兼容多源数据的森林湿地信息提取和比较分析

针对以光谱特征差异为依据,提取森林湿地信息精度低的问题,该文采用兼容多源数据的分类回归树(CART)提取方法,并以大沾河国家森林湿地进行实证研究。基于Landsat8遥感数据、Radarsat-2极化雷达数据和地形辅助数据,采用SPM软件分别构建3种特征变量组合的CART决策树模型,并获取分类规则,最后根据规则对研究区的森林湿地信息进行提取。结果表明:3种特征变量组合中,兼容光谱、纹理、雷达与地形辅助数据的CART决策树的森林湿地信息提取精度最高,用户精度和制图精度分别达到了88.46%和82.14%。研究结果体现了雷达数据与地形辅助数据有助于提取森林湿地信息。     

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。     

基于Sentinel-2的潮间红树林提取方法

位于潮间带的红树林可能在高潮时被海水淹没的特点,使得传统的植被提取方法在红树林信息提取方面存在局限性。本文在对比分析了出露的红树林、高潮水位淹没的红树林、海水水体的光谱特征后,提出了一种利用归一化潮间红树林指数（NIMI）提取潮间带红树林的方法。该指数是由植被强吸收的红波段,强反射的两个红边波段和近红外波段组成的归一化表达式。利用该指数对福建省龙海九龙江口湿地的红树林进行了分类提取,提取结果与高分二号影像目视验证和现场调查结果进行了对照。结果显示,该方法提取红树林的用户精度达到93.98%,并显著优于利用归一化水体指数（NDWI）、归一化植被指数（NDVI）及随机森林的结果。     

WorldView-2纹理的森林地上生物量反演

使用高空间分辨率卫星WorldView-2的多光谱遥感影像,构建植被指数和纹理因子等遥感因子与森林地上生物量的关系方程,并计算模型估测精度和均方根误差,探索高分辨率数据的光谱与纹理信息在温带森林地上生物量估测应用中的潜力。以黑龙江省凉水自然保护区温带天然林及天然次生林为研究对象,通过灰度共生矩阵(GLCM)、灰度差分向量(GLDV)及和差直方图(SADH)对高分辨率遥感影像进行纹理信息提取,并利用外业调查的74个样地地上生物量与遥感因子建立参数估计模型。提取的遥感因子包括6种植被指数(比值植被指数RVI、差值植被指数DVI、规一化植被指数NDVI、增强植被指数EVI、土壤调节植被指数SAVI和修正的土壤调节植被指数MSAVI)以及3类纹理因子(GLCM、GLDV和SADH)。为避免特征变量个数较多对估测模型造成过拟合,利用随机森林算法对提取的遥感因子进行特征选择,将最优的特征变量输入模型参与建模估测。采用支持向量回归(SVR)进行生物量建模及验证,结果显示选入模型的和差直方图均值(sadh_mean)、灰度共生矩阵方差(glcm_var)和差值植被指数(DVI)等遥感因子对森林地上生物量有较好的解释效果;植被指数+纹理因子组合的模型获得较精确的AGB估算结果(R2=0.85,RMSE=42.30 t/ha),单独使用植被指数的模型精度则较低(R~2=0.69,RMSE=61.13 t/ha)。     

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。     

高寒湿地分类的遥感特征优选研究

高寒湿地是青藏高原重要的地表覆盖类型之一,对于水源涵养、调节气候、维护生物多样性等起着关键作用,准确及时获知高寒湿地的时空分布对于湿地的保护和管理十分必要。遥感分类特征优选对湿地制图具有关键性的作用。虽然像光谱特征、纹理特征、地形特征等均在已有研究中有涉及,但鲜有研究聚焦光谱指数特征,深入探讨其数理统计特征和特征优选方法。本研究以甘肃首曲高寒湿地保护区为研究区,基于Sentinel-2数据得到各分类特征(光谱、植被指数、红边指数和水体指数),采用Filter和Wrapper特征选择方法包括Jeffries-Matusita距离、光谱角距离(SAD)、欧氏距离(ED)、RF-RFE算法和Relief-F算法对上述特征进行优选,并利用Filter方法的Z检验进行量化评价。研究表明:(1)所有参与分类的类别中,河流与裸地最容易区分,其次为草原与沼泽,沼泽化草甸与草甸较为难分。对沼泽、沼泽化草甸、草甸、草原邻近两类可尝试MCARI2、NDWI、DVI、EVI、EWI、IRECI、MCARI、TCARI、UGWI指数进行区分;(2)就不同指数特征对湿地信息提取贡献程度而言,水体指数特征>植...     

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。     

高分六号宽幅多光谱数据人工林类型分类

高分六号(GF-6)卫星于2018年成功发射,2019-03正式投入使用。由于GF-6宽幅相机的WFV(Wide Field of View)影像较GF-1的同类影像新增2个红边波段,将会提高对农业、林业、草原等资源监测能力。为了分析GF-6的WFV影像在人工林分类方面的能力,促进高分数据在林业领域的应用,本文选取广西高峰林场为研究区,以最新的GF-6 WFV影像为数据源,结合地面实测类型数据,进行广西南宁高峰林场的桉树,杉木等人工林类型提取。主要运用随机森林(random forests)的分层分类法:首先计算6种植被指数,并利用随机森林法进行植被指数的特征优选,然后确定4种波段组合数据集的分类方案,4种数据集分别为(1)无红边的前4个波段,(2)有红边的8个波段,(3) 8个波段加上未优化的植被指数特征组合,(4) 8个波段加上优化的植被指数特征组合。再进行WFV影像4种数据集的随机森林分类,随机森林采用分类回归树(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。最后比较4个方案的分类结果并进行精度验证。结果表明:方案2比方案1精度提高了4.99%,Kappa系数提高了0.058。说明包含红边的8波段数据比4个波段数据精度有大幅提升。方案4的8波段加上优化植被指数特征组合的分类精度最高,达到了85.38%,比方案2包含红边波段组和方案1无红边波段组的精度分别提高了3.98%,8.97%,Kappa系数分别提高了0.046,0.104。说明WFV影像加入红边波段比无红边波段精度明显增高。由结果可知,红边指数的引入,增强了植被信息,能够较准确地反映人工林类型特征差异,明显提升了人工林的分类精度。本研究方法可以有效改善广西人工林类型信息提取效果,为GF-6影像质量的评价及其在林业应用潜力提供科学参考依据。     

Sentinel-2A数据支持下的雷州半岛植被类型识别

本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。     

联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取

湿地是地球上最重要的生态系统之一,在维持全球生态环境安全等方面发挥着举足轻重的作用.由于湿地独特的水文特征,传统的湿地监测需要耗费大量的人力和财力,对于大尺度的湿地信息提取更是困难重重.随着大数据和云计算的兴起,为大尺度和长时间序列的空间数据处理提供了契机.本文基于Google Earth Engine(GEE)云平台...     

面向对象的无人机遥感影像岩溶湿地植被遥感识别

以广西桂林会仙喀斯特国家湿地公园为研究区,以无人机航摄影像为数据源,综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明:针对不同特征变量对岩溶湿地遥感识别的贡献率而言,光谱特征(DOM>DSM)>纹理特征(DOM>DSM)>几何特征>上下文变量;两个航摄影像数据集的总体分类精度都在85%以上,Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。     

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。     

黄河三角洲地区GF-3雷达数据与Sentinel-2多光谱数据湿地协同分类研究

黄河三角洲湿地的动态变化监测对湿地资源合理利用、开发保护具有重要意义。采用C波段全极化高分三号（GF-3）合成孔径雷达数据与欧洲空间局哨兵二号（Sentinel-2B）多光谱数据,分析了黄河三角洲湿地7类地物的光谱、指数、极化散射以及纹理等特征信息,分别基于最大似然法（maximum likelihood,ML）、决策树（decision tree,DT）、支持向量机（support vector machine,SVM）方法实现了有监督分类,评估了两者协同与单独应用于湿地地物分类与识别的能力,结果表明,两者协同分类时,其总体精度分别可达90.4%、95.4%、95.7%,均明显高于两者单独分类的结果,证明了GF-3雷达数据与多光谱数据在湿地协同分类方面的可靠性和应用潜力。     

GF-6影像应用于林地与非林地识别的潜力分析

为研究我国首颗携带红边波段的高分六影像(GF-6)在林地与非林地上的识别贡献,本文选择复杂林地类型的安徽省黄山市作为研究区,采用特征优选(RFE)与随机森林(RF)相结合的方法开展了林地与非林地识别潜力研究。首先根据实地调查、Google Earth影像及林地"一张图"样本数据构建了样本库;然后基于DEM、多时相光谱特征、植被指数、红边指数等特征开展分类,并比较不同模型精度及不同变量的重要度。结果表明:GF-6红边信息对林地非林地识别较为重要,引入红边信息可将总体分类精度提升2%,其他新增波段及地形特征对林地与非林地识别贡献并不明显;多时相数据的运用相比单时相数据可整体提高林地类型的分类精度2.93%～4.1%,单时相分类结果 6月最好,9月次之,12月最差;特征优选可以有效减少数据输入维数(46到15),并取得最高分类精度,在不牺牲精度的同时保证了运算数据量的减少且明确了不同变量的贡献,具有较强的应用意义。