基于随机森林特征选择的森林类型分类

以八面通林业局林场为研究区,选取多时相高分一号WFV影像,提取遥感特征构建多时相特征集合,根据归一化特征重要性排序选出最优特征子集,用随机森林法实现森林类型分类。结果表明:多时相影像的总精度较单时相影像提高了7.95%-15.13%;除纹理特征外,光谱特征结合其他类型特征的分类精度均高于光谱特征分类;基于随机森林特征选择的分类精度最高,利用24个特征进行分类时,分类精度达到83.97%,Kappa系数为0.7749,说明特征选择可降低数据冗余提高精度。     

城镇扩张遥感动态监测的方法研究

利用遥感技术动态监测城镇扩展己成为一个重要的研究领域和应用方向。本论文基于多源多时相遥感影像和地形数据,以福建漳州市区为示范区,探讨城镇建筑用地扩张遥感动态监测的方法。作者认为基于ASTER影像,综合利用非监督分类、多时相植被指数、城镇建筑用地的地形分布等知识建立分类决策规则,可以有效提取城镇建筑用地信息,准确度不低于90%。同时提出利用城镇建筑用地时空分布知识、多时相植被指数知识,改进TM三指数城镇建筑用地提取方法的思路,最终提取的城镇建筑用地信息满足城镇建筑用地动态变化分析的精度要求。     

应用迁移学习的林火烈度初始评估研究

林火发生后,开展森林生态系统烈度信息的初始评估,能够为灾后生态修复管理措施的快速实施提供定量依据。为了改善传统林火烈度评估模型的时效性,本研究利用历史过火区域的实地调查数据,构建基于迁移学习的烈度评估模型,并将其应用于2020年3月30日发生的西昌泸山森林大火烈度初始评估研究中。研究结果表明：迁移学习算法能够将源区域和目标区域的遥感影像光谱转换为多个新的特征变量,在这些新特征变量构成的投影空间中,源区域和目标区域样本具有相似的特征分布。在此基础上,基于源区域历史实地调查数据构建的烈度评估模型,能够迁移应用于目标区域的烈度评估。在本研究林火烈度的初始评估中,基于迁移学习的烈度评估模型精度较高,总体精度为71.20%,Kappa系数为0.64。与该模型对比,未进行迁移学习的支持向量回归模型精度较低,其总体精度为58.00%,Kappa系数为0.48。同时,基于dNDVI、dLST和dNBR指数的经验回归模型精度最低,其总体精度分别为：20.80%、34.8%和24.80%,Kappa系数分别为：0.01、0.19和0.06。本研究可为林火灾后管理措施的快速响应,提供一种新的思路和参考。     

基于多源国产高分卫星时空信息的米级分辨率耕地提取

及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像,难以满足耕地破碎,农作物种植模式复杂的区域精度需求。基于此,本研究通过协同国产高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）卫星影像,探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础,通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet (Cropland Extraction UNet)模型,以充分挖掘耕地的时相特征和空间几何特征。同时,将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割（UNet＿m）、基于UNet和单时相高分辨率影像的语义分割（UNet＿s）、基于对象的随机森林分类（OBIA）、基于像元的随机森林分类（RF）提取的耕地结果展开对比,分析所提出的方法在不同区域的适宜性。结果表明,基于CEUNet模型提取的米级耕地总体精度达到92.92%,且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相...     

基于夜间灯光数据的南京城镇用地提取

针对多时相夜间灯光影像无法直接对比的问题,该文提出了一种基于不变目标进行不同年份不同卫星夜间灯光数据的校正方法。在系统校正多时相夜间灯光数据的基础上,应用支持向量机分类算法提取城镇用地信息,并分析1992—2013年南京城镇扩张动态变化规律。结果表明:该数据校正方法可以有效减少年际夜间灯光影像之间的异常差异,提高不同年份数据间的连续性和可比较性;支持向量机分类算法提取的4个样区城镇用地信息总体精度和Kappa系数平均值分别为88.35%和0.56,能够准确反映区域城镇发展的实际情况;1992—2013年南京城镇经历先缓慢后快速的扩张过程,主城区在1992年城镇基础上往四周扩张,并沿长江及南北交通走廊发展。     

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。     

基于深度学习的遥感影像地物目标检测和轮廓提取一体化模型

随着遥感影像的分辨率不断提升,基于可见光遥感影像地物目标检测和轮廓提取的研究越来越受到关注。基于深度学习的方法提出一个利用遥感影像进行地物目标检测和轮廓提取的一体化模型,旨在解决遥感影像地物目标检测和轮廓提取中繁复的手工标注和传统算法效果不佳的难题。以船舶为研究对象,在HRSC2016遥感数据集上进行验证,单类目标检测精度可以达到79.50%,4类目标检测精度为63.45%,轮廓提取精度可以达到97.40%。结果证明,提出的模型可以实现基于遥感影像的自动化、智能化的船舶目标轮廓提取。     

迁移学习用于多时相极化SAR影像的水体提取

基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。     

基于深度学习的高分辨率遥感影像光伏用地提取

近年来我国光伏产业发展迅猛,随之也产生了诸多用地问题,通过遥感技术提取光伏用地,监测光伏用地分布与用地状况,对于光伏产业健康发展具有重要意义。本文提出一套基于深度学习方法的高分辨率遥感影像光伏用地自动提取方法,该方法利用GF-1等卫星影像和Google Earth影像构建光伏用地样本,基于ResNeSt-50作为骨干网络的DeepLab V3+模型实现深度学习语义分割算法,并结合计算机图形学方法对深度学习结果进行后处理,实现了面向高分辨率遥感影像较通用的且高精度的光伏用地自动提取。该方法的深度学习模型验证精度mIoU值达0.899 2,提取结果具有良好的边缘精度且具有广泛的适用性,支持GF-1、ZY-3、GF-6、GF-2和Google Earth等影像。     

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。     

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CNN模型的遥感影像液气贮存设备识别

基于卷积神经网络（CNN）进行遥感影像液气贮存设备提取。基于0.3 m、0.5 m、2.1 m分辨率的多源遥感影像,通过训练CNN模型来提取液气贮存设备,检测精度F值分别为0.78、0.77和0.36;基于0.3 m、0.5 m、1 m分辨率的无人机影像,训练得到不同的CNN模型,迁移学习至0.8 m分辨率的高分影像上进行液气贮存设备识别,检测精度F值分别为0.08、0.73和0.71。结果表明,CNN模型可有效提取液气贮存设备,且训练样本包含的信息越均一,识别精度越高;CNN模型对多源遥感影像具有较好的迁移学习能力,在遥感影像典型目标识别与提取方面具有较好的应用前景。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

卷积神经网络迁移的高分影像场景分类学习

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于Image Net预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。     

面向森林高度提取的光学多角度立体观测影像模拟

森林冠层高度是森林生态系统植被碳储量的重要指示因子之一。已有研究表明光学多角度立体观测(即摄影测量)数据具备森林冠层高度提取的潜力,然而光学影像容易受到云、雨等天气因素的影响,区域高精度森林冠层高度制图必需依靠多星多时相数据融合才能实现。现有星载摄影测量系统获取的影像分辨率和观测角度差异较大,系统研究影像分辨率和观测角度变化对多角度立体观测点云垂直分布的影响规律,是实现多星多时相数据融合的前提。森林光学多角度立体观测模型是开展该研究的有效理论工具,但现有“森林光学多角度立体观测模型(LandStereo)”仅具备沿轨前后视立体观测影像模拟能力,无法用于WorldView等侧视立体观测影像的模拟分析。因此,本文对LandStereo模型进行了改进,使模型具备林区任意指定观测角度的影像模拟能力,进而利用改进后的模型对正视、正侧视和斜侧视等典型观测角度影像进行了模拟,并对不同观测角度组合构成的立体像对森林高度的提取精度进行了分析。结果表明,改进后的模型能够用于刻画森林冠层多角度立体特征,观测角度的变化是利用立体像对提取森林冠层高度精度的重要影响因素。本文为系统研究林区任意角度组合的多角度立体...     

Landsat-8多时相遥感影像亚热带森林分类

森林类型遥感影像自动制图在森林资源调查中有重要应用,本文以广西壮族自治区金秀县为研究区,基于多时相的Landsat-8数据,采用面向对象的决策树分类方法,对研究区森林类型自动识别进行了研究,分类结果表明:1)单一时相影像森林分类精度中,生长季前期最高,生长季末期次之,非生长季最冷月最低;2)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高。     

深度学习在高分辨率遥感影像冬油菜提取中的应用

近年来,深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征,提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域,获取油菜盛花时期高分一号（GF-1）影像,并以沙洋县为基础影像,通过手工标记制作油菜训练样本。设计两种深度学习框架模型,一种以卷积神经网络（CNN）为框架,构建一维卷积神经网络（1D-CNN）模型,第二种以循环神经网络（RNN）为框架,组合门控循环单元（GRU）模型,训练标准样本模型,完成油菜分类提取。最后,与传统支持向量机（SVM）、随机森林（RF）方法进行了结果对比。试验结果表明,本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法,为进一步实现冬油菜提取自动化提供试验基础。