效性。     

一种面向对象的高分辨率遥感影像信息提取方法

针对传统面向对象分类方法的不足,根据研究对象特征构建了一种改进的面向对象的高分辨率遥感影像信息提取分类方法.首先利用SLIC超像素算法对影像进行分割,并提取分割后影像的纹理、光谱和形状特征;再利用SVM分类器提取影像信息,区分相似性较高的耕地和道路;然后利用随机森林算法提取水体和人工表面;最后对不同地物信息的提取结果进行拼接,实现土地利用分类.结果表明,与传统的面向对象分类方法相比,该方法的分类精度更高.     

面向对象的复杂地形下冬小麦多时相遥感分类提取研究

河南省各地地形地貌差异较大,如何准确地获取不同地形冬小麦种植面积对农业调查来说是关键问题。本文选取河南省鹤壁市淇县作为典型的复杂地形区,选取Sentinel-2影像作为数据源进行多植被指数及红边指数计算,采用面向对象分类方法进行多尺度分割并计算分割对象的光谱特征、纹理特征、指数特征等信息,然后对淇县进行冬小麦种植多时相遥感分类,分析不同时相冬小麦解译面积与精度,最终得到最优精度冬小麦种植面积。结果表明：淇县东部平原地区冬小麦大量种植,西部山区小麦种植多以点状分布于山谷与河滩地等。采用预留样本点对解译结果进行精度验证,整体验证精度在95%以上;其中平原地区冬小麦分类精度在97%左右,西部山区冬小麦分类精度为95%。结合数字高程数据及不同时期植被指数进行分析,结果显示鹤壁淇县冬小麦空间分布与其生长周期、空间分布特性高度吻合。     

以地块分类为核心的冬小麦种植面积遥感估算

以提高冬小麦种植面积估算精度为目标,选取种植结构复杂的都市农业区,采用QuickBird影像数字化农田地块边界,以多时相TM影像为核心数据源,以地块为基本分类单元,进行不同特征向量组合、不同分类器的冬小麦地块分类方法研究,并对比分析了基于地块分类和基于像元分类的冬小麦种植面积估算精度。研究结果表明,基于地块分类的冬小麦种植面积估算方法的总量精度和位置精度均高于像元分类;植被指数和纹理信息的引入有助于进一步提高地块分类精度;支持向量机与最大似然均能得到高达97%的总量精度和90%的位置精度,支持向量机地块分类所需的训练样本量远低于最大似然,因此支持向量机更加适合于冬小麦地块分类;冬小麦错分与漏分情况大多发生在细碎地块,其面积总量较小,而大地块错分和漏分较少,因此相对于像元分类,地块分类能在整个区域能得到较高的冬小麦位置精度和总量精度。     

面向对象的无人机遥感影像烟草种植面提取和监测

无人机遥感影像技术用于农业种植面积、长势、轮作的监测和管理,取得了非常喜人的效果。文章应用无人机遥感影像和遥感图像处理软件eCognition,以面向对象的遥感影像分析方法提取临沂市沂水万亩示范园区2012年烟草种植面积及其分布信息。分类结果表明,利用面向对象的分类方法解译无人机获取的高分辨率遥感影像可以获得精确的烟草种植信息,为大区域烟草种植面积的自动监测提供了广阔的前景。     

期刊博览

基于多时相HJ卫星的冬小麦面积提取 我国环境与灾害监测预报小卫星HJ-1A／B具有较高的时间和空间分辨率,在作物种植面积提取和长势监测等方面具有较大优势。本文根据冬小麦的物候规律和季相节律的差异性,选取返青期和拔节期两个生育期的HJ卫星影像,借鉴分层信息提取法原理,综合利用监督分类和非监督分类法,结合人及交互目视解译和实地定位调查等资料提取了姜堰市的冬小麦种植面积,总体面积提取精度达到90．22％,样点空间匹配精度为81．25％,     

利用无人机遥感监测农作物种植面积

南方平原耕地具有地块破碎、农作物种植品种多且空间分布混杂程度高等特点，运用传统的遥感技术方法精确监测农作物面积较为困难。无人机航拍具有拍摄时间灵活、空间分辨率高、成本低等优势，为解决这一难题提供了有利途径。本文通过地面样地调查，获取杭州市余杭区瓶窑镇农作物样地的位置及种植品种数据，利用面向对象的多尺度分割方法与随机森林的分类方法对无人机航拍数据进行分割、分类，深入挖掘高分辨率遥感数据信息，用于提取农作物种植品种及其空间分布信息，实现高精度的农作物种植面积遥感监测，推进无人机遥感在农业中的深入应用，提高农业遥感应用效益。     

面向对象的高分辨率影像农用地分类

采用面向对象的影像分类方法,结合多尺度分割技术,以QuickBird影像为实验数据,进行农用地的精细自动分类。首先,根据地物大小,选择最优分割尺度,构建多尺度分割等级网;然后,综合利用高分辨率影像的光谱信息、纹理和形状特征,建立各个对象的特征集;最后,通过目视解译建立隶属度函数,实现地物的分层提取。实验表明,该方法能有效区分农作物种类,相对于传统的像素级分类方法,该方法明显提高了高分辨率影像的分类精度,且避免了"椒盐"噪声的产生。     

基于CART决策树的高分二号洞庭湖区湿地分类方法

高分卫星遥感湿地分类的关键在于解决“同物异谱、异物同谱”难题。本文将当前应用前景广泛的亚米级国产高分二号（GF-2）影像和CART决策树面向对象分类算法相结合,以湖南沅江为例进行洞庭湖区典型湿地的分类提取工作,选取包括光谱信息、几何特征、地形特征和纹理特征等多维对象特征对分类器进行训练,构建了多维特征湿地分类方法。试验区总体分类精度优于传统方法,可为基于GF-2影像的洞庭湖湿地分类提供技术参考。     

基于不同分辨率遥感影像的分类方法对比研究

基于4种不同分辨率的遥感影像数据,分别为30 m分辨率的Landsat-8数据,融合Landsat-8多光谱波段和全色波段的15 m分辨率数据,5.8 m分辨率的资源3号卫星数据以及融合后2.1 m分辨率的资源3号卫星数据。采用ISO-DATA、最大似然分类法和面向对象分类法对影像进行分类,对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。结果显示在低分辨率影像中,面向对象方法受到限制,分类效果相比传统方法没有太大改善;而在高分辨率影像中,面向对象方法分类效果很好,并且随着分辨率提高分类精度也相应的提高。     

山区植被类型信息提取方法研究

根据遥感图像的光谱信息和空间信息特征及不同植被的分布规律,研究利用计算机处理技术提取山区植被类型的方法。分类过程采用四个步骤完成：①均一目标的象限四分树提取分类；②多光谱数据的最小距离分类；③综合利用波谱曲线的形态和地形数据进行分类；④高程数据修正分类。在分类处理过程中,分别利用了图像的空间信息、光谱信息以及地形数据。利用该分类方法在实验小区内进行植被类型提取试验,其精度为90%.与最大似然分类方法所得结果相比较,其分类精度提高了10%.     

Development of fuzzy rule-based parameters for urban object-oriented classification using very high resolution imagery

Urban areas consist of spectrally and spatially heterogeneous features. Advanced information extraction techniques are needed to handle high resolution imageries in providing detailed information for urban planning applications. This study was conducted to identify a technique that accurately maps impervious and pervious surfaces from WorldView-2 (WV-2) imagery. Supervised per-pixel classification algorithms including Maximum Likelihood and Support Vector Machine (SVM) were utilized to evaluate the capability of spectral-based classifiers to classify urban features. Object-oriented classification was performed using supervised SVM and fuzzy rule-based approach to add spatial and texture attributes to spectral information. Supervised object-oriented SVM achieved 82.80% overall accuracy which was the better accuracy compared to supervised per-pixel classifiers. Classification based on the proposed fuzzy rule-based system revealed satisfactory output compared to other classification techniques with an overall accuracy of 87.10% for pervious surfaces and an overall accuracy of 85.19% for impervious surfaces.     

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。     

A comparative assessment between object and pixel-based classification approaches for land use/land cover mapping using SPOT 5 imagery

Abstract

Land use/land cover (LULC) classification with high accuracy is necessary, especially in eco-environment research, urban planning, vegetation condition study and soil management. Over the last decade a number of classification algorithms have been developed for the analysis of remotely sensed data. The most notable algorithms are the object-oriented K-Nearest Neighbour (K-NN), Support Vector Machines (SVMs) and the Decision Trees (DTs) amongst many others. In this study, LULC types of Selangor area were analyzed on the basis of the classification results acquired using the pixel-based and object-based image analysis approaches. SPOT 5 satellite images with four spectral bands from 2003 and 2010 were used to carry out the image classification and ground truth data were collected from Google Earth and field trips. In pixel-based image analysis, a supervised classification was performed using the DT classifier. On the other hand, object-oriented (K-NN) image analysis was evaluated using standard nearest neighbour as classifier. Subsequently SVM object-based classification was performed. Five LULC categories were extracted and the results were compared between them. The overall classification accuracies for 2003 and 2010 showed that the object-oriented (K-NN) (90.5% and 91%) performed better results than the pixel-based DT (68.6% and 68.4%) and object-based SVM (80.6% and 78.15%). In general, the object-oriented (K-NN) performed better than both DTs and SVMs. The obtained LULC classification maps can be used to improve various applications such as change detection, urban design, environmental management and zooning.     

高分辨率影像的植被分类方法对比研究

高分辨率影像的纹理信息可解决用光谱分类面临的“同物异谱”和“同谱异物”问题,更精确地分辨地物的细微变化,但将纹理作为主要信息进行植被分类的研究较少。本文以南京市钟山景区为例,利用IKONOS影像数据的纹理信息进行植被分类,并将结果与用光谱信息、植被指数信息的分类结果比较。共使用了4个灰度共生矩阵纹理量：CON（对比）、COR（相关）、HOM（同质）和MCON（改进的对比）分析各类植被的纹理表征设阈值分割;用3个植被指数：NDVI（归一化指数）、MSAVI（改进的土壤调节指数）和SAVI（土壤调节指数）（L取0.5和5）选择发现SAVI5最能区分。对纹理和指数信息均设各类型的阈值进行分割提取;基于光谱信息分别用最小距离监督分类和ISODATA非监督分类。研究中先进行数据恢复,再分别用三种信息将试验区植被分为6类：草地、竹林、常绿针叶林、常绿阔叶林、混交林和园地,最后将三种方法4个结果进行比较。精度评价的结论是：纹理信息分类的精度最高,植被指数次之,光谱信息中的非监督分类最低,纹理反映地物光谱及差异信息,可作为最佳方法用于植被分类。     

基于GF2号卫星影像的农业信息提取方法对比分析

以GF2卫星0.8 m全色/3.2 m多光谱分辨率遥感影像为基础数据源,对基于GF2号卫星影像的农业信息提取流程和方法进行了研究与对比分析。首先对GF2号卫星影像进行波谱分析;其次对GF2号影像进行融合,并对多种融合方法进行质量评价;最后选择阈值法、波谱间关系法、非监督分类法和面向对象法分别对GF2号影像数据进行农业信息提取试验,并对信息提取结果进行精度验证和结果分析。试验表明,面向农业信息提取的GF2号卫星影像融合方法中,Pansharp融合算法融合影像色彩正常,无虚影,清晰度高,地类对比度正常,纹理清晰,熵值及与原始多光谱影像的相关系数高。阈值法和谱间关系法适用于提取单要素农业信息,非监督分类法能够初步获取研究区土地利用情况,面向对象法提取研究区全要素信息精度高。总体来说,不同信息提取方法具有各自的优势,在具体实际应用中,可以根据目标地类的波谱特性,选择适宜的遥感影像处理和信息提取方法。     

基于高分遥感影像的城市用地现状信息提取

我国正处于城镇建设的高速发展阶段,城市用地现状信息提取是进行城市精细化管理的重要基础工作。本文通过对高分辨率遥感影像光谱特性的深入分析,提出一种结合面向对象分类和GIS分析技术的城市用地现状分类的处理新模式,实现了城市用地现状的高效分类。利用高分一号卫星高分辨率遥感数据进行验证,总体分类精度达81.44%。试验表明,该处理模式有效地简化了人工操作步骤,大幅度提高了高分辨率遥感影像城市用地现状提取的效率。     

面向对象规则和支持向量机的天宫一号高光谱影像分类

传统的高光谱分类方法通常基于单一像元的光谱或纹理特征,很少考虑地物空间结构信息与空间相关特征.本文将面向对象规则与基于像元的分类进行融合,利用对象的空间结构特征和光谱特征进行混合分类,旨在克服像元层次分类的不足.本文尝试性的提出了两种混合分类方法:(1)基于分形网络演化的多尺度分割支持向量机分类(2)基于多层分水岭分割的SVM分类,并将这两种方法应用到天宫一号高光谱数据上.结果表明:基于面向对象规则的混合分类方法有效地提高了分类精度,不仅能够改善同谱异物现象,而且解决分类结果中地物破碎的问题.