基于高光谱的湿地植被分类研究

光谱特征的选择对于湿地植被的识别精度和效率有直接的影响。本文以萨克拉门托-圣华金三角洲为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分和二阶微分光谱特征。在上述分析的基础上基于均值置信区间的波段选择法对一阶微分、二阶微分进行波段选择,根据获取的有效特征波段构建特征集,利用C5决策树分类算法产生规则集,并对实验区的湿地植被进行了分类研究。结果表明:湿地植被的一阶微分、二阶微分能够突出不同湿地植被光谱曲线在不同波段的增速不同,利用均值置信区间的波段选择法能够对特征波段起到降维效果,根据降维后的特征波段采用C5决策树分类算法,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。     

面向对象的高光谱影像目标识别方法

将面向对象影像分析和决策树方法综合应用于高光谱遥感影像的目标提取,在分析待提取地物特征的基础上,总结归纳其特性知识,构建分类规则,设计和实现决策树以完成目标识别。该方法充分应用分割所得到的均质对象的位置、形状、纹理等特征实现了决策规则提取和决策树构建,在应用OMIS和PHI影像进行目标识别的实践中取得了很好的效果。     

基于光谱特征的湿地湿生植物信息提取研究

基于湿生植物光谱特征分析,采用面向对象分类方法提取湿地典型植被信息。在大量的野外实地调查基础上,确定提取的典型植物类型为芦苇(Phragmites australis)、长芒稗(Echinochloa crusgallii)和睡莲(Nymphaeatetragona);采集湿地优势植物光谱数据,将优势植物与提取对象芦苇、长芒稗和睡莲的光谱特征进行相关性分析,获取物种间区分性好的波段及波段组合,参与影像分割权重的设置;根据典型植被的分布特征,确定面向对象分割尺度(其中芦苇的分割尺度为50,长芒稗的分割尺度为20,睡莲的分割尺度为100)。通过研究发现:基于光谱特征分析的面向对象的分类精度为96%,而未利用光谱特征的面向对象的分类精度为87.3%,传统监督分类精度仅为82.3%。证明在面向对象提取前对植物光谱特征分析得到区分性好的波段及波段组合参与分割,对提高分类精度起关键作用。     

基于HICO高光谱的黄河口湿地植被识别方法

湿地植被制图是湿地自然资源管理过程中的一项重要任务。文中选取黄河口湿地为研究区,应用海岸带高光谱成像仪影像,提出了一种基于包络线去除的改进型光谱角匹配(Spectral Angle Mapper based on Continuum Removal,SAM_CR)方法,对芦苇、狄草、碱蓬和怪柳等湿地典型植被进行分类提取。结果表明,SAM_CR湿地典型植被种类识别的总体精度由传统SAM方法的74.87%提高到80.61%。     

湿地植被成象光谱遥感研究

该文论述了成象光谱信息在鄱阳湖湿地进行植被光谱识别分类与生物量制图的部分研究结果，研究如何从高光谱分析图象上有效地定量提取植被生长物理参量以及湿植被类型识别，包括（１）基地多高度大气订正后的反射率图像获取；（２）导数光谱分析与生物量制图；（３）基于光谱波形匹配的湿地植被分类，识别。     

高光谱遥感技术在植被信息提取中的应用

高光谱遥感技术与传统遥感技术相比,有着图谱合一和光谱连续的优势,能够实现地物的准确识别和精细分类,并且在岩矿信息提取方面取得了显著成果,然而在植被信息提取中的研究尚处于发展阶段。随着农作物估产和土地利用监测等领域对植被精细信息的要求日益提高,高光谱遥感在植被研究中的应用显得越发重要。本文针对高光谱在植被信息提取中的应用进行研究,实现传统多光谱遥感难以完成的准确识别与分类。     

从高光谱遥感影像提取植被信息

遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM方法对植被信息进行了提取,参考光谱使用ASD光谱辐射仪采集的植被光谱曲线。文中对高光谱遥感影像的辐射定标和大气校正进行了研究,针对影响光谱辐射仪采集的主要因素采取了相应的措施,并对光谱曲线分类及参考光谱曲线的选取进行了研究。将选取出的参考光谱曲线与大气校正后的遥感影像进行SAM匹配提取出植被信息,经过与实地调查资料比较并计算总体精度和kappa系数,计算结果达到预期精度。最后将分类结果转换为矢量图,经过投影转换为大地坐标后制作出北衙植被分布图。     

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。     

遥感影像植被信息提取方法研究及思考

从植被光谱特征出发,对植被信息提取的方法和现状进行了综述,其中主要介绍了几种具有代表性的植被提取方法,如:植被指数提取法、NDVI与波段合成法、HIS融合法、分级分类提取法、基于知识库提取法等,对各种方法的原理、特点、优势与限制进行了分析、对比、思考,并展望了下一步研究方向。     

基于波段组合的高光谱数据湿地分类研究

对高光谱数据进行波段组合,可以减少信息量的冗余,提高数据的处理速度。对黄河口入海口湿地进行分类,对合理利用、开发保护该地区湿地资源具有重要意义。本文首先分析了“珠海一号”高光谱数据各个波段的信息量及波段之间的相关系数,然后利用最佳波段指数(OIF)方法选出波段组合B7-B8-B32,进一步在OIF基础上设置信息量与相关系数阈值,选出波段组合B7-B18-B32,实验结果证明分类精度提高了5.4%。最后,根据地物的光谱特征分析,选择光谱差异较大的波段进行组合B6-B13-B18,分类后精度比OIF筛选出的波段组合精度高12.6694%。经实验验证,结合地物光谱特征的波段组合可以大大提高分类精度。     

基于高光谱数据和专家决策法提取红树林群落类型信息

高光谱遥感是进行地表植被观测的强有力工具,研究并验证有效的算法和数据支撑技术,对于合理利用高光谱数据进行地表植被监测与分析至关重要。在光谱特征分析和地面调查的基础上,基于决策树方法和高光谱分析方法的组合,以深圳市福田国家级自然保护区为例,利用高光谱数据进行红树林群落信息提取的实证研究。结果证实了Hymap数据对于红树林群落类型信息提取的数据支撑能力,以及相关方法用于红树林分类研究方面的有效性。     

结合时间序列Sentinel-1数据和面向对象的湿地信息提取方法

基于光学影像的遥感技术受云雨等天气条件影响较大,而合成孔径雷达(SAR)由于具有穿透能力可以很好的克服这一缺陷。本文以黑龙江流域扎龙湿地为研究区域,采用时间序列C波段双极化(VV、VH)Sentinel-1数据,结合面向对象的图像分析技术对扎龙湿地进行分类。对比分析了5种机器学习算法得出随机森林算法的精度最高,总体精度为88.43%,Kappa系数为0.8646,其中沼泽的制图精度达到84.68%,用户精度达到89.47%。使用Sentinel-1数据对扎龙湿地进行湿地信息提取的最佳时相为5月、7月和8月。     

面向对象的遥感影像信息提取研究

结合地理国情监测,从理论和实践上分析了面向对象的遥感影像信息提取的意义,提出了面向对象的遥感影像多尺度信息提取的算法、流程及关键技术环节,在应用的基础上对解译结果进行了分析与评定,总结了经验及技巧,指出了目前应用中仍存在的难点和今后的研究重点。     

洪泽湖湿地植被信息提取方法研究

以洪泽湖淡水湿地为研究对象,在分析了各类地物光谱特征的基础上,提出了分区分类的方法。首先选取6种典型指数分别对研究区湿地植被进行分类计算,从中选择合适的指数进行湿地植被的信息提取;再运用决策树模型进行湿地植被分类;并将分类结果与最大似然法的分类结果进行了比较。结果表明,1 NDVI提取的沉水植物信息效果最好,挺水植物和浮水植物可用改进归一化差异水体指数(MNDWI)进行区分;再利用决策树对湿地植被进行分类,总体精度达到85.09%,与最大似然法相比,提高了6%。2洪泽湖地区的湿地植被比较丰富,面积约占全湖的10.74%。     

高光谱遥感数据藻类信息提取方法研究

以Sacramento-San Joaquin三角洲水域为研究区,利用2007年覆盖研究区的64个航带的HyMap数据,分别用混合调谐匹配滤波(MTMF)和决策树进行藻类信息的分类提取,在此基础上均采用Kappa系数作为标准进行精度评价。结果表明:混合调谐匹配波(MTMF)分析方法对藻类进行分类的结果,Kappa系数是0.634;用基于指数的决策树方法对藻类进行分类的结果,Kappa系数是0.613,两种结果都具有高度的一致性。这说明这两种方法在提取水生物种方面比价有效。     

Band Selection for Hyperspectral Image Classification Using Mutual Information

Spectral band selection is a fundamental problem in hyperspectral data processing. In this letter, a new band-selection method based on mutual information (MI) is proposed. MI measures the statistical dependence between two random variables and can therefore be used to evaluate the relative utility of each band to classification. A new strategy is described to estimate the MI using a priori knowledge of the scene, reducing reliance on a "ground truth" reference map, by retaining bands with high associated MI values (subject to the so-called "complementary" conditions). Simulations of classification performance on 16 classes of vegetation from the AVIRIS 92AV3C data set show the effectiveness of the method, which outperforms an MI-based method using the associated reference map, an entropy-based method, and a correlation-based method. It is also competitive with the steepest ascent algorithm at much lower computational cost