基于Sentinel-2A的红树林提取机器学习方法比较

红树林和生态环境保护、生态平衡和生物多样性息息相关。使用Sentinel-2A数据获取海南省东寨港红树林保护区的遥感影像,对数据进行预处理,提取光谱特征、纹理特征和湿度特征,基于K近邻（K-nearest neighbor,KNN）、随机森林（random forest,RF）、决策树、支持向量机（support vector machine,SVM）和反向传播神经网络（back propagation neural network,BPNN）方法,通过多次实验提取出海南省东寨港红树林区域,并探讨了机器学习方法中不同类型分类器在提取红树林过程中的优缺点。结果表明：(1)Sentinel-2A的Band8A、Band11、Band12波段组合能够较好突出红树林特征,结合湿度特征和纹理特征可以提高红树林的分类精度;(2)基于机器学习方法能够准确提取红树林区域,其中,SVM分类精度最高,达到92.31%,BPNN、RF分类精度分别为88.46%、90.38%,Kappa系数表明分类结果具有良好的一致性;(3)比较不同机器学习方法对红树林的分类效果,发现SVM和BPNN等非线性方法能提取出更准...     

结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

由于湿地类别多样且结构复杂,湿地遥感分类工作极具挑战性。本文以珠江口滨海湿地为研究区,基于珠海一号高光谱影像获取的光谱特征、形状特征、纹理特征和指数特征构建优选特征集,采用极端梯度提升(XGBoost)算法和面向对象技术提取湿地类型和空间分布,并对比分析基于支持向量机(SVM)算法和随机森林(RF)算法的湿地分类结果。结果表明：(1)珠海一号高光谱影像能够有效应用于湿地分类,且光谱特征在湿地分类中发挥了重要作用;(2)使用的机器学习算法中XGBoost算法的湿地分类效果最佳,总体精度为87.2%,Kappa系数为0.84;(3)优选的影像特征能够保证更高的湿地类型识别精度,验证了特征筛选有助于提高分类效果。本文发展了一种基于珠海一号高光谱影像和集成学习的大区域湿地类型识别方法,可为湿地资源调查提供有效的技术参考,服务于湿地的保护与开发利用。     

基于GEE和机器学习的不透水面提取研究——以成渝地区为例

随着城镇建成区范围不断扩大，不透水面面积急剧扩张，对区域生态和经济产生严重影响，对不透水面的快速、准确识别显得尤为重要。文中以成渝地区双城经济圈的两大核心城市为研究对象，基于GEE云平台和Landsat 8影像，构建光谱波段、光谱指数和纹理指数的分类特征，利用最小距离(MD)、分类回归树(CART)、支持向量机(SVM)、随机森林(RF)和朴素贝叶斯(NB)5种机器学习算法，提取不透水面信息。结果表明，RF算法效果最好，提取结果与实际最相符，CART和SVM算法精度差异不大。本研究可为不透水面提取提供方法和技术参考。     

顾及GF-3影像纹理特征的洪涝范围提取方法

洪涝灾害给社会、经济造成巨大损失,及时、快速监测洪涝范围在抗灾救灾中具有重要意义。合成孔径雷达(SAR)由于其主动式微波成像的机理,可为全天时、全天候、大范围洪涝灾害监测提供支持。本文首先以高分三号(GF-3)卫星影像为数据源,基于灰度共生矩阵(GLCM)、局部二值模式(LBP)等6种纹理描述方法提取138个SAR影像纹理特征;然后利用随机森林(RF)指标重要性评估功能,筛选出重要性得分较高的纹理特征进行水体信息提取;最后结合数学形态学对初始水体提取结果进行后处理,评估安徽巢湖附近区域洪涝灾害。试验表明,本文方法的水体提取精度优于传统阈值法(Otsu)及分类算法(KNN和SVM),可有效提取洪涝灾害的影响范围,为选取合适的SAR影像纹理特征进行洪涝范围快速监测提供参考。     

一种高分辨率SAR影像道路提取方法

针对高分辨率SAR影像中细节信息损坏道路的面特征结构、影响道路提取,基于影像统计特征,给出一种结合区域生长和细节信息识别的道路提取方法。该方法通过区域生长提取呈现面特征的暗目标(道路框架),利用CFAR算法识别细节,通过形态学融合得到最终结果。为降低高分辨率影像区域异质性对提取结果影响,提出了一种自适应CFAR算法,相比之前算法可自适应删除干扰点;并引入有效表征影像统计的GA0分布。利用海南省陵水黎族自治县机载X波段高分辨率SAR数据的幅度影像进行实验,结果表明,该方法能有效提取呈面特征的道路,获得准确的道路宽度和中心线信息。     

集成互补不变特征的SAR影像自动配准

合成孔径雷达(synthetic aperture Radar,SAR)影像的精确配准是使用SAR影像准确分析矿区变形的前提。虽然目前已有的影像配准算法很多,但是直接应用于SAR影像配准的效果还不够理想。为此,提出了一种集成互补不变特征的配准方法。该方法首先利用Canny边缘检测算法对影像进行区域分割,利用获得的分割区域进行粗匹配,然后应用改进Canny边缘特征的SIFT算法进行精匹配,最终获得精确配准的SAR影像。该方法能够降低由单纯使用SIFT特征进行匹配所产生的巨大计算量。通过实验分析可知,该方法能够准确配准矿区SAR影像,为矿区变形分析和综合治理提供高质量的影像数据。     

基于稀疏特征的SAR影像质量提高方法

针对合成孔径雷达(SAR)数据分布的尖峰性和重尾性,通过研究SAR影像强度的分布规律,提出了基于稀疏特征的SAR影像质量提高方法。首先对SAR影像的基础数据进行压缩分布处理和稀疏先验分布处理,得到质量较好的灰度影像;再利用基于模糊理论的SAR影像对比度增强算法增强了SAR影像的自适应对比度,大幅提升SAR影像的显示效果;最后利用实测数据验证了该方法的有效性。     

基于Relief F-RFE特征优选的桉树人工林提取

针对信息冗余导致机器学习分类精度下降的问题,该文提出了一种结合Relief F和递归特征消除法(RFE)进行特征优选的桉树人工林面积提取方法。首先将Zhuhai-1和Sentinel-1卫星影像进行融合,通过结合Relief F和RFE进行特征优选,以减少信息冗余的影响。其次,基于光谱、红边指数、纹理特征、植被指数和后散射系数等特征,采用简单非迭代聚类(SNIC)面向对象和随机森林(RF)算法进行桉树人工林面积提取。最后,为验证Relief F-RFE模型在分类方面的性能表现,将其与无特征优选下基于Zhuhai-1和融合数据以及基于RF特征优选的分类结果进行对比分析。结果表明：利用Relief F-RFE优选特征能有效提高桉树人工林分类精度,总体精度达到96.43%,相比于无特征优选下基于Zhuhai-1和融合数据分类结果,总体精度分别提高14.95%和8.43%。在与RF特征选择方法进行对比时,总体精度有所增长,提高了7.55%。     

一种适用于山地的SAR影像配准方法

针对山地SAR影像配准难题,提出一种适用于山地的SAR影像配准方法。首先根据DEM数据采用距离-多普勒模型和经验公式生成模拟SAR影像,并创建与DEM地理坐标相一致的查找表;然后将与向量场一致性的点集匹配算法用于模拟SAR影像和真实SAR影像的匹配,间接获取真实SAR影像的特征点;最终实现山地地形SAR影像的精确配准。实验分别采用同一传感器和不同传感器的山地SAR影像数据进行验证。结果表明,该方法的配准精度比传统SAR影像配准方法有明显提高,能够有效解决山地SAR影像配准问题。     

基于TerraSAR-X全极化数据的北极地区海冰信息提取

北极地区海冰既受全球气候变化的影响,同时也影响着全球气候的变化,因此,北极地区已成为研究全球气候变化的热点区域之一。然而,由于北极地区环境恶劣,传统的实地勘测方法成本高,且难度较大。遥感技术,特别是合成孔径雷达(SAR)和全极化SAR技术的迅速发展,为北极地区海冰信息的提取提供了更加有效的数据获取方法。以TerraSAR-X全极化数据为基础,采用SEATH(separability and thresholds)面向对象影像分析方法,评估各种极化特征用于提取北极地区海冰信息的能力,并通过分类实验对其结果进行验证。研究表明:|VV|,T11和SPAN等极化特征对海冰具有较好的区分度,这将为大范围的北极地区海冰信息提取以及海冰监测卫星的参数设计提供理论基础。     

Detection of coffee berry necrosis by digital image processing of landsat 8 oli satellite imagery

Coffee berry necrosis is a fungal disease that, at a high level, significantly affects coffee productivity. With the advent of surface mapping satellites, it was possible to obtain information about the spectral signature of the crop on a time scale pertinent to the monitoring and detection of plant phenological changes. The objective of this paper was to define the best machine learning algorithm that is able to classify the incidence CBN as a function of Landsat 8 OLI images in different atmospheric correction methods. Landsat 8 OLI images were acquired at the dates closest to sampling anthracnose field data at three times corresponding to grain filling period and were submitted to atmospheric corrections by DOS, ATCOR, and 6SV methods. The images classified by the algorithms of machine learning, Random Forest, Multilayer Perceptron and Naive Bayes were tested 30 times in random sampling. Given the overall accuracy of each test, the algorithms were evaluated using the Friedman and Nemenyi tests to identify the statistical difference in the treatments. The obtained results indicated that the overall accuracy and the balanced accuracy index were on an average around 0.55 and 0.45, respectively, for the Naive Bayes and Multilayer Perceptron algorithms in the ATCOR atmospheric correction. According to the Friedman and Nemenyi tests, both algorithms were defined as the best classifiers. These results demonstrate that Landsat 8 OLI images were able to identify an incidence of the coffee berry necrosis by means of machine learning techniques, a fact that cannot be observed by the Pearson correlation.     

利用GLCM纹理分析的高分辨率SAR图像建筑区检测

根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%;随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。     

全极化SAR数据反演桥面高度

根据高分辨率SAR图像上建筑区的影像特征, 提出了基于灰度共生矩阵(gray-level cooccurrence Matrix, GLCM)纹理分析的建筑区提取方法, 该方法由初步定位和边界调整2个步骤组成, 均遵循特征计算、基于Bhattacharyya距离的特征选择和KNN分类流程, 所不同的是2个步骤中分别采用了逐块和逐点计算纹理特征的方式以兼顾纹理分析的效率和准确性。文中对不同SAR传感器获取的图像进行了实验。实验结果表明, 选用具有最大Bhattacharyya距离值的3或4个特征可以获得较好的初步定位结果, 建筑区的检测率超过80%, 虚警率低于10%;随着边界调整的进行, 检测到的建筑区边界逐渐接近于真实边界。实验结果验证了该算法的有效性。     

支撑向量机及其遥感影像空间特征提取和分类的应用研究

提出了基于支撑向量机（SVM）的遥感影像空间特征提取的新方法，并以SPOT全色波段影像上城市特征信息的提取为应用实例，并与人工神经网络（ANN）等特征提取方法进行综合比较，认为SVM方法不但能够获得比较高的分类精度，而且在学习速度、自适应能力、特征空间高维不限制、可表达性等方面具有优势。     

Fusion of HJ1B and ALOS PALSAR data for land cover classification using machine learning methods

Image classification from remote sensing is becoming increasingly urgent for monitoring environmental changes. Exploring effective algorithms to increase classification accuracy is critical. This paper explores the use of multispectral HJ1B and ALOS (Advanced Land Observing Satellite) PALSAR L-band (Phased Array type L-band Synthetic Aperture Radar) for land cover classification using learning-based algorithms. Pixel-based and object-based image analysis approaches for classifying HJ1B data and the HJ1B and ALOS/PALSAR fused-images were compared using two machine learning algorithms, support vector machine (SVM) and random forest (RF), to test which algorithm can achieve the best classification accuracy in arid and semiarid regions. The overall accuracies of the pixel-based (Fused data: 79.0%; HJ1B data: 81.46%) and object-based classifications (Fused data: 80.0%; HJ1B data: 76.9%) were relatively close when using the SVM classifier. The pixel-based classification achieved a high overall accuracy (85.5%) using the RF algorithm for classifying the fused data, whereas the RF classifier using the object-based image analysis produced a lower overall accuracy (70.2%). The study demonstrates that the pixel-based classification utilized fewer variables and performed relatively better than the object-based classification using HJ1B imagery and the fused data. Generally, the integration of the HJ1B and ALOS/PALSAR imagery can improve the overall accuracy of 5.7% using the pixel-based image analysis and RF classifier.     

几种典型机器学习算法在短临降雨预报分析研究

针对降雨过程中大气可降水量(PWV)和气象参数(温度(T)、湿度(U)、露点温度(T_d)、气压(P))特征变化情况,提出基于机器学习算法的短临降雨预报模型.以北京(BJFS)站和武汉(WUH2)站2020年的3 h天顶对流层延迟(ZTD)和气象数据为例,构建随机森林(RF)、支持向量机(SVM)、K近邻(KNN)、朴素贝叶斯分类器(NBC) 4种算法的预报模型,并引入各自时刻的降雨情况作为新的特征向量,分别采用70%和80%训练集的分割方式,降雨情况作为模型输出,并利用准确性、精确率和假负率评价模型的适用性.在取得准确性约0.92,精确率约80%,假负率约20%的结果下,进一步以时间序列年积日为第150—200天的数据为样本,对200—250天的降雨情况进行预报.实验结果表明:基于机器学习的短临降雨预报模型可以预报未来3 h 80%以上的降雨情况,且假负率在20%以下,其中SVM模型的综合性能更优.与传统的阈值模型相比,准确率相当,假负率降低约50%.     

基于混合式特征选择的高分五号影像农田识别

精准农田识别是农作物估产和粮食安全评估的基础。遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果。高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度。因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法。首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS（Sequential Backward Selection）方法搜索最优分类特征子集。本研究利用GF-5高光谱数据,共研究了3种降维方法（随机森林RF（Random Forest）、互信息MI（Multi-Information）和L1正则化（L1 regularization））和3种分类算法（随机森林、支持向量机SVM（Support Vector Machine）和K近邻KNN（K-Nearest Neighbor））的组合在农田分类中的表现。结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度。在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN。而RF在低维空间中的泛化能力要高于SVM和KNN。相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度。最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度（94.64%）和农田召回率（95.83%）。本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值。     

A new metric for measuring structure-preserving capability of despeckling of SAR images

In this paper, a new metric called despeckling structure loss (DSL) is proposed for performance assessment of despeckling algorithms with a focus on the preservation of structural features such as edges and textures. The ratio image of a synthetic aperture radar (SAR) image to its despeckled result can clearly indicate the loss of structural features caused by the despeckling process. By taking into account characteristics of the best and worst structure preservation in despeckling, the DSL metric examines the presence of structural features in ratio images by using local correlations between the ratio image and the noise-free reference image at edge points. The DSL is shown to be a monotonic function of structure loss bounded between the best and worst cases, leading an objective and quantitative measure of the structure-preserving capability of despeckling algorithms. Experimental evaluations of the proposed metric have been carried out on simulated SAR images including one generated by SAR raw signal simulator. Despeckled results using five typical algorithms clearly demonstrate the efficiency of the DSL metric. In comparison, the commonly used despeckling metrics including the signal-to-mean-square error ratio, the edge correlation index, the Pratt’s figure of merit, the structural similarity and the equivalent number of looks of ratio images, fail to keep a consistency with the structure loss shown in despeckled results as well as ratio images.     

TM与SAR图像融合多方法研究及其效果定量评价

本文针对TM多光谱与SAR高分辨率的特征,研究了彩色技术、数学运算和图像变换三类共11种融合算法,并基于ERDAS-SpatialModeler、ENVI-IDL和MATHLAB等技术分别实现这些算法。从信息量、清晰度和逼真度共四项指标出发,定量评价了各个方法融合方法的侧重点。利用极差变换法处理指标,建立综合评价模型,得出单方法RGB(0.75)法相对最优、Brovey(0.10)法最劣以及三类方法彩色技术(2.59)最优;图像变换(2.25)次之;算术运算(0.82)最不可取的结论。     

基于人工神经元网络技术的土地利用/覆盖变化探测

针对现有的一些土地利用／覆盖变化探测方法存在的某些不足,提出了利用人工神经元网络（antificial neural network,ANN)进行土地利用／覆盖变化探测的方法,并对ANN网络的输出输出,网络结构和不同的网络模型进行了深入研究,充分利用已有的基础地理信息和高分辨率遥感影像辅助选取了ANN训练样本,试验结果表明,利用ANN总体上可提高土地利用／覆盖变化探测效率。