结合随机森林的高分一号分类最优组合研究

选取高分一号(GF-1)PMS多光谱影像,提取该数据的指数、共生矩阵纹理等特征与原始多光谱影像叠加,对叠加后影像进行随机森林分类并提取各波段重要性系数。根据重要性系数进行最优波段组合初选择,在此基础上利用最佳指数法(OIF)选取土地覆盖分类最优波段组合,利用随机森林分类器对该组合进行土地覆盖分类,与传统的OIF最优波段选取结果进行分类精度对比。结果表明,提出的方法能够有效提取最优波段组合,最优波段组合为B2-B5-CON,与传统方法相比,在随机森林分类中总精度要高出20.49%。     

结合地形因子与分层策略的喀斯特地区无人机影像分类

西南喀斯特山区地形起伏较大,地物分布较为破碎,致使传统的光谱特征一次分类方法的精度较低。本文基于高分辨率无人机正射影像和地形指标,充分利用无人机遥感影像空间特征、光谱特征、纹理特征及地形特征,采取面向对象CART决策树算法与分层策略提取了研究区土地覆盖类型。研究表明,结合空间地形因子和分层策略的方法减少了破碎区地物间的相干扰,故具有较高的分类精度,总体分类精度达91.2%,Kappa系数为0.87,较传统一次分类精度提高了9.8%,Kappa系数提高了0.13。该方法对西南喀斯特地区土地覆盖解译精度较好,可为土地利用监测提供参考。     

面向对象和规则的高分辨率影像分类研究

随着航天遥感技术的发展,遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高,高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此,本文提出一种面向对象和规则的遥感影像数据的分类提取方法,即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识,建立影像对象多层次网络分割分类结构,实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象,采用面向对象和规则的影像分类方法进行验证试验,即综合采用均值方差法、最大面积法、精度比较法进行分析,选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明,采用面向对象规则分类方法对高分辨率影像进行分类,能使高分辨率影像分类结果近似于目视判读的结果,分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3;与面向对象SVM法相比,分别高出6.23%、0.078;与面向对象KNN法相比,分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%,比面向对象KNN法高出21.27%、14.97%。     

高精度地表覆盖数据优化分割的土地利用分类

针对土地利用类型多样、特征易混淆和高分辨率遥感影像信息海量、人工提取费时费力等问题,该文以北京二号卫星影像为数据源,采用高精度地表覆盖数据优化分割的面向对象分析方法、无地表覆盖数据辅助分类的面向对象分析方法,运用朴素贝叶斯、CART决策树、随机森林和K最邻近分类器,开展武功县土地利用分类,并对分类结果进行精度评估.结果 表明:①与无地表覆盖数据辅助分类方法相比,高精度地表覆盖数据优化分割的面向对象分类方法,在精度方面有较大的提升,其分类总体精度提高18.73％,Kappa系数提高0.21;②随机森林对于土地类型多样的影像对象具有较好的识别能力,获得较高的总体精度(95.3％)和Kappa系数(0.94).研究表明一种利用高精度地表覆盖数据优化影像分割的土地利用分类方法具有更好的可行性和鲁棒性.     

土地覆盖变化信息自适应抽样策略及其精度评估

提出了一种面向土地覆盖变化信息局域精度评估的自适应型抽样策略。结合待研究地图的土地覆盖变化信息局部特征（如土地覆盖变化类别、斑块大小、异质性和优势度）,探讨与土地覆盖变化信息精度显著相关的协变量,以预测精度的标准误差作为判断标准,识别需要提高精度预测结果可靠性的区域,以自适应地和逐步定位的方式进行样本采集。基于武汉地区的精度评价结果,自适应的抽取增加100个训练样本使得预测精度的确定系数提高了50.66%,而简单随机抽取的增加样本使得预测精度的确定系数提高了17.22%。试验表明,自适应型抽样策略能显著提高土地覆盖变化信息局域精度预测的抽样效益,减少预测精度的不确定性。模型选择的结果表明,土地覆盖变化类别和优势度指数是最优的协变量组合。     

基于真彩色高分辨遥感影像稀疏植被覆盖检测

以视觉注意机制和模糊ART网络模型为理论基础,提出基于HSV颜色模型的影像植被显著性算法,结合模糊ART网络模型和影像特征,对影像进行自组织、自适应分类,实现稀疏植被信息的自动化提取。实验结果表明,本文算法对真彩色影像中具有不同分布特性的稀疏植被的提取效果较好,植被提取总体精度皆在90%以上,同时具有较高的Kappa系数,优于易康软件的植被提取结果。     

基于植被分区的多特征遥感智能分类

为了有效地提取大范围地形复杂区域的土地利用/土地覆盖遥感信息,以位居青藏高原与黄土高原过渡地带的青海东部地区为研究区,研究基于蚁群智能优化算法(ant colony intelligent optimization algorithm,ACIOA)的土地利用/土地覆盖遥感智能分类。首先选用TM图像、DEM、坡度和坡向数据作为分类的特征波段;然后利用归一化植被指数NDVI对实验区数据进行植被分区;最后利用ACIOA算法进行分类规则挖掘,并依据分类规则进行土地利用/覆盖信息的提取。研究表明,基于植被分区的多特征蚁群智能分类的总体精度为88.85%,Kappa=0.86,优于传统的遥感图像分类方法,为大范围地形复杂区域的土地利用/土地覆盖遥感信息提取提供了有效的方法。     

基于面向对象与规则的Sentinel-2A影像土地覆被分类——以江西省都昌县为例

土地覆被作为地表自然和人工建造物的综合体,是开展土地科学相关研究的重要基础,在遥感大数据背景下,准确、快速、自动化进行土地覆被提取技术一直是遥感研究中的重点。本文基于eCognition软件,采用面向对象的多尺度分割法,综合考虑地物在遥感影像上的光谱、形状和纹理特征,建立多种地物提取规则。通过模糊函数、支持向量机（SVM）和阈值法对研究区的土地覆被进行分类提取,并与研究区的FROM-GLC10数据和土地利用变更数据进行了对比分析。结果表明：①研究区土地覆被分类的总体精度为97%,Kappa系数为0.96,分类精度较高;②基于10 m分辨率影像,综合使用形状、纹理、光谱信息对于道路的提取具有较好的效果,道路提取Kappa系数为0.84;③分类结果在面积和空间分布上都优于FROM-GLC10数据,与研究区实际土地变更数据保持较好的一致性。基于面向对象与规则的分类方法提取地物能够有效利用多种遥感影像特征,分类精度高,对于处理高分辨率遥感数据具有很好的优势。     

遥感影像的全模糊监督分类

设计了一个基于神经元网络的全模糊训练、分类和精度评估方法,并成功地应用于一个城郊型土地覆盖分类。结果表明,该方法灵活、适应性强,并能取得较好的分类精度。     

遥感影像的全模糊监督分类

设计了一个基于神经元网络的全模糊训练,分类和精度评估方法,并成功应用于一个城郊型土地覆盖分类,结果表明。该方法灵活,适应性强,并能取得较好的分类精度。     

用模糊ARTMAP算法对CBERS-2数据进行分类

用模糊ARTMAP（fuzzy adaptive resonance theorymap）神经网络算法对CBERS-2数据进行了分类实践。首先介绍了模糊ARTMAP神经网络的算法原理和具体训练分类过程；然后用2004年9月新疆石河子地区的影像数据进行土地利用分类试验，并将分类结果与基于统计的最大似然法（MLC）、反向传播神经网络（BP）的分类结果作比较，总分类精度比MLC和BP算法分别提高9．9％和4．6％。结果表明，模糊ARTMAP对试验区CBERS-2影像上的裸地识别能力很强，对高分辨率的CBERS-2影像可获得很好的分类结果。     

Classification of CBERS-2 Imagery with Fuzzy ARTMAP Classifier

A fuzzy ARTMAP classifier is adopted for a classification experiment of CBERS-2 imagery. The fundamental theory and processing about the algorithm are first introduced, followed with a land-use classification experiment in Shihezi County on CBERS-2 high resolution imagery. Three classifiers are compared: maximum likelihood classifier (MLC), error back propagation (BP) classifier, and fuzzy ARTMAP classifier. The comparison shows comparably better results for the fuzzy ARTMAP classifier, with overall classification accuracy of 9.9% and 4.6% higher than that of MLC and BP. The results also prove that the fuzzy ARTMAP classifier has better discernment in identifying bare soil on CBERS-2 imagery.     

Classification of CBERS-2 imagery with fuzzy ARTMAP classifier

A fuzzy ARTMAP classifier is adopted for a classification experiment of CBERS-2 imagery. The fundamental theory and processing about the algorithm are first introduced, followed with a land-use classification experiment in Shihezi County on CBERS-2 high resolution imagery. Three classifiers are compared: maximum likelihood classifier (MLC), error back propagation (BP) classifier, and fuzzy ARTMAP classifier. The comparison shows comparably better results for the fuzzy ARTMAP classifier, with overall classification accuracy of 9.9% and 4.6% higher than that of MLC and BP. The results also prove that the fuzzy ARTMAP classifier has better discernment in identifying bare soil on CBERS-2 imagery.     

利用深层卷积神经网络实现地形辅助的多波束海底底质分类

海底底质分类对于海洋资源开发与利用、海洋科学研究等多方面具有重要意义。目前,多波束探测是实现大范围海底底质分类的有效手段之一,通常基于多波束反向散射强度提取角度响应(AR)特征及反向散射图像特征进行底质分类。由于特征来源较单一,分类器结构简单,往往分类精度不高。为此,本文提出了一种基于深层卷积神经网络(CNN)的多波束海底底质分类方法。除反向散射强度特征外,还利用地形特征,将特征向量转换为波形图,再输入卷积神经网络进行训练和分类。试验对比不同特征组合以及BP网络、支持向量机(SVM)、K近邻(KNN)、随机森林(RF)4种常规分类器,本文模型算法总体分类精度达到94.86%,Kappa系数为0.93,精度具有明显优势,效率也比较高。表明该方法有效利用两种数据类型所蕴含的海底底质信息,充分发挥卷积神经网络权值共享、高效率等特点,实现高分辨率海底底质分类,可对海底底质分类研究提供参考。     

Satellite Data Classification Using Open Source Support

In this study we explored the potential of open source data mining software support to classify freely available Landsat image. The study identified several major classes that can be distinguished using Landsat data of 30 m spatial resolution. Decision tree classification (DTC) using Waikato environment for knowledge analysis (WEKA), open source software is used to prepare land use land cover (LULC) map and the result is compared with supervised (maximum likelihood classifier – MLC) and unsupervised (Iterative self-organizing data analysis technique - ISODATA clustering) classification techniques. The accuracy assessment indicates highest accuracy of the map prepared using DTC with overall accuracy (OA) 92 % (kappa = 0.90) followed by MLC with OA 88 % (kappa = 0.84) and ISODATA OA 76 % (kappa = 0.69). Results indicate that data set with a good definition of training sites can produce LULC map having good overall accuracy using decision tree. The paper demonstrates utility of open source system for information extraction and importance of DTC algorithm.     

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.     

高分辨率遥感图像最近邻模糊分类器的研究及实现

本文针对高分辨率遥感影像快速高效萃取有用信息这一遥感技术应用的热点问题,探讨了一种适合于组合特征识别的遥感图像最近邻模糊分类器。该分类器首先把待识别目标的组合特征与训练模板中的组合特征样本的平均值一一进行比较,从而得到了一个特征差矩阵。用模糊分布函数在同类特征差之间进行处理,生成一个隶属度矩阵,然后用算术平均法对隶属度矩阵进行处理,并用最大隶属度准则来进行分类判决。以新疆和静县的SPOT5图像为例,应用此方法对其进行分类试验。结果表明:利用此分类方法对SPOT5遥感图像进行分类,不仅使分类结果具有丰富的语义信息,而且克服了由于特征选择的不稳定性对分类结果的影响,分类精度也得到了显著的提高。     

Mapping diversified peri-urban agriculture – potential of object-based versus per-field land cover/land use classification

High spatial resolution satellite data contribute to improving land cover/land use (LCLU) classification in agriculture. A classification procedure based on Quickbird satellite image data was developed to map LCLU of diversified agriculture at sub-communal and communal level (7 km²). Segmentation performance of the panchromatic band in combination with high pass filters (HPF) was tested first. Accuracy of field boundary delineation was evaluated by an object-based segmentation, a per-field and a manual classification, along with a quantitative accuracy assessment. Sub-communal classification revealed an overall accuracy of 84% with a κ coefficient of 0.77 for the per-field vector segmentation compared to an overall accuracy of 56–60% and a κ coefficient of 0.37–0.42 for object-based approaches. Per-field vector segmentation was thus superior and used for LCLU classification at communal level. Overall accuracy scored 83% and the κ coefficient 0.7. In diversified agriculture, per-field vector segmentation and classification achieved higher classification results.     

基于随机森林算法的城市不透水面信息提取——以长春市为例

为了快速、准确地掌握不透水面的空间分布及满足动态变化信息现实需求,本文基于多分类器集成学习的思想,引入随机森林算法,以Landsat8影像为数据源,长春市为实验区,选取光谱特征、纹理测度、空间变换后的独立分量等25个特征变量进行分类研究,根据OOB误差进行重要性分析并试验得出最优的分类模型,实现高精度不透水面信息的提取,最后与传统参数分类法进行比较。结果表明：随机森林算法的总体精度可以达到94%,高出最大似然分类法5.9%,支持向量机算法0.77%,Kappa系数为0.914 3,均方根误差为0.104 3,不透水面的提取精度达95.54%,可以精确地得出所需信息,为城市建设与规划提供有效的专题数据。     

基于ASTER数据的决策树自动构建及分类研究

 在对ASTER原始9个波段数据进行各种变换处理的基础上，采用数量化指标平均可分性方法确定参与分类的最佳特征组合； 结合研究区8种主要地物类型训练数据集，分别采用最大似然法、BP神经网络法和基于See 5.0数据挖掘的决策树分类法进行分类，提取主要地物的空间分布专题信息。经过379个野外样点的验证，结果表明： 决策树算法分类性能最优，神经网络算法次之，最大似然法效果最差； 与ENVI 4.1、ERDAS 8.7提供的传统决策树建立及分类方法比较，基于数据挖掘工具See 5.0和Cart的决策树生成和分类方法具有客观、高效率、分类性能可靠和精度高等优点。