“高分五号”高光谱互花米草遥感识别与制图研究

基于高分五号卫星上搭载的世界上首个同时具有大刈幅、宽谱段的高光谱遥感载荷获取的遥感图像,以黄河三角洲滨海湿地为研究区,开展了对外来入侵物种互花米草的分类和制图。通过对比代表不同分类思想的SVM,SCM,ANN和MLC方法在全波段参与分类和特征波段分类中的结果,发现SVM分类方法在不同的数据中均能得到最好的分类效果,总体分类精度达到了94.23%。虽然利用特征波段的分类结果总体精度较全波段低(约3%),但更节省计算资源和计算时间。根据分类结果,在研究区内互花米草的分布面积达到了3 863.16 hm~2,占调查区域潮间带总面积的21.23%,但却占据了海岸线总长度的51.47%,其中121平台以北海岸线被100%占据,而该平台以南的海岸却几乎没有互花米草。结合现场调查数据和NDVI等植被指数的分析结果,发现互花米草的生长状态好坏与其淤泥底质的形成时间点相关,即越新形成的淤泥质潮滩上互花米草的长势越好,且好、中、差三种类型互花米草的面积比率是7∶4∶3,表明了该区域的互花米草仍有较为旺盛的生命力和入侵扩展能力。     

基于地物光谱可分性的CHRIS 高光谱影像波段选择及其分类应用

本文以黄河口湿地为研究区,应用覆盖该区域的CHRIS高光谱遥感影像,提出了一种基于地物光谱可分性的滨海湿地高光谱影像波段选择方法。该方法利用研究区的7种典型地物的110余条现场实测地物光谱曲线,通过分析比对地物两两之间的光谱可分度,确定地物类型之间的光谱可分区间,基于此选取CHRIS高光谱影像的地物分类特征波段,应用三种经典的监督分类方法(支持向量机法SVM、人工神经网络法ANN和光谱角制图法SAM)开展利用全波段的和利用本文方法选择特征波段的分类对比实验。结果表明:(1)基于光谱可分性特征波段的方法较全波段分类精度有所提高,其中ANN分类精度最高,为82.52%,较全波段分类精度提高了约为5.1%;(2)芦苇、水体、黄河水和裸滩4种地物的识别能力高,生产者精度都在80%以上;(3)碱蓬的用户精度提升最为明显,约在7%。     

微型DNA条形码在鱼类物种鉴定中的适用性研究

以台湾海峡11目38科66属85种355个鱼类样品为研究对象,选取线粒体COⅠ基因中长为313 bp的序列为微型条形码,探讨微型DNA条形码技术在鱼类分类鉴定中的适用性。共获取355条基因序列,序列中T、C、A、G碱基的平均含量占比分别为29.50%、30.10%、24.90%和15.50%;AT含量占比均高于50%。样品种内、种间、属间、科间和目间的K2P （Kimrua 2 Parameter）遗传距离分别为0.37%、18.10%、22.10%、25.40%和27.80%,遗传距离随着分类阶元的提高而增大,种间遗传距离是种内遗传距离的49倍,表明该微型DNA条形码可用于鱼类的分类鉴定,可有助于渔业资源调查和生物多样性保护。     

海底声学底质分类的ELM-AdaBoost方法

基于自适应增强算法（AdaBoost）结合极限学习机（ELM）,通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性。以珠江口海区侧扫声呐图像为实验数据,对礁石、砂、泥3类典型底质进行分类识别,该方法的平均分类精度超过90%,优于单一ELM分类器的平均分类精度85.95%,也优于LVQ、BP等传统分类器,且在分类所耗时间上也远少于传统分类器。实验结果表明,本文构建的ELM-AdaBoost方法可有效应用于海底声学底质分类,可满足实时底质分类的需求。     

埕岛油田海域沉积物沉积分类向工程分类的转化研究

通过对埕岛海域长期以来的海洋沉积物工程分类样品进行分析,发现并总结了黏粒质量分数与塑性指数之间存在的关系。在一定程度下,只利用沉积物的粒级组分就可进行工程分类。研究发现:粉土与粉质黏土的黏粒质量分数界限为20%,粉质黏土与黏土的黏粒质量分数界限35%。使用该分类界限,在研究区只使用粒度对沉积物的工程分类命名准确率可达90%以上,做出沉积物分布图准确率在80%以上。     

一种融合纹理特征与NDVI的随机森林海冰精细分类方法

海冰的精准分类对于掌握海冰生长发育状况,保障航海安全等具有重要意义。由于受数据源和分类方法等影响,使得海冰分类精度提高受限。本文面向高空间分辨率的光学遥感影像,提出了一种融合纹理特征和归一化差分植被指数（NDVI）的海冰精准分类方法,运用随机森林分类器构建海冰分类方法。以青岛胶州湾为实验区,高分二号（GF-2）为实验数据,进行了海冰类型提取,并与其他分类方法进行对比。结果显示:针对GF-2高分辨率光学遥感数据,融合纹理特征和NDVI的随机森林方法,相比于传统的随机森林、支持向量机、自动决策树和融合纹理特征的最大似然分类方法,总体分类精度分别提高13.70%、11.60%、19.22%、29.37%。Kappa系数分别提高0.16、0.13、0.22、0.44。相比于融合纹理特征和归一化水指数（NDWI）的随机森林方法,总体分类精度提高了9.67%,Kappa系数提高了0.09。这表明本文构建的海冰分类方法可有效提高海冰分类精度,为海冰的精确分类提供了一种有效的技术手段。     

基于弹性网回归的水下目标无监督特征选择算法

针对水声数据的特征中含有大量冗余、不相关和噪声特征,导致水声目标识别正确率降低的问题,提出了一种新的水下目标特征选择方法——基于弹性网回归的无监督特征选择算法(Unsupervised fea- ture selection algorithm based on elastic-net regression,UFSER)。 该算法利用谱回归得到高维水声数据和其低维表示之间的回归系数矩阵,并且在回归框架中加入弹性网惩罚项优化求解回归系数矩阵;最后,对回归系数矩阵进行稀疏化从而对特征的分类性能进行评价。 使用实测水声数据集和 UCI 声呐数据集进行特征选择和 SVM 分类实验。 实验结果表明：在特征数目分别减少 60.6%和 60%的情况下,分类识别正确率较特征选择前提升了 1.05%和 6.6%。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例

本文基于CHRIS高光谱遥感影像,发展了一种结合地物光谱特征和多纹理空间特征信息,采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类,并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据,联合光谱特征和K-L变换的纹理特征信息,采用DCNN模型方法展现了高的分类精度,精度高达99%;2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%,相比于使用全纹理特征信息的精度提高了4.15%;3）基于验证图像,发展的DCNN分类方法精度优于其他算法,DCNN方法总体分类精度为84.64%,Kappa系数为0.80;4）相比于浅层分类方法,本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡,保持了主要地物类型的分类精度几乎不变,同时提高了滩涂和农田的精度。基于DCNN模型,潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。     

多光谱遥感影像的光谱规则分类算法修正及海岛、海岸带应用

在光谱规则分类算法(Spectral Rule-based Classifier, SRC)基础上考虑大气校正对遥感影像光谱反射率的影响,提出了一种改进光谱规则的分类算法(Modified Spectral Rule-based Classifier, MSRC),从地物光谱响应曲线和光谱指数两个方面来修正光谱规则集,通过规则细化和补充、阈值改正优化光谱类别。以珠江三角洲海岛(佳蓬、淇澳)和海岸带(荃湾、惠东)的Landsat 8影像作为实验数据,对比了大气校正前后波段反射率和地物光谱响应曲线,分析了改进后MSRC算法的地物分类结果和精度,并与原SRC算法、最小距离分类(MDC)算法、最大似然分类(MLC)算法、支持向量机分类(SVM)算法、神经网络分类(NNC)算法以及基于光谱指数的算法等多种地物分类算法进行比较。结果表明,4组实验数据的MSRC算法分类结果总体精度分别为87.66%、82.38%、77.67%和80.05%,高于SRC、MDC、MLC和基于光谱指数的分类算法,在无需人工标注训练数据集的前提下接近SVM和NNC算法的分类精度。MSRC算法适用于海岛和海岸带的Lands...     

基于光谱-空间联合Transformer模型的黄河三角洲湿地高光谱影像分类

黄河三角洲湿地地物类型在光谱曲线上差异较小,且在空间上分布零散,呈破碎化特性。现有的分类方法受限于局部感受野难以捕捉到图像的长距离依赖关系,导致在黄河三角洲湿地高光谱影像中分类精度不理想,针对此问题,本文提出了一种光谱-空间联合Transformer模型。光谱和空间支路分别以光谱向量和空间邻域为输入,基于自注意力机制提取全局光谱和空间特征,在两个支路引入多阶特征交互层,实现浅层边缘信息和深层语义信息的融合,最后采用自适应相加的方式将两路特征融合,送入分类器实现最终分类。本文在黄河三角洲湿地高分五号GF-5和CHRIS两幅高光谱影像上验证方法的有效性,实验结果表明,该方法显著提高了湿地分类的精度,在选用3%的样本训练条件下总体精度分别达到了90.90%和94.17%,优于其他分类方法。研究结果可实现黄河三角洲湿地地物类型的高精度分类,为湿地的保护提供技术支持。     

粤西海域水质评价方法的研究及应用

针对海洋水质评价问题,建立了一套先利用主成分分析法明确各水质指标权重关系,继而参考权重关系依照海水水质分类标准建立分类样本,最终通过判别分析方法建立判别函数实现水体自动分类的方案。该方案在粤西海域,水体分类回判符合率达到91.4%。依据自动分类结果绘制了粤西海域2008—2010年水体分布专题图,为粤西海域环境污染防治提供了决策依据。     

基于资源三号的雷州湾红树林分类研究

基于面向对象的分类方法,不同参数组合会对红树林分类精度产生影响。以雷州半岛东岸附城镇沿海一带为研究区域,探索最优的参数组合以实现红树林的精确分类。利用资源三号(ZY-3)高分影像,基于图像光谱、形状和空间关系特征,对红树林进行分层次提取。结合红树林种类的光谱、空间特征差异,对比分析面向对象方法下不同因子、分割尺度及分类器对应下的分类精度,得出该研究区红树林树种在面向对象分类方法中的最优参数组合。结果表明:基于形状因子0.6+紧致度因子0.6、分割尺度为46的条件下,随机树分类器能有效区分无瓣海桑、白骨壤和秋茄三种红树林,总体精度为87.55%,Kappa系数为0.81。     

基于SVM的海底声纳图像底质识别*

对海底底质声纳图像分割,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,优化支持向量机(SVM)参数.利用多分类 SVM 对砂、礁石、泥进行训练,有效、快速地分离出了3种底质类型,测试精度高于80%,表明该方法可有效用于海底底质声纳图像的识别和分类.     

黄河口湿地典型地物类型高光谱分类方法

黄河口湿地地物类型具有复杂多样的特点,本文将线性光谱混合分析模型与归一化植被指数(NDVI)和归一化水体指数(NDWI)相结合,建立了一种新的滨海湿地遥感影像分类方法;开展了基于CHRIS高光谱影像的黄河口湿地芦苇、柽柳、碱蓬、大米草、潮滩和水体6种典型地物分类实验,整体分类精度为77.33%,Kappa 系数为 0.71,与经典的最大似然分类(MLC)方法相比较,整体分类精度提高1.6%,Kappa 系数提高0.02,尤其是芦苇、碱蓬、大米草和潮滩的分类精度明显提高。     

基于多波束背向散射数据的海底底质分类

基于精细处理后的多波束数据生成背向散射影像图,利用灰度纹理共生阵提取影像纹理特征参数,采用支持向量机的神经网络(SVM)对背向散射影像进行底质分类研究。通过实测大面积、海量数据对该方法进行评价和验证,结果表明,该方法可获得比传统分类方法更高的分类精度,这种面状的分类弥补了传统点状分类的缺陷,使得大规模、大范围、高效快速的海底底质分类成为可能,为海洋地质调查、海洋工程建设、海底矿产资源开发等提供一种新型的科学的技术方法和可靠的地质基础资料。     

黄河口鱼类群落分类学多样性的研究

根据2013-2014年在黄河口水域进行的7个航次的鱼类资源底拖网调查数据,应用分类多样性指数分析了黄河口水域鱼类群落生物多样性的时空变化。黄河口鱼类主名录的平均分类差异指数△+理论平均值为75.5。2013-2014年调查中,该水域共捕获鱼类51种,隶属10目、27科、43属,以鲈形目、鲱形目和鲉形目鱼类居多。本次调查中鱼类群落分类多样性指数△和分类差异指数△*月变化范围分别为39.98~65.48和59.15~75.54,均表现为夏季月份最高,春、秋季月份次之,冬季最低。除春季月份外,其他月份鱼类平均分类差异指数△+均显著低于黄河口鱼类主名录的△+理论平均值。不同月份中平均分类差异指数△+也呈现一定的空间变化,夏、秋季月份绝大部分站位平均分类差异指数处于95%置信范围内,春、冬季月份个别站位的平均分类差异指数显著低于理论平均值,这与这些站位绝大多数种类集中在鲈形目有关。黄河口水域鱼类分类学多样性具有明显的时空变化,鱼类资源衰退,应加强该水域鱼类资源养护和多样性保护。     

海域使用遥感分类体系设计研究

文章基于海域使用行政管理对遥感监测的信息需求,根据遥感信息提取原理和现行海域使用动态监测系统中遥感资料的监测能力,设计出一套针对遥感监测应用的海域使用分类体系。该分类体系分两个层次:一是用海地物分类及指标;二是海域使用分类及指标,包括用海类型、用海方式和用海动态的分类及指标。该分类体系的应用,有助于构建海域使用动态监测系统中的遥感分类业务化流程,规范对遥感监测目标的界定。     

基于高分辨率遥感的珊瑚礁地貌单元体系构建和分类方法—以8波段Worldview-2影像为例

珊瑚礁生态系统是全球初级生产力最高的生态系统之一, 在维持海洋生物多样性、防浪固滩、资源供给等方面发挥着巨大作用。珊瑚礁遥感地貌分类体系是珊瑚礁保护、管理及可持续发展的必要基础, 但目前还未有结合珊瑚覆盖度进行分类的体系。本文基于WorldView-2高分辨率遥感影像, 以中国南海西沙群岛七连屿北部赵述岛和西沙洲所在礁盘作为研究区, 结合珊瑚覆盖度、区域地貌成分和水动力条件等指标, 建立了既适用于遥感监测又与珊瑚生存状况相关联的珊瑚礁地貌单元分类体系。同时, 利用面向对象的支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)分类方法进行珊瑚礁地貌单元的信息提取, 并对分类结果进行精度评价。结果表明, SVM和RF两种分类方法均能较好地提取出珊瑚礁地貌单元, 分类精度分别为87.59%和79.81%。针对分类过程中出现的错分、漏分问题, 结合珊瑚礁成因和分布规律对分类结果进行修正, 修正后分类提取的精度达到91.3%, Kappa系数为0.9041, 表明本文构建的珊瑚礁地貌单元分类体系在一定程度上能满足当前珊瑚岛礁信息提取的需要。     

基于LIBSVM的石油录井中岩屑岩性识别方法研究

针对在PDC钻头条件下石油录井过程中的岩屑岩性难以用肉眼识别,以及传统分类器准确率低的问题,该文利用和差直方图变换、傅里叶变换、Gabor变换3种不同的岩屑图像特征提取技术,将岩屑样品进行特征提取,并设定LIBSVM分类器的分类参数,根据得到的岩性识别率的高低来确定最优的参数组合。结果表明,SVM设置类型上选择NU_SVC、核函数选择RBF、分类参数gamma设置为0.1、nu设置为0.11的参数组合可获得较高的岩性识别率。其中采用Gabor特征提取方式和LIBSVM分类器对现场岩屑样品进行测试,获得的岩性识别率最高,对现场泥岩和砂岩的平均识别率分别为95%和90%。与神经网络分类器分类结果比较,该方法能更好地分析岩屑的岩性,可望在现场得以推广应用。