随机森林分类的荆门市冬闲田提取

针对近年来冬闲田分布逐渐扩张的问题,该文提出了一种结合地表温度的冬闲田遥感提取方法。该文以Landsat 8遥感影像为数据源,利用随机森林和支持向量机的分类方法,结合地表温度因子,进行了湖北省荆门市2017年的冬闲田分布的调查。结果表明:荆门市各区县中心位置和山地区域冬闲田分布较少,丘陵梯田分布的地区冬闲田面积较大;同时考虑地表温度因子的情况下,相比于支持向量机提取方法,利用随机森林分类方法提取冬闲田取得了更好的精度。该研究说明了随机森林结合温度因素提取冬闲田可以获得较好的效果,是一种可行的冬闲田提取方法,可为合理开发利用冬闲田提供数据支撑。     

融合随机森林和超像素分割的建筑物自动提取

建筑物是城市空间的重要部分,建筑物信息的提取对基础地理空间数据库更新、城市规划、城市动态监测等具有重要意义.基于遥感影像数据提取建筑物信息具有非常广泛的应用,本文提出了一种基于随机森林和超像素分割算法,并从机载激光点云和数字航空影像数据中自动提取建筑物的方法.试验选取广州市海珠区某处为研究区域,结果表明:在一般的城市区...     

基于随机森林模型的建成区提取分析

本文以Landsat8遥感影像与珞珈一号夜间灯光数据,构建了地表温度、VANUI、SAVI、主成分分析的前三个主成分以及相应的纹理特征。本文以这些特征分量使用随机森林模型对建成区进行了提取,与支持向量机分类进行了对比分析,并对多源数据组合与单一数据源进行了比较。结果表明:基于随机森林模型的多源数据组合在建成区提取中,能有效地区分各地物,将建成区提取出来,分类效果较好。     

随机森林遥感信息提取研究进展及应用研究

随机森林算法已经应用于遥感影像信息提取领域,但鲜有对其应用发展的总结和归纳.本文介绍了随机森林分类方法的基本原理,并阐述其在多源遥感数据(多光谱数据、高光谱数据、SAR数据)信息提取以及分类数据集筛选中的应用研究,通过说明其在分类精度验证、模型可移植性以及算法改进等方面的研究进展,对随机森林分类方法在今后的发展进行了展望.该研究有助于初学者对随机森林分类方法进行初步了解,有一定的推广作用.     

城市建设用地遥感信息提取方法研究

本文利用CBERS-02B影像,通过分析各个地类的光谱特征,发现了长沙市城市建设用地和其他背景地物的区别,并在此基础上选取了土壤调节植被指数(SAVI)、归一化水体指数(NDWI)和比值居民地指数(RRI)作为三个指数波段,重新进行波段组合,从而减少了波段数据的冗余,最后采用最大似然法分类,提取出城市建设用地信息,其正确率达到85.6%。     

基于随机森林的WorldVew2i影像建筑物精细提取

针对研究区建筑物大小不一、排列复杂多样、颜色和材质差异较大的实际情况,提出了一种基于面向对象的城区高分辨率影像建筑物信息精细提取方法。该方法考虑了不同颜色建筑物之间以及建筑物与其他地物的特征差异,将建筑物细分为4种子类型,在对高分辨率影像进行分割的基础上,充分挖掘目标对象的光谱、几何、纹理信息等特征,利用随机森林算法对建筑物进行提取并对特征的重要性进行评估。结果发现,精细提取场景下的波段3比值、PCA3均值、PCA4均值、NDVI等特征的重要性较建筑物作为一个类别提取的常规方法出现了较为显著的上升,表明精细提取场景下的影像特征得到了更为充分的应用。使用该方法提取建筑物面积的用户精度和生产者精度较常规方法提高了12.16%和4.09%,为复杂情况下的高分辨率影像建筑物信息提取提供了新的途径。     

基于随机森林模型的岸线不透水面提取方法研究

以南京长江沿岸保护区域为研究对象,利用2016年和2019年两期Sentinel-2影像构造多种遥感指数;再利用随机森林模型进行不透水面信息提取。结果表明,2016年的总体精度为88.25%,Kappa系数为0.76;2019年的总体精度为90.51%,Kappa系数为0.80,说明该方法具有较好的精度,能准确反映不透水面的空间分布。结合提取结果进行时空变化分析发现,2016-2019年南京长江沿线不透水面整体呈减少趋势,总面积减少2.784 km²,年均减少0.928 km²,其中大部分是由工矿用地转化为绿地以及港口码头消失导致的。长江沿线的不透水面提取和变化检测分析有助于全面、细致和真实地监测河道岸线情况,对于南京市开展长江岸线研究以及开发长江岸线资源和可持续利用具有举足轻重的意义。     

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。     

应用高分二号提取二级类建设用地

为更好地利用国产遥感数据研究土地利用资源分布,基于面向对象和指数分类的方法,开展高分二号遥感影像建设用地二级类提取.实现了研究区居民点、仓储用地、工业用地、公共管理与公共服务用地及交通用地的提取,提取总精度达96.9％,Kappa系数达0.94.结果表明本研究方法可以较准确提取高分二号遥感数据的二级类建设用地,对国产数...     

基于遥感监测的建设用地自动提取模型应用

生态环境是构建宜居城市的重要指标。构建基于遥感监测的建设用地自动提取模型可快速获取建设用地现状,及时发现侵占山水资源的违规用地,有利于维护城市生态安全。以城市化程度较高的东莞市为例,结合传统的谱间阈值指数模型和混合像元分解模型自动提取建设用地。结果表明,建设用地的提取精度为91.36%,可满足生态保护中对建设用地进行快速全面监测的要求。     

利用多源领域知识迁移CA的城市建设用地模拟

目的 建立传统元胞自动机(CA)模型时,如果样本数量不足,模拟效果往往非常不理想。提出了多源领域知识迁移CA模型,利用多个已有的旧样本数据集来帮助建立新的CA模型,并选取广东省深圳市作为试验区验证了其有效性。试验结果表明,该模型在新样本数量不足的情况下能够明显改善模拟效果,并且有效减小产生负迁移现象的风险。     

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。     

迁移学习支持下的高分影像积云提取方法研究

针对传统影像质量检查工作中积云提取存在人工作业量大、操作烦琐等问题,本文通过引入迁移学习机制,将已有数据集训练过程中得到的神经网络参数迁移到解译模型构建中,提出了一种适用于积云的自动提取方法。本文以湖南省不动产统一登记基础数据为实验对象进行了实验,结果表明,本文方法的浓积云提取总体精度可以达到90%以上,淡积云提取的总体精度可以达到87.3%,表明本文研究可用于高分影像积云自动提取。     

基于AdaBoost算法的城镇建设用地遥感动态提取研究

利用2007年的上海地区CBERS影像,使用AdaBoost组合分类器,将基于影像地物光谱信息、纹理结构信息和基于决策树分类器的提取方法组合,以提高分类精度。实验结果显示,AdaBoost算法在提高城镇建设用地的分类精度上显著有效。     

基于影像与GIS数据的现状建设用地精细化提取

利用POI、建筑物等基础地理信息数据,基于高分辨率的遥感影像,借助Arc Map软件平台,对重庆市长寿区的现状城市建设用地分类情况进行了精细化提取,用以辅助城乡规划实施管理和违法建设情况监管。     

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。     

兴趣面数据和随机森林方法的城市功能区划分

针对传统城市功能区研究探索了利用兴趣点、遥感影像等数据进行城市功能区自动划分的方法,但分类精度仍有待进一步提高的问题,该文提出一种基于兴趣面数据和随机森林算法的城市功能区自动划分方法,首先对城市道路网络数据运用形态学运算方法自动构建交通分析区,然后从其区域内的兴趣区等多源数据中提取4类41项特征,最后结合地理国情普查数据和人工识别选取476个样本数据,构建基于随机森林分类器的城市功能区识别模型。结果表明,随机森林模型能够准确地识别城市功能区,识别模型预测精度为87.67%,支持向量机模型精度为83.71%,未引入兴趣面数据的模型精度为78.72%。利用上述模型对北京市内4 112个单元进行功能区识别,准确率达81.37%。该研究方法有较好的重复性和推广性,有助于对城市功能区进行定量、客观的研究。     

利用辐射传输模型和随机森林回归反演LAI

针对辐射传输模型与查找表结合反演叶面积指数的方法存在反演工作量大且反演速度缓慢的问题,提出利用辐射传输模型和随机森林组合模型对路域植被叶面积指数进行估算的方法。该模型定义一种辐射传输模型和随机森林回归模型结合反演叶面积指数的方法。以研究区实测高光谱数据和模拟光谱数据为数据源,在相关性分析和敏感性分析的基础上,选取适宜作为反演因子的植被指数,而后进行随机森林算法回归,反演得到预测叶面积指数。结果表明:基于辐射传输模型和随机森林算法反演的路域植被叶面积指数与实测结果一致,准确及时的反映路域植被叶面积指数信息,可以较好地应用在路域环境植被参数反演中。     

基于随机森林的遥感影像变化检测

随机森林是一种新兴的、高度灵活的机器学习算法,在预测和分类方面有着良好的稳定性,且算法性能要优于许多单预测器。鉴于此,本文提出了随机森林的遥感影像变化检测算法,利用熵率法对遥感影像进行超像素分割,获取最优分割结果;构建了基于随机森林的遥感影像变化检测模型,以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测,并将有决策树的投票作为最终的变化检测结果。试验结果表明,本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法,且总体正确率高,在算法时间上也明显优于其他算法。