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。     

利用Sentinel-2A影像的面向对象特征湿地决策树分类方法

苏州市湿地众多、类型多样化、周围环境复杂,使用传统的遥感分类方法很难得到精度较高的湿地分类结果。研究了面向对象特征的湿地决策树分类方法,以苏州市澄湖地区为研究区域,使用欧空局的Sentinel-2A影像,先将研究区域分为湿地水体、植被和非植被3大类型,再分别构建鱼塘、河流、湖泊、农田和裸地等面向对象特征,据此实现湿地遥感分类。研究结果表明,该方法能够有效利用遥感影像提供的光谱特征、几何特征和纹理特征等多种丰富信息,产生较高的分类精度,总体分类精度可达80.67%,Kappa系数为77.80%。与传统的基于中低分辨率遥感影像的分类方法相比,该方法可以有效提取湿地不同地物对象的几何结构和纹理等特征,在提高湿地分类精度的同时实现对大面积湿地的快速动态监测。     

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。     

基于光谱特征的湿地植物种类识别

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作用。以美国舍曼(Sherman)岛水域为研究区,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光谱和光谱吸收特征,利用逐步判别分析法筛选识别精度较好的光谱特征参数参与C4.5决策树分类。结果表明:4种湿地植被的一阶导数光谱特征差异较小,吸收特征差异性相对较大;基于一阶微分光谱特征和光谱吸收特征利用C4.5决策树进行分类,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。     

结合珠海一号高光谱影像和XGBoost算法的珠江口滨海湿地分类

由于湿地类别多样且结构复杂,湿地遥感分类工作极具挑战性。本文以珠江口滨海湿地为研究区,基于珠海一号高光谱影像获取的光谱特征、形状特征、纹理特征和指数特征构建优选特征集,采用极端梯度提升(XGBoost)算法和面向对象技术提取湿地类型和空间分布,并对比分析基于支持向量机(SVM)算法和随机森林(RF)算法的湿地分类结果。结果表明：(1)珠海一号高光谱影像能够有效应用于湿地分类,且光谱特征在湿地分类中发挥了重要作用;(2)使用的机器学习算法中XGBoost算法的湿地分类效果最佳,总体精度为87.2%,Kappa系数为0.84;(3)优选的影像特征能够保证更高的湿地类型识别精度,验证了特征筛选有助于提高分类效果。本文发展了一种基于珠海一号高光谱影像和集成学习的大区域湿地类型识别方法,可为湿地资源调查提供有效的技术参考,服务于湿地的保护与开发利用。     

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%。     

利用无人机高光谱影像的红树林群落物种分类

近年来红树林群落中物种结构简单、功能退化等环境问题日趋严重,为了及时准确掌握红树林群落的物种空间格局与分布,本文首先基于深圳福田红树林自然保护区无人机高光谱影像,利用归一化差值植被指数和归一化潮间红树林指数提取植被区域;然后在植被区域根据最佳指数法选取信息量大、波段相关性小的波段组合,分别采用基于像素支持向量机分类方法和面向对象影像分类方法对红树林物种进行分类。试验结果表明,基于像素支持向量机分类方法的总体精度为81.03%;利用面向对象影像分类方法的总体精度为85.58%。面向对象影像分类方法能有效去除椒盐噪声,充分利用对象光谱、形状及纹理信息,提供更准确的红树林分布信息。     

基于面向对象的路域植被环境遥感动态分析

根据不同地物类型在遥感影像上的光谱、纹理、几何和位置响应特征的差异性,可以对地物进行分类。本文采用面向对象的方法,基于影像上地物类型的纹理和光谱等特征,利用ENVI EX面向对象特征提取模块对试验路域SPOT5影像进行地物分类,从而定量动态分析地物类型变化情况;并通过提取NDVI对植被覆盖度进行了分级统计分析。结果表明,定量分析成果与野外调研实验结果相吻合,可以用来评价实地植被覆盖度及地物分类变化情况,进而评价公路路域植被环境,为公路的可持续发展提供基础支持。     

无人机多光谱影像土地利用信息提取方法研究

以无人机多光谱和倾斜影像为数据源,运用面向对象自动分类的方法,首先利用分型网络演化分割算法(Fractal Net Evolution Approach,FNEA)进行分割实验,确定研究区每个地类最优分割尺度,并结合多光谱影像的光谱特征、纹理特征、空间特征、语义关系以及通过倾斜摄影提取的数字表面模型(Digital Surface Model,DSM)和其衍生的坡度数据等,构建研究区分类规则集,并采用多尺度分割后的多层次信息提取方法,将地物分为3个尺度,在不同尺度下提取相应的地物,总体精度为88.03%,Kappa系数为86.12%,分类结果较好。同时设置对比实验,利用传统的决策树方法分类,其总体精度仅为77.78%,Kappa系数为74.23%。研究表明,针对无人机的高分辨率多光谱影像面向对象的多尺度信息提取方法在信息提取时要优于决策树分类方法,同时验证了该多光谱传感器在信息提取上应用的可行性。     

采用IDL小波工具优化高光谱影像光谱特征匹配分类

光谱特征匹配分类是常用的高光谱影像分类、识别地物的方法,针对高光谱影像提取植被盖度存在的问题,文章根据高光谱遥感影像处理的方法,采用EO-1卫星在广州市过境的Hyperion高光谱影像,以＂广州南肺＂万亩果园作为试验区,经过大气纠正——最小噪声分离变换（MNF）——最纯净像元指数计算（PPI）——提取植被的端元,以此作为研究区识别植被的参考样本,进行光谱特征匹配提取植被盖度。其中提出利用连续小波变换对参考端元的波谱曲线降噪的方法,旨在优化光谱特征匹配,以提高识别植被的精度。实验结果表明,这种辅助匹配的方法能有效提高识别植被的精度。