基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究

由于季节性的植被动态和水文波动,湿地遥感影像分类常常比较困难。本文采用优化特征空间的随机森林算法（Random Forest）对吉林省白城市通榆县东部地区预处理后的GF-2影像进行湿地分类研究,具体分为2步：① 对研究区遥感影像进行多尺度分割和对象特征的提取。针对一些学者获取最佳分割尺度时仍受主观因素影响较大的情况,本文通过改进全局最优分割方法来获得最佳分割尺度。② 在最优分割的基础上,基于特征重要性对随机森林分类算法的特征空间进行优化,以得到最佳的随机森林分类结果,并与相同条件下（同数据、同分割尺度、同训练样本,同特征空间）的K-NN、SVM、CART 3种算法以及未优化特征空间的RF算法的分类结果进行了比较。结果表明,基于优化特征空间的RF算法的分类结果总精度和Kappa系数分别为93.038%和0.9177,而K-NN、SVM和CART 3种分类算法的分类结果的总精度分别为83.357%、78.068%、77.136%,未优化特征空间的RF算法分类结果总精度为90.937%。相较于K-NN、SVM、CART 3种分类算法,RF算法在GF-2湿地影像数据中具有更好的分类性能,同时优化特征空间的RF算法精度有所提高,在湿地资源管理中可以发挥非常重要的作用。     

淤泥质潮滩湿地类型遥感识别分类方法与应用

依据江苏盐城国家珍禽自然保护区淤泥质潮滩湿地影像特征,快速提取高精度潮滩湿地地物信息对湿地生态保护具有重要的意义。本研究以2010年TM影像为数据源,针对海滨湿地植物覆被类型复杂,以及湿地植物类型之间的生态交错带信息难以识别等问题,综合运用植被NDVI指数、波段反射率特征、环境特征和生态条件,逐级分层分类及人工选取阈值等方法,较好地解决了淤泥质潮滩湿地分类问题。结果表明,与同一时期的监督分类相比较,在识别植被交错带植被覆被类型和零星分布的植被斑块的类型方面更具优势,分类精度有明显提高。通过ROI训练区,选取了3126个包括所有类型的样本进行精度检验,分类精度达到95.87%。该方法弥补了单一分类方法的不足,对快速、高精度地提取淤泥质潮滩地物类型具有重要的参考价值和实践意义。     

无人机遥感数据处理与滑坡信息提取

高分辨率的DEM和DOM数据是对地形地貌信息的准确描述,也是滑坡信息提取的重要数据源。首先,针对滑坡信息提取的要求,本文采用无人搭载微型单反相机的影像获取平台,结合野外测量的GPS数据,弥补了无人机POS信息精度低的劣势;针对无人机影像的特点,运用摄影测量基本原理与计算机视觉算法,获取高精度、高分辨率的DEM与DOM影像,保留了丰富的光谱与纹理信息。其次,借助ESP辅助工具获取了DOM影像的最佳分割尺度,并结合研究区地物特征构建了基于模糊分类与SVM算法相结合的决策树,运用面向对象的分类方法实现了对研究区内植被、道路、疑似滑坡区域的信息提取。最后,依照研究区地物分布的空间特征确定了高风险等级区域,并对该区域进行滑坡的形态与纹理分析以及精度评价,其中提取的疑似滑坡区域用户精度为91.44%、生产者精度为84.65%,结果表明无人机遥感在滑坡信息提取领域具有较高的应用价值。     

基于面向对象与深度学习的榆树疏林识别方法研究

榆树疏林是浑善达克沙地中一种特殊的植被类型,它对于维持区域生态系统稳定具有重要意义,在防风固沙、涵养水源、调节气候等方面发挥着重要的作用。本文利用无人机影像与GF-2影像,对高分辨率数据源中榆树疏林的两种自动识别方法进行了研究。在面向对象方法中,首先通过计算影像对象的局部方差变化率得到了最佳分割尺度;其次采用随机森林算法对初选特征的重要性进行排序,并删除无关特征;最后分别对支持向量机（SVM）、随机森林（RF）、深度神经网络（DNN）3种分类器进行参数寻优与榆树疏林提取。此外,在ENVI5.5中基于TensorFlow框架,利用U-Net构建深度学习模型对榆树疏林进行了提取,并与面向对象方法进行对比。结果显示：① 通过面向对象方法过程的优化,最终的识别精度较以往研究有所提升,GF-2影像中SVM总体精度为90.14%,RF总体精度为 90.57%,DNN总体精度为91.14%;无人机影像中SVM总体精度为97.70%, RF与DNN总体精度为97.42%。② 深度学习方法中,GF-2影像的总体精度为91.00%,无人机影像的总体精度达到了98.43%。研究结果说明在榆树疏林提取中,无人机影像具有更高的空间分辨率,更丰富的纹理、形状等信息,能达到比GF-2影像更高的精度。面向对象方法对于2种影像都有较高的适用性;深度学习的方法在本文中更适用于无人机影像,它可以有效地减少无人机影像中的错分现象。     

面向对象的森林植被图像识别分类方法

 森林植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取森林植被的类型,本文以门头沟区森林植被占主要土地覆被类型为研究对象,选择HJ-1影像面向对象提取不同地物信息。由于研究区地形复杂,采用多尺度分割方法,对不同地物设置不同分割参数,实现不同地物分层提取。根据光谱、纹理及几何等特征选择合适的特征参数,构建隶属度函数,逐级提取研究区的土地覆被类型,并与传统的最大似然法进行对比。结果表明:面向对象的分类方法在门头沟区森林植被二级信息提取的精度为83%,与传统方法相比有了较大的提高。     

融合面向对象和分水岭算法的山地湖泊提取方法

面向对象的方法提取湖泊,常常面临边界识别不精确的问题。本研究在面向对象方法的基础上,利用分水岭算法,解决湖泊边界识别问题。该方法初步将遥感影像划分为确定湖泊区域、潜在湖泊区域和背景;然后通过分水岭算法对潜在湖泊区域进行二次提取。研究选择昆仑-喀喇和喜马拉雅山脉区域的3个山地湖泊发育良好的区域作为实验区,利用Landsat系列影像验证该算法。实验结果表明该算法的用户精度、生产者精度和总体精度分别高达99.59%、98.47%和96.53%。相比于单一的面向对象方法,本文方法更适合于山地湖泊提取,能够更加准确地描绘湖泊的实际边界,也能够减弱面向对象方法中分割尺度和分类阈值对提取结果的影响。     

华南地区典型种植园地遥感分类研究

华南地区种植园地广泛分布,类型混杂多样,导致园地分布信息难以正确获取,为农业管理造成了较大困难。本研究基于Landsat8 OLI数据,通过数据融合、特征优化,应用随机森林算法构建面向对象的种植园地分类规则集,对华南地区典型经济作物香蕉、柑橘、葡萄、蒲葵、海枣、番木瓜和火龙果等进行类别识别,同时对比贝叶斯分类法、K最邻近分类法、支持向量机法、决策树分类法的分类效果。结果表明：数据融合会在一定程度上影响分类结果精度;植株形态、光谱特征接近,种植期交错是影响华南地区典型园地分类精度的重要原因;以中分辨率影像为数据源,面向对象的随机森林算法应用于种植园地分类研究总体精度可达88.05%,Kappa系数0.87,可以有效区分华南地区典型种植园地类别;相比于其他算法,随机森林算法在分类精度、可靠性和稳定性上具有一定优势,可为园地作物生长监测和种植管理提供科学依据。     

结合像元级与对象级的滨海湿地变化检测方法

滨海湿地是动态且脆弱的生态系统,遥感变化检测技术为滨海湿地动态变化监测提供了有效手段。为解决像元级变化检测对配准误差敏感及其椒盐现象严重,对象级变化检测受分割参数影响较大且过程繁琐等问题,本文提出了显著图引导的结合像元级与对象级变化检测方法。首先,提取湿地亮度、归一化差异植被指数、归一化差异水体指数三个特征,得到特征差异影像;其次,利用最大对称环绕显著性检测算法生成显著图,采用结合模糊C均值和马尔可夫随机场方法对显著区域进行分割得到初始像元级变化检测结果;最后,在面向对象分割的基础上,通过构建对象的不确定性指数自适应选择训练样本,采用随机森林分类器进行分类得到最终变化检测结果。利用江苏盐城滨海湿地资源三号影像进行实验,结果表明,结合像元级与对象级方法的湿地变化检测总体精度为93.51%,与像元级、对象级方法相比,虚检率分别降低了29.04%和22.78%。     

“四同”条件下周口城区高分一号遥感影像分类对比研究

目前大多数面向像元、面向对象遥感影像分类对比研究算法、软件、样本均不同,引入多方面系统误差导致结果一定程度上不严谨。为更准确比较2种分类方法,本文采用面向像元、面向对象2种分类方式,在同软件平台、同分类器、同训练样本、同验证样本,即“四同”条件下对2018年4月17日高分一号周口城区融合影像进行分类对比研究,并完成主、客观评价精度评价。结果表明：① “四同”条件下2种分类方式、CART（Classification and Regression Tree）、SVM（Support Vector Machine）、RF（Random Forests）3种机器学习算法均能识别周口城区主要地物类型,而面向对象的分类效果明显优于面向像元分类,与前人研究结论一致。其中面向像元分类效果最好的是RF算法,总体分类精度为78.02%,Kappa系数为0.72;面向对象分类效果最好的是RF算法,总体分类精度为93.40%,Kappa系数为0.92;② 尽管由于光谱特征相似、分布交叉,单类别建筑用地、交通用地用户精度与生产者精度较低,但面向对象分类较面向像元分类效果明显提升,以RF分类为例,建筑用地生产者精度由56.18%提高至92.13%,用户精度由69.44%提高至87.23%;交通用地生产者精度由72.15%提高至89.87%,用户精度由72.15%提高至92.20%;③ 与前人研究成果比较,本文在“四同”条件下实现了更科学、更严谨的面向像元、面向对象遥感分类方法对比,对后续高分辨率遥感影像分类具有一定参考意义。     

基于ALOS遥感影像的湿地地表覆被信息提取研究

为了验证ALOS遥感影像湿地地表覆被信息提取的可行性,以黑龙江省三江平原典型内陆淡水沼泽湿地为研究对象,通过ALOS遥感影像波段的光谱及纹理特性分析,探讨适合水体、旱地、水田、沼泽、林地、建设用地、草甸等覆被类型的分类特征;基于非监督、监督及面向对象分类方法,遴选能实现最优分类结果的特征组合,为湿地地表覆盖分类数据源及方法的选择提供参考.结果表明:非监督、监督及面向对象分类方法的总体精度分别达到63.86%、96.14%和85.26%;非监督分类方法整体分类效果不够理想;面向对象方法虽然得到了相对较高的分类精度,但是针对建设用地、林地及草甸地类信息提取的精度处于较低水平;监督分类方法能取得较好效果,最适合于湿地地表覆被信息提取.     

CSD和CDD结合下的最优遥感特征指数集构建及其在湿地信息提取中的应用

依托中分辨率成像光谱仪完整的数据序列和丰富的光谱信息,遥感特征指数在湿地生态系统发展变化的状态、趋向和规律研究方面发挥着不可替代的优势。传统类间距离判别的遥感特征指数选取中常存在过分依赖数据统计特征、入选指数与目标地类间生态学意义不明确、分类模型普适性差等局限性。基于此,本研究以河北省白洋淀湿地自然保护区为例,提出类可分离性距离判别（Class Separation Discrimination,CSD）与类间距离判别（Class Distance Discrimination,CDD）相结合的方法构建最优遥感特征指数集,并采用QUEST算法和马氏距离判别法构建分类决策树模型用于白洋淀湿地信息的提取研究,尝试克服传统类间距离指数选取中的不足。结果表明：运用CSD和CDD相结合的方法所选取的遥感特征指数在研究区湿地信息提取过程中的总体分类精度达到了91.32%,Kappa系数0.88,较传统的分类与回归树（Classification and Regression Tree,CART）方法,分类精度提高了1.67%;其次选取的最优指数与待提取的湿地类型均具有明确的生态学意义,如挺水植物在立地干湿交替条件下的潴育化过程决定了氧化铁比率IO可成功的将混分的耕地和挺水植物进一步分离;进一步将基于研究区2017年OLI影像构建的CSD和CDD相结合方法与CART方法的模型分别应用于研究区2019年OLI影像进行分类,基于CSD和CDD相结合方法构建的模型分类总体精度和Kappa系数分别为：86.97%、0.83,基于CART方法构建的模型无法满足分类需求,研究结果较好地证明了基于CSD和CDD相结合方法构建的模型在年际之间具有良好的适用性和稳定性。总之,CSD和CDD相结合的方法在不降低湿地信息提取精度的基础上,有效避免了传统遥感特征指数选择方法的局限性,提高了分类模型的普适性,是遥感特征指数选择算法和决策树相结合在湿地信息提取方面的有益尝试。     

基于Landsat TM和ENVISAT ASAR数据的鄱阳湖湿地植被生物量的反演

作为湿地生态系统的重要组成部分,湿地生物量是衡量生态系统健康状况的关键指标。由于光学遥感对植被垂直分布探测的局限,使得植被指数反映生物量变化的灵敏度下降。利用C波段SAR反演生物量时,对于低中等生物量,含水量高的湿地地表的后向散射对总雷达后向散射的影响会在雷达图像上出现类似光学遥感中"异物同谱"的现象。本文用光学遥感中NDVI、RVI和DVI三种植被指数对生物量变化的敏感性,利用改进的MIM-ICS模型,对湿地植被各散射分量进行模拟分析,建立符合湿地植被类型的各散射分量模拟数据库,以LandsatTM和Envisat ASAR交替极化数据为基础,选择植被指数DVI=0.45为阈值,将湿地植被分割为低叶片密度植被区和高叶片密度植被区,分别应用统计回归模型和半经验微波散射模型,对两个区域植被生物量进行反演。最后,得到整个鄱阳湖湿地生物量为2.1×10⁹kg。研究表明,对于生物量动态范围较大的地区,采用光学和雷达遥感相结合可以有效地提高湿地植被生物量反演的精度,克服光学遥感探测植被垂直分布能力有限和雷达遥感受背景影响大的不足。     

基于特征分离机制的深度学习植被自动提取方法

随着遥感影像分辨率的提高,植被信息的高精度提取对于了解地表植被变化规律、评价生态区域具有重要意义。针对传统方法跨季节植被提取不完整问题,本文基于高分2号(GF-2)卫星数据,提出一种基于特征分离机制的深度学习语义分割网络植被提取方法。该网络在Densenet的基础增加可分离卷积和空间金字塔结合的特征分离机制来增大感受野,更有效利用植被的特征信息,提升了模型的精度。本文通过构建高精细跨季节植被样本库,使用本文所提方法,完成了遥感影像植被信息提取,并选取总体准确度、F1值和交并比作为评价指标,对不同的传统方法和深度学习方法进行精度对比与分析。实验结果表明,本文方法提取植被的效果较好,其中F1分数达到91.91%,总体准确度达到92.79%,交并比达到85.10%。对高分1号、高分6号和高景1号遥感影像进行植被提取通用性验证,结果表明本文方法具有一定的通用能力,可以从高分辨率遥感影像中准确地、自动地提取植被。本文研究成果可为城市生态环境评价和植被的应用研究提供数据参考。     

基于野外台站无人机组网遥感仿真航迹规划

无人机因其灵活、高分辨率等特点在遥感领域中得到了广泛应用,但是目前的无人机遥感多为单机作业,存在缺乏组网协同规划、作业效率有待提高等问题。无人机组网遥感观测能够克服单机作业存在的问题,可以实现多尺度、多平台、多载荷的高频次迅捷组网观测,快速获取大范围的超高分辨率数据,为大范围的生态环境监测、洪涝灾害监测以及国土安全应急监测提供数据支撑。无人机航迹规划能够为高频迅捷的无人机组网观测提供最优航迹。本文针对日益繁杂的航空遥感任务,以及无人机野外台站资源的逐渐完善,提出了基于野外台站的无人机遥感航迹规划模型,以优化后的单机航迹为基础,以无人机数量最少为目标进行多机组网任务分配,旨在解决基于台站的无人机组网航迹规划问题。首先对单机航迹进行优化,将无人机总航程分为有效作业航程和非有效作业航程,通过分析单机作业的任务约束,证明了非有效作业航程最短时作业效率最高,非有效作业航程由转弯航程以及无人机往返于台站的航程决定,因此,确定提高单机作业效率的航迹优化方法：采用“最小宽度”的方法确定最优飞行方向以减少转弯航程,以无人机往返于台站航程最短为原则确定最优的任务起点;其次,以优化后的单机航迹为基础,提出基于台站的无人机组网任务分配算法,考虑每架无人机往返于台站的航程,充分利用无人机的续航能力,以无人机数量最少为目标进行任务分配,从而获得基于台站的无人机组网航迹规化结果。通过仿真分析,验证了本文模型的有效性和正确性。     

基于Landsat TM6的林区温度反演研究

主要研究利用Landsat TM6热红外波段遥感数据定量反演林地温度的方法与可行性.首先计算了研究区的比值植被指数(RVI),然后利用单窗算法开展林地温度反演,建立起了林地温度与比值植被指数之间的相关关系.研究结果表明:利用单窗算法反演的林地温度精度较高;林地温度与比值植被指数(RVI)之间存在着密切的负相关关系,林地温度与林冠变化之间关系十分密切.     

无人机遥感众创时代

当代科技发展降低了无人机和遥感器的准入门槛。大众参与为无人机遥感领域注入了巨大的创造力,触发了无人机遥感创新发展的爆发式增长。当前,无人机已成为普适化和平民化的科学手段,无人机遥感数据在众多领域和部门呈现出取代通航遥感和卫星遥感数据的趋势。本文首先对无人机遥感所处的时代特征及其展现的科技特色进行了分析与归纳,然后列举了无人机遥感在抗震救灾、岛礁测绘、极地科考、精准农田管理等领域开展的典型应用,最后从无人机发展所致遥感数据供应结构性调整、无人机遥感地理学研究推动、遥感无人机试验场地布局等方面进行了展望。特别地,针对无人机遥感应用量大面广、数据分布多源异构等特点,本文提出了无人机遥感数据航母的概念。     

特征优选与卷积神经网络在农作物精细分类中的应用研究

农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络（Convolutional Neural Networks, CNN）相结合的多光谱遥感农作物分类方法,用以解决精细分类问题。实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%。同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别。对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差。实验结果表明：① 利用Relief F算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;② 基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳。