基于随机森林的地理要素面向对象自动解译方法

面向地理对象影像分析(GEOBIA)技术取得了显著的进展,代表了遥感影像解译的发展范式,其主要目标是发展智能化分析方法。随机森林机器学习方法是一种相对新的、数据驱动的非参数分类方法,具有自动特征优选、自动模型构建等优势,为智能化分析提供了有效手段。充分利用GEOBIA及随机森林机器学习的优势,提出了基于随机森林的地理要素面向对象自动解译方法,阐述了随机森林面向对象分类方法的技术流程,为设计和实现该方法提供了详细指导,有助于指导用户优选特征和构建分类模型。通过与支持向量机分类的对比实验证明,该方法可以自动进行特征优选及分类模型的构建,利用较少的特征得到较高的分类精度,在不损失性能的前提下减少了计算量和内存使用,能够为大范围、大区域地理要素自动解译提供先验知识及自动化的手段。     

特征优选的GF-2影像湿地地表覆盖要素提取

为满足地理国情普查及监测对湿地地表覆盖要素自动分类需求,本文以GF-2影像为数据源,采用Relief F算法优选特征,根据选取不同特征数量达到的总体分类精度和类间分类精度,对比分析面向对象的随机森林、决策树、支持向量机、最邻近4种分类方法对湿地覆被自动分类的适用性,通过实例进行对比分析,结果表明经过特征优选上述4种分类方法均可利用较少特征值达到较优的分类结果,验证了Relief F算法的有效性。在分类精度和学习速度方面,随机森林最优,决策树优于支持向量机,除最邻近方法外均可用于湿地信息普查。     

结合随机森林面向对象的森林资源分类

针对森林资源分类研究较少且缺少相对简单有效的方法的情况,提出一种结合面向对象和随机森林的森林资源分类方法。面向对象分割技术可减少“椒盐效应”,随机森林分类算法具有高准确度、抗噪声能力强、性能稳定等优势。鉴于此,通过调整面向对象的分割参数,构造最优特征空间及估算随机森林中决策树的数量等,构建了最优的面向对象随机森林分类模型。另外,选择了SVM算法作对比试验。试验结果显示,本文分类算法的总体精度达到83.34%,Kappa系数为0.7892,明显高于SVM,能够有效提高森林资源分类的精度。     

面向对象的覆膜农田信息遥感表征方法

为解决复杂土地利用背景下覆膜农田信息遥感提取方法缺乏的问题,该文以河套灌区为研究区,以Sentinel-2A卫星数据为基础,结合面向对象影像分析和随机森林算法,开展了复杂土地利用背景下灌水与无灌水覆膜农田信息遥感同步提取研究。首先进行遥感影像尺度分割研究,优选出最佳分割尺度。在此基础上,提取光谱特征、纹理特征、几何特征,获取优化特征子集,并采用随机森林机器学习算法表征覆膜农田信息。研究表明,结合利用Sentinel-2A数据与OBIA方法能够有效表征覆膜农田信息,总体精度达93.03%,Kappa系数为0.91;其中,灌水覆膜农田用户精度为91.35%,制图精度为88.57%;无灌水覆膜农田用户精度为97.10%,制图精度为98.63%。研究证明了Sentinel-2A卫星数据和OBIA方法和机器学习算法在覆膜农田信息遥感表征中的应用潜力,能够为地物信息遥感表征研究中提供参考依据。     

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。     

航空影像农田类型分类在地理国情监测中的应用研究

航空影像的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农田类型。本文以江苏农田为主要覆盖的典型区域为研究对象,选择航空影像利用随机森林算法提取不同的农田信息。本研究采用多尺度的分割方法,面向对象实现特征信息提取。根据光谱、纹理以及几何形状特性筛选出较为合适的特征作为参数,利用随机森林算法实现植被二级分类,分类精度达到84.60%,KAPPA系数为0.753,可为地理国情生产提供一定的参考。     

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.     

基于GF-1的山地主要农作物种植信息提取研究

为探索GF-1 PMS多光谱数据影像在低山丘陵地貌破碎地区主要农作物遥感识别中的信息有效性,以重庆市永川区卫星湖街道为例,利用研究区多时相、多光谱特征影像,对研究区油菜、玉米、水稻等主要作物进行信息提取。提取结果显示,利用GF-1多时相多特影像,水稻作物信息提取生产精度与用户精度均达到90%以上,提取精度较低的旱地作物玉米提取效果也得到了提升,油菜作物信息提取生产精度大幅度高于用户精度,主要作物提取总体精度OA为80.93%,Kappa系数0.635,分类质量达到较好水平。基于多时相GF-1影像光谱、纹理等特征的面向对象分类方法,能够有效地提取南方低山丘陵破碎地貌地区主要农作物空间分布信息,提高主要农作物的遥感识别精度,为山地农作物遥感信息提取提供参考。     

基于极化特征变化的面向对象燃烧区提取

针对利用SAR影像提取林火燃烧区主要侧重于单极化后向散射系数,而从火灾导致散射机制变化的角度开展双极化燃烧区提取的研究较少,本文提出了一种基于极化特征变化的面向对象燃烧区提取方法。以两景Sentinel-1A影像为数据源,构建极化特征变化参数集,使用多尺度分割方法结合随机森林算法提取燃烧区,并采用混淆矩阵精度评价方法对燃烧区提取结果进行评价。实验结果表明,分类总体精度为89.13%,Kappa系数为0.76,说明极化特征变化参数在燃烧区提取方面具有良好的应用能力。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(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。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类

高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点,以DeepLab v3+网络模型为基础,提出E-DeepLab网络模型。主要改进为：（1）改进编码器和解码器的结合方式,使用简洁有效的加成连接方式。（2）缩小单次上采样倍数,增加上采样层,提高编码器与解码器连接的紧密性。（3）使用改进的自适应权重损失函数,自动调节地物损失权重。同时根据数据特点,提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验,结果表明,两地区精度均明显优于原始DeepLab v3+模型和其他相关模型,Potsdam地区总体提取精度达到93.2%,建筑物提取精度达到97.8%,Vaihingen地区总体提取精度达到90.7%,建筑物提取精度达到96.3%。目视对比分类图和标准标记图,两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。     

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。     

面向地震应急调查的遥感应用现状及趋势分析

地震是一种会造成人类生命财产重大损失的突发性自然灾害,震后第一时间启动应急响应并开展灾情的快速评估能有效地减轻地震灾害带来的破坏。空间对地观测技术为宏观性的地震应急与调查工作提供了便捷、经济的途径,随着空间对地观测技术与数据处理技术的不断发展,各国学者对遥感应急调查开展了大量深入的研究工作,相关研究成果已广泛地应用于地震应急的实际工作中。但是,遥感数据类型与处理技术的多样化也带来了应急信息的散乱,导致遥感快速应急响应系统性不强,使得应急服务不持续,一定程度上限制了遥感技术的效能;为此,针对现阶段遥感技术在地震应急调查中的应用情况,在总结地震应急调查常用遥感技术手段的基础上,分析了遥感快速应急响应面临的技术挑战,重点梳理了地震应急不同阶段对遥感数据及应急专题产品产出类型与时效性的现实需求,结合震后灾区影像数据的情况,系统地分析了光学、雷达、激光雷达遥感技术在地震应急调查应用中的技术现状与存在的问题。在实际地震应用案例分析的基础,总结剖析遥感应急工作存在的问题,并重点从海量数据快速处理、震害信息智能化提取、多源数据协同分析3个技术层面论述了遥感地震应急面临的核心困难,基于此,结合在轨数据实...     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体,是开展土地科学相关研究的重要基础,在遥感大数据背景下,准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于e Cognition软件,采用面向对象的多尺度分割法,综合考虑地物在遥感影像上的光谱、形状和纹理特征,建立多种地物提取规则。通过模糊函数、支持向量机(SVM)和阈值法对研究区的土地覆被进行分类提取,并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明:①研究区土地覆被分类的总体精度为97%,Kappa系数为0.96,分类精度较高;②基于10 m分辨率影像,综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果,道路提取Kappa系数为0.84;③分类结果在面积和空间分布上都优于FROM-GLC10数据,与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征,分类精度高,对于处理高分辨率遥感数据具有很好的优势。     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

基于多样性特征协同技术的飓风前后森林破坏遥感监测

对被飓风破坏的森林进行变化监测与灾害评估是遥感技术的一个重要应用,遥感影像的特征信息提取对森林遥感监测的效果至关重要。多样性特征结合可以有效提高对森林变化的监测精度。然而,当前的空间信息如纹理特征的获取算法依旧保留着传统的固定式计算模式,一直面临着特征数量和邻域参考范围之间难以均衡的问题。为了解决以上问题,本文提出了基于多样性特征协同技术的飓风前后森林破坏遥感监测方法,首先计算出森林遥感影像变化前后的归一化植被指数差值和增强植被指数差值,并提出了基于复合窗口技术的来提取纹理特征,然后建立了多样性特性结合模型;其次提出了一种基于特征分离的旋转森林改进算法,最终,实现了内泽尔森林在暴风前后的高精度变化监测;另外,还测试了新模型在不同训练样本数量下的分类性能。实验结果表明,相对传统的基于光谱特征和单纯的纹理特征的变化监测方法,本文所提出的方法的整体精度、对变化区域和未变化区域的检测精度至多分别提高了3.68%、6.53%和3.46%。本文的研究方法可以有效提高森林变化监测的性能,为森林灾害评估与森林资源保护提供参考依据。     

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。     

基于卫星遥感的输油管廊沿线的地物识别研究

基于eCognition软件进行研究区域面向对象的信息提取,对研究区进行多尺度影像分割的实验,找到适合影像地物信息提取的尺度及参数、分类规则,并对研究区的影像数据进行验证,通过eCognition分类结果与传统分类和基于GBDT分类算法结果的对比,说明面向对象的特征提取算法更适用于几何信息和结构信息丰富的高分辨率图像.     

GF-2影像面向对象典型城区地物提取方法

国产高分遥感影像信息丰富,提供了精准的地物空间细节,深入研究高分数据处理及其提取城区地类目标信息的方法具有重要意义。本文以国产高分二号（GF-2）遥感影像为数据源,利用规则集的面向对象分类方法,通过ESP尺度分析工具选取得出最优分割尺度,建立各类地物的特征体系及分类规则,最终提取出研究区典型城区地物信息,并将之与传统基于像元的SVM监督分类结果作比较。结果表明：规则集的面向对象分类总体精度为92.23%,Kappa系数为0.9,比SVM监督分类有大幅度提高。对高分二号等高分辨率影像,面向对象的分类方法精度更高,图示效果更好,是城区地物提取的有效方法。