利用Sentinel-2A数据提取长江中下游丘陵地带农作物种植信息

长江中下游丘陵地带地块细小破碎、种植结构复杂,导致作物遥感光谱特征相互纠缠,信息精确提取困难等。本文基于Sentinel-2A数据提出了多特征组合优化的丘陵地带农作物种植结构精确识别方法。首先获取研究区内主要农作物的关键物候特征信息;然后计算其光谱特征、纹理特征、地形特征值,构建原始特征集;最后采用随机森林方法对特征进行重要性排序,对原始特征集进行特征变量优化,并选择优化后的组合特征进行监督分类提取出研究区农作物信息。试验结果表明,相较于单变量特征,通过多特征优化组合分类总体精度和Kappa系数分别从80.4%和0.748提高到96.3%和0.954,有效地提高了南方丘陵地带农作物分类精度,算法稳定性较强。在南方丘陵地带农作物的识别过程中,进行特征变量优化后的地形特征与纹理特征能显著提高分类精度。     

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。     

面向对象的无人机遥感影像岩溶湿地植被遥感识别

以广西桂林会仙喀斯特国家湿地公园为研究区,以无人机航摄影像为数据源,综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明:针对不同特征变量对岩溶湿地遥感识别的贡献率而言,光谱特征(DOM>DSM)>纹理特征(DOM>DSM)>几何特征>上下文变量;两个航摄影像数据集的总体分类精度都在85%以上,Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。     

结合高分一号和LiDAR的亚热带森林年度采伐迹地提取

利用高分一号影像结合机载LiDAR数据进行面向对象的亚热带森林年度采伐迹地分类提取。在面向对象的遥感软件Ecognition中,首先利用森林小班数据参与分割,利用小班数据的属性信息确定林地和非林地区域,在林地区域再一次进行多尺度分割,并通过ESP工具确定最佳分割尺度,通过特征表达提取对象的光谱、纹理、形状、冠层高度模型(CHM)等特征信息,通过最小冗余最大相关性(mRMR)特征选择算法提取最优特征子集,且CHM在最优特征子集中。利用随机森林(RF)分类器进行年度森林采伐迹地分类提取。年度采伐迹地提取精度达到了87%,与没有CHM特征参与分类的情况对比,提取精度提高了13%。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

机器学习法在面向对象影像分类中的对比分析

针对如何选择遥感影像面向地理对象分类方法的问题,该文面向地理国情普查中的地表覆盖分类应用,以3个典型区域(山区、平原、城区)的多源高分辨率遥感影像为实验数据,从分类效果、分类精度等方面对比分析3种分类方法(支持向量机、决策树、随机森林)的优劣。在相同影像分割、特征提取、样本采集条件下,通过333组分类实验,得出以下规律:支持向量机分类方法稳定性强,分类速度快,但对特征数的要求高,特征数目与总体精度、地物环境之间的规律性不强,从而增加了特征提取与选择的难度,而随着特征的增加,决策树、随机森林的总体分类精度均为先升高后降低,最后趋于平衡。最后,综合随机森林对特征的优选机制和支持向量机的高分类精度,得到新的组合分类器。     

基于时序Sentinel-2影像的农作物分类研究

特征选择是提高农作物分类精度的一个重要手段.本文基于时序Sentinel-2影像提取影像的波段特征、植被指数、纹理特征,以这三类特征构建分类特征集,使用随机森林算法对分类特征集进行特征选择和分类实验.根据分类混淆计算的研究区总体分类精度为92.5％,Kappa系数为0.904,高精度地提取了研究区内冬小麦、大蒜等主要冬季作物的种植信息,这表明随机森林算法在对特征降维的同时,也能保证较高的分类精度.     

高分辨率遥感影像的随机森林变化检测方法

基于面向对象分析(OBIA)的遥感影像变化检测研究已取得显著的进展,代表了遥感影像变化检测的发展范式,未来是发展更加智能的解译分析方法。随机森林作为一种新的机器学习算法,其预测效果和性能稳定性要优于许多单预测器和集成预测方法。本文充分利用OBIA及随机森林机器学习算法的优势,提出了利用随机森林进行面向对象的遥感影像变化检测。首先基于熵率对影像进行超像素分割,通过最优超像素个数评价指数来获取最佳的影像分割结果,并提取每个超像素在前、后时相影像上的光谱特征和Gabor特征作为随机森林的特征输入数据,用于模型的训练。在初始像素级检测结果之上,自动进行分类样本选择并构建分类器模型,用训练好的模型来提取最终的变化区域。利用Quickbird、IKONOS、SPOT-5等3组多光谱影像进行试验,结果表明,本文方法在变化检测精度上要优于对比方法。     

面向西北内陆复杂地形地貌区域的土地利用分类方法

中国西北地区自然环境恶劣、地形地貌复杂、植被覆盖度低,大量土地裸露,使用传统分类方法很难准确提取土地利用信息。以兰州市为研究区,基于Landsat 8 OLI遥感影像和数字高程模型（digital elevation model,DEM）数据提取指数特征、纹理特征和地形特征作为分类特征变量。首先,基于随机森林分类（random forests classification,RFC）算法对3种特征变量的分类有效性进行检验;在此基础上,构建4种特征组合实验方案,筛选出最优土地利用分类特征组合。结果表明,单一的指数特征、纹理特征和地形特征均可显著提高一种或多种土地利用类型的分类精度;最佳分类特征组合的分类精度达到90.82%,Kappa系数为0.897。     

多源卫星数据的农用地膜信息提取

地膜的大量应用使得我国农业生产力快速发展,随着使用量的逐年增长,其对环境的影响已经不容忽视。遥感影像分类技术是农用地膜监测的重要方法。本文基于FSO特征优选和面向对象随机森林分类方法,利用光谱、几何、纹理等特征设计多组试验方案,使用资源三号与Landsat卫星融合影像对甘肃中部地区进行了农用地膜提取。试验结果表明:(1)多特征融合方法的地膜信息提取精度明显高于单一特征提取方法;(2)采用FSO特征优选的试验方案的总体分类精度和Kappa系数分别达到90.2%和0.877,明显高于其他方案。这说明特征优选方法在降低特征空间维度的同时减少了特征干扰,有效提升了分类精度。     

Sentinel-2A数据支持下的雷州半岛植被类型识别

本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。     

基于随机森林特征优选的冬小麦分类方法

本文基于多时相Landsat 8 OLI数据,进行综合光谱、植被指数的特征提取与特征选择的方法研究。通过分析光谱与植被指数特征时序变化,提取最佳时相光谱,构建小麦提取特征;采用基于重要性与Pearson相关性的随机森林特征选择算法优选特征。结果表明:利用优选特征分类时,总体精度为89.78%,小麦分类精度为98.33%;与优选前特征的分类结果相比,精度分别提高了2.96%、2.55%;基于重要性与Pearson相关性的随机森林特征选择提高了分类精度和分类器工作效率。     

综合多特征的Landsat 8时序遥感图像棉花分类方法

传统的多时相遥感图像分类大多拘泥于单一特征,本文基于多时相的Landsat 8遥感数据,开展了综合多特征的特征提取与特征选择方法研究。综合了NDVI时间序列、最佳时相反射率光谱特征以及纹理特征作为初始分类特征,并采用基于属性重要度的粗糙集特征选择算法对其进行特征约简。分类结果表明:(1)利用初始分类特征,分类的总体精度达到92.81%,棉花提取精度达87.4%,与仅利用NDVI时间序列相比,精度分别提高5.53%和5.05%;(2)利用粗糙集选择后的特征分类,分类总体精度可达93.66%,棉花分类精度达92.73%,与初始分类特征提取结果相比,棉花分类精度提高5.33%。基于属性重要度的粗糙集特征选择不仅提高了分类精度,同时有效降低了分类器的计算复杂度。     

Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier

In this study, an object-based image analysis (OBIA) approach was developed to classify field crops using multi-temporal SPOT-5 images with a random forest (RF) classifier. A wide range of features, including the spectral reflectance, vegetation indices (VIs), textural features based on the grey-level co-occurrence matrix (GLCM) and textural features based on geostatistical semivariogram (GST) were extracted for classification, and their performance was evaluated with the RF variable importance measures. Results showed that the best segmentation quality was achieved using the SPOT image acquired in September, with a scale parameter of 40. The spectral reflectance and the GST had a stronger contribution to crop classification than the VIs and GLCM textures. A subset of 60 features was selected using the RF-based feature selection (FS) method, and in this subset, the near-infrared reflectance and the image acquired in August (jointing and heading stages) were found to be the best for crop classification.     

GF-6影像应用于林地与非林地识别的潜力分析

为研究我国首颗携带红边波段的高分六影像(GF-6)在林地与非林地上的识别贡献,本文选择复杂林地类型的安徽省黄山市作为研究区,采用特征优选(RFE)与随机森林(RF)相结合的方法开展了林地与非林地识别潜力研究。首先根据实地调查、Google Earth影像及林地"一张图"样本数据构建了样本库;然后基于DEM、多时相光谱特征、植被指数、红边指数等特征开展分类,并比较不同模型精度及不同变量的重要度。结果表明:GF-6红边信息对林地非林地识别较为重要,引入红边信息可将总体分类精度提升2%,其他新增波段及地形特征对林地与非林地识别贡献并不明显;多时相数据的运用相比单时相数据可整体提高林地类型的分类精度2.93%～4.1%,单时相分类结果 6月最好,9月次之,12月最差;特征优选可以有效减少数据输入维数(46到15),并取得最高分类精度,在不牺牲精度的同时保证了运算数据量的减少且明确了不同变量的贡献,具有较强的应用意义。     

高分六号宽幅多光谱数据人工林类型分类

高分六号(GF-6)卫星于2018年成功发射,2019-03正式投入使用。由于GF-6宽幅相机的WFV(Wide Field of View)影像较GF-1的同类影像新增2个红边波段,将会提高对农业、林业、草原等资源监测能力。为了分析GF-6的WFV影像在人工林分类方面的能力,促进高分数据在林业领域的应用,本文选取广西高峰林场为研究区,以最新的GF-6 WFV影像为数据源,结合地面实测类型数据,进行广西南宁高峰林场的桉树,杉木等人工林类型提取。主要运用随机森林(random forests)的分层分类法:首先计算6种植被指数,并利用随机森林法进行植被指数的特征优选,然后确定4种波段组合数据集的分类方案,4种数据集分别为(1)无红边的前4个波段,(2)有红边的8个波段,(3) 8个波段加上未优化的植被指数特征组合,(4) 8个波段加上优化的植被指数特征组合。再进行WFV影像4种数据集的随机森林分类,随机森林采用分类回归树(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。最后比较4个方案的分类结果并进行精度验证。结果表明:方案2比方案1精度提高了4.99%,Kappa系数提高了0.058。说明包含红边的8波段数据比4个波段数据精度有大幅提升。方案4的8波段加上优化植被指数特征组合的分类精度最高,达到了85.38%,比方案2包含红边波段组和方案1无红边波段组的精度分别提高了3.98%,8.97%,Kappa系数分别提高了0.046,0.104。说明WFV影像加入红边波段比无红边波段精度明显增高。由结果可知,红边指数的引入,增强了植被信息,能够较准确地反映人工林类型特征差异,明显提升了人工林的分类精度。本研究方法可以有效改善广西人工林类型信息提取效果,为GF-6影像质量的评价及其在林业应用潜力提供科学参考依据。     

面向对象的旱区植被遥感精细分类研究

针对旱区植被分类尺度过大、种群无法准确提取的问题,该文提出了面向对象的CFS-RF分类模型,即利用CFS算法对先验样本数据集进行特征优选,结合随机森林构建分类规则,完成分类过程。以新疆阿勒泰为研究区,利用GF-2数据,通过CFS、ReliefF两种不同特征选择方法和J48、SVM、RF 3种分类算法构造出6种面向对象分类方案来实现小尺度植被种群提取。结果表明,经过特征选择,上述分类方案的精度和效率均得到了提升。其中,CFS-RF算法最优,总体精度达到92.41%,Kappa系数为0.90,更适用于旱区植被遥感精细分类。