基于SAR数据后向散射及光学图像纹理特征的橡胶林提取

以勐腊县为研究区,基于Terra SAR-X卫星的全极化SAR数据以及谷歌高清卫星影像图,对橡胶林的后向散射系数以及其纹理特征进行提取分析,采用决策树分类方法对勐腊县的橡胶林进行分类识别。研究结果表明:全极化Terra SAR数据的HH、HV、VH、VV的后向散射及其之间的计算是构建决策树算法,实现森林、农用地、水体和城市建设用地分类的重要基础;橡胶林作为一种特殊的人工林,其具有固定的行株距以及特有的纹理特征,能把橡胶林和天然林更好地区分开;利用结合SAR数据后向散射及光学图像纹理特征的决策树分类方法对橡胶林进行提取,总体精度为87.6%,Kappa系数为0.81,橡胶林的生产者精度和用户精度均达到90%以上。     

基于机器学习森林生物量反演的哨兵数据精度对比

选取美国弗吉尼亚州东南部和北卡罗来纳州东北部的迪斯默尔沼泽作为研究区,基于Sentinel-1雷达数据和Sentinel-2光学数据,在对影像特征因子提取的基础上,采用随机森林构建生物量反演模型,对比分析了森林地上生物量反演精度。结果表明：基于Sentinel-2影像的随机森林模型的R²、RMSE分别为：0.707、39.521 t/hm²;基于Sentinel-1影像的随机森林模型R²、RMSE分别为：0.601、38.536 t/hm²。从整体来看,不同的变量参与到模型建模最终导致的精度各不相同,基于Sentinel-2影像建模的精度总体上高于基于Sentinel-1影像建模的精度。     

基于多源遥感数据的森林蓄积量估测研究——以北方孟家岗林场为例

以北方孟家岗林场的落叶松人工林为研究对象，引入遥感技术作为一种更高效、适用于大区域的遥感监测方法，利用Sentinel-1和Sentinel-2遥感数据，提取光谱特征、纹理特征、植被指数和后向散射系数等特征指标，基于Pearson相关系数和距离相关系数这两种特征选择方式，结合KNN、SVR和RF等3种机器学习模型，开展了6种人工林蓄积量估测方案的对比。研究表明：遥感数据源对模型的估测精度影响最大；以单一Sentinel-1数据作为来源的模型估测精度最低，而基于Sentinel-1和Sentinel-2综合数据的估测模型精度最高，其中RF回归模型结合DC特征重要性评价方案获得了最佳的蓄积量估测结果，R_RMSE和R²分别为22.94%和0.59。利用特征选择的方式结合多源遥感数据可以有效提升模型精度和泛化能力，得到更优的人工林蓄积量估测结果，为森林资源的保护、管理和可持续利用提供科学依据。     

基于Sentinel-2数据的塞罕坝机械林场落叶松人工林提取

塞罕坝机械林场是我国大型国有林场,落叶松是林场森林经营管理的主体,快速准确提取落叶松人工林分布对林场的经营和管理具有重要意义。基于传统单机模式下的遥感影像分类耗时长、效率低下,随着地理信息大数据、云计算时代的到来,Google Earth Engine(GEE)作为地理空间分析平台的先行者,为遥感影像分类带来新的机遇。基于GEE平台,使用Sentinel-2数据实现塞罕坝机械林场主要树种遥感影像分类。通过对塞罕坝机械林场2019年全年309景Sentinel-2影像数据预处理,计算比值植被指数、纹理特征、地形特征,并对各特征进行优选,构建多特征分类数据集。以此为基础,比较最小距离法、决策树和随机森林分类器下的分类精度。结果表明,GEE相较于单机影像分类模式具有显著的优势;最小距离、决策树和随机森林分类器下的分类精度分别为80%,83%和92%,随机森林分类器更适合复杂的遥感分类任务。     

基于Sentinel-2A数据的森林覆盖变化研究

【目的】利用Sentinel-2A卫星重访周期短和波段信息丰富的特点,精确高效地获取森林覆盖变化信息,提高森林覆盖变化监测的时效性和精度。【方法】采用Sentienl-2A遥感影像作为数据源,以沅江市为研究对象,结合实地调查数据,选取地物训练样本,利用各地物的光谱指数特征和纹理特征来构建决策树模型进行地物分类,光谱指数包括NDVI、NDWI、NDBI和光谱反射曲线,纹理特征包括均值、方差、信息熵和对比度。对沅江市2016年8月1日和2017年5月18日的两期Sentinel-2A遥感影像数据进行地物分类,计算各地物面积并将两期分类结果中的森林覆盖区域提取出来,分析森林覆盖变化情况。【结果】1)利用光谱指数特征结合纹理特征构建决策树模型对沅江市进行地物分类,其地物总体分类精度为83.62%,Kappa系数为0.825 7,森林制图精度为84.28%,森林用户精度为82.43%,比最大似然法的总体分类精度提升了11.27%,Kappa系数提高了0.133,森林制图精度提高了10.59%,森林用户精度提高了9.58%。2)在2016年8月1日至2017年5月18日期间沅江市森林面积减少了771 hm~2,有854 hm~2森林变为耕地,589 hm~2森林变为芦苇地,412 hm~2森林变为建设用地,105 hm~2森林变为水体。另外,有636 hm~2耕地、257 hm~2芦苇地、243 hm~2建设用地和53 hm~2水体变为森林。【结论】基于Sentienl-2A遥感影像数据,利用光谱指数特征和纹理特征构建决策树模型进行分类,能够有效提升地物分类精度;同时能够提高森林覆盖变化监测的时效性和精度,较为准确地分析森林覆盖变化情况,可为洞庭湖流域地物分类和森林覆盖变化监测提供决策支持。     

基于高光谱和激光雷达数据的林分类型识别

【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。     

多源数据林地类型的精细分类方法

【目的】探讨复杂中山区域、多源数据支持下,高空间分辨率遥感影像林地类型层次化精细分类方法,以促进高分辨率遥感数据在森林资源调查与监测方面的深入应用。【方法】以嘉陵江上游甘肃省小陇山林业实验局百花林场为研究区,以SPOT5和高分一号(GF-1)遥感影像为主要数据源,综合利用影像光谱特征、植被指数特征、纹理特征与时相特征、地形特征、森林资源"二类调查"成果数据与林相图等辅助信息,及典型地类与主要森林类型外业调查样本数据,发展针对暖温带典型天然次生林区、复杂山区地形条件下高空间分辨率遥感影像林地类型多层次信息提取与森林类型精细识别的有效方法。在分析不同时相影像光谱特征的基础上,构建并优选归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)、差值植被指数(DVI)4种植被指数特征和均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6种纹理特征,引入与主要森林类型空间分布相关的DEM高程值、坡度、坡向3个敏感地形因子,利用不同林地类型时相动态特征和辅助信息特征,在不同层次影像上分别采用适于该层待分信息类别的阈值法、支持向量机(SVM)、多分类器组合(MCC)、人工神经网络(ANN)分类方法,将各层分类结果合并获得整个研究区林地类型精细分类图。最后,采用分层随机抽样的独立检验样本对分类结果中7类林地类型进行精度验证,并对5类主要森林类型精细识别结果进行面积统计,与"二类调查"及影像解译结果各类型面积统计值进行对比分析,进一步从整体上检验分类方法的有效性和分类结果的可信度。【结果】本文所发展的分类方法对林地类型信息提取精度较高,有林地、其他林地、苗圃地等7类林地类型总体分类精度达92.28%,总Kappa系数为0.899 6;油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5类主要森林类型面积统计结果的平均相对精度为92.4%。【结论】多源数据支持下的多层次林地类型精细分类方法是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势,且森林类型精细识别详细程度达到优势树种(组)级别,是解决复杂山区林地类型精细分类与森林类型精细识别的一种有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

高空间分辨率影像与SAR数据协同特征面向对象林分类型识别

【目的】研究对象特征对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象林分类型识别的影响,评价2种数据协同林分类型识别的适宜性,为多源遥感影像结合面向对象分类技术提供科学依据。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,选取福建省三明市将乐县将乐国有林场为试验区进行杉木、马尾松和阔叶林面向对象分类。在面向对象分类过程中,采用基于QuickBird多光谱波段分割、基于Radarsat-2数据分割和QuickBirdRadarsat-2协同分割3种分割方案,每种分割方案采用10种尺度(25～250,步长为25),应用QuickBird遥感影像和Radarsat-2数据提取的光谱、地形、高度和强度4方面32个特征指标,进行4种不同特征组合,运用支持向量机分类器进行面向对象林分类型分类,利用混淆矩阵计算的生产者精度、用户精度、总精度和Kappa系数4个指标对分类结果进行精度评价。【结果】所有组合的分类精度(Kappa系数)均随着尺度增大表现出先增加后降低的趋势,且以只使用单一光谱特征的分类精度最低,依次低于光谱+地形两特征和光谱+地形+高度三特征的分类精度,引入强度后的四特征组合分类与三特征组合无明显差异。QuickBirdRadarsat-2协同且在最优尺度参数为100时,结合对象光谱、地形、高度和强度四特征组合进行面向对象林分类型分类精度最高(OA=86%, Kappa=0.86)。【结论】高空间分辨率遥感影像(QuickBird)与SAR数据(Radarsat-2)协同最优尺度多特征组合进行面向对象林分类型分类优势明显,在光谱和地形特征中引入高度特征可进一步提高分类精度。本研究结果可提高面向对象分类中的特征选择效率和科学性,能够为其他影像的面向对象分类技术提供较好的参考依据。     

基于多特征优选的无人机可见光遥感林分类型分类

【目的】以无人机可见光遥感影像为数据源实现竹林、针叶林和阔叶林的分类识别,扩展无人机可见光遥感数据在森林资源调查中的应用范围。【方法】利用无人机获取仅包含红、绿、蓝3个波段光谱信息的航拍影像,经预处理生成空间分辨率为0.1 m的数字正射影像图(DOM)和数字表面模型(DSM),从DSM和DOM中提取包括高度特征、光谱特征、常见的可见光植被指数、HSV颜色分量、HSV颜色分量基础上提取的纹理特征以及扩展的形态学多属性剖面(EMAPs) 6类特征;采用递归特征消除随机森林算法(RF_RFE)优选特征子集,根据不同类型特征和优选特征子集设置8组试验,使用随机森林分类器(RFC)进行林分类型分类,运用目视解译获得的地面真实影像建立混淆矩阵评价分类结果。【结果】1)单独利用光谱特征进行林分类型分类效果不理想,总体精度为65.68%,Kappa系数为0.53;以光谱特征为基础单独引入其他特征进行林分类型分类,除植被指数外,其他特征均可提高总体分类精度; 2)采用递归特征消除随机森林算法优选出11个特征,包括5个EMAPs特征、3个HSV纹理特征、1个高度特征、1个植被指数和1个HSV颜色分量,11个特征组合获得8组试验中最高分类精度,总体精度为81.05%,Kappa系数为0.73; 3)将多特征优选方法应用于不同分辨率的可见光无人机影像上均取得较好分类结果,其中分辨率为0.3 m时分类精度最高,总体精度为82.46%,Kappa系数为0.75。【结论】递归特征消除随机森林算法综合多类型特征中最有利于林分类型分类的特征,从而提高分类精度,研究结果可为无人机可见光遥感数据在森林资源调查中林分类型信息的提取提供参考。     

基于高分辨率遥感影像多维度特征的树种识别方法研究

以北京市西山试验林场为研究区域,利用Worldview—2影像构建各树种的光谱特征、地形特征、植被指数特征、纹理特征以及形态特征,建立关于山地森林树种识别的知识。采用基于像元和面向对象的方法进行树种识别分类。在基于像元的分类方法中,选择决策树分类和支持向量机分类;在面向对象的分类方法中,选择基于边缘检测的方法分割影像,用最近邻法分类。决策树分类的总体分类精度为65.62%,Kappa系数为0.588 9;支持向量机分类的总体分类精度为62.42%,Kappa系数为0.552 8;面向对象的分类方法总体分类精度为64.27%,Kappa系数为0.580 2。     

基于改进转换分离度特征选择规则的土地覆盖分类比较

【目的】提出一种考虑样本概率的可分离距离与波段相关系数结合的特征选择方法,以提高土地覆盖分类的正确率。【方法】以中亚热带区域的福建省将乐县为研究区,从Landsat-8 OLI影像中获取植被指数和纹理特征,利用改进方法和传统方法选择出最佳特征,通过比较最佳特征参与下植被类别的可分离值,判别2种方法在特征选择时的准确度;采用支持向量机分类方法(SVM)分别对原始光谱和改进方法选择的最佳特征进行分类,探索最佳植被指数和纹理特征在提高地区土地覆盖分类中的作用。【结果】改进可分离性判据在避免选择冗余波段的同时,能准确选择出具有更高区分度的特征;对于植被指数和纹理特征,单一特征均不能使植被类别可分性达到最大,而2个特征组合可明显提高植被类别的可分性;比值植被指数及小窗口的反差、协方差和二阶矩纹理特征比同窗口其他纹理对提高研究区植被分类精度具有更重要的价值;植被指数加入原始光谱并没有明显提高研究区的整体分类精度,而纹理特征与原始光谱结合对提高植被分类精度相当有价值,最佳植被指数、最佳纹理特征和原始光谱结合可取得最佳分类结果,整体分类精度提高7.41%,Kappa系数(OKA)提高8.5%。【结论】基于改进转换分离度特征选择规则的土地覆盖分类方法能平衡所有类别间的可分性,较好避免选择相互冗余的特征,从而保证选择出具有较高的多类别可分性且冗余较小的特征,提高类别分类的正确率。     

联合LiDAR、高光谱数据及3D-CNN方法的树种分类

【目的】探究三维卷积神经网络（3D-CNN）在高光谱数据支持的树种分类中的有效网络构建方式，以提高树种分类精度。【方法】以美国加利福尼亚州内华达山脉南部为研究区，LiDAR数据获取的森林冠层高（CHM）进行单木分割并以此为补充建立样本，改进一种结构更简单、分类精度更高且无需对高光谱数据进行预处理的3D-CNN网络结构用于森林树种识别。【结果】相较于常规机器学习分类方法【支持向量机（SVM），随机森林（RF）】、传统二维卷积神经网络模型（2D-CNN）及最新多光谱分辨率三维卷积神经网络（MSR 3D-CNN）模型，本研究提出的3D-CNN模型对树种总体分类精度为99.79%，平均交并比（MIoU）为99.53%。与SVM和RF分类结果相比，本研究构建的3D-CNN模型总体分类精度提高5%左右，且具有对树种边界提取更加准确、椒盐现象更少发生的特点；与2D-CNN相比，总体分类精度提高10%左右，MIoU提高7%左右；与MSR 3D-CNN相比，总体精度相差不大，但在训练和测试过程中，本模型耗时远远小于MSR 3D-CNN模型。【结论】本研究改进的3D-CNN模型结构能够高效对原始高光谱影像...     

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。     

基于Sentinel-1A和Landsat 8数据的区域森林生物量反演

【目的】结合主被动遥感数据,为基于不同遥感数据源、建模算法的亚热带森林生物量建模分析提供新思路。【方法】以湖南省郴州市桂东县2014年Landsat 8 OLI影像、2014年Sentine-1A影像、2014年43块森林资源连续清查固定样地数据为主要信息源,借助于ENVI、SNAP、R等软件,分别采用主动式遥感(Sentinel-1A数据)、被动式遥感(Landsat 8 OLI数据)、主被动相结合(Sentinel-1A数据结合Landsat 8 OLI数据)3种数据集和多元线性回归、随机森林、人工神经网络、袋装算法等4种模型,进行区域森林地上生物量特征变量选取、参数建模、模型精度评价、生物量空间制图。【结果】1)在特征变量选择上,红波段(B4)、红外波段(B5)反射率及纹理特征,归一化植被指数(NDVI),交叉极化(VH)后向散射系数及其纹理特征,在森林生物量反演中具有重要作用;2)4种遥感估测模型精度比较分析表明,无论是单一数据源还是二者结合,随机森林算法预测精度最高,人工神经网络、袋装算法次之,多元线性回归最低;3)3种不同数据源的遥感估测综合精度,按照由高到低的顺序排列,主被动结合被动式遥感主动式遥感;4)桂东县森林生物量平均值为53.68 t/hm2,生物量高( 90 t/hm2)的林分面积比例只有16.03%,主要分布在海拔较高、坡度较陡的东南、西南部。【结论】Sentinel-1A和Landsat 8数据的结合在估测森林生物量方面具有重要作用。     

基于Sentinel-1/2数据一种改进的决策树方法提取荔枝果园研究

荔枝种植在热带、亚热带地区,受限于多云多雨天气和遥感技术,获取多时相并且能够表征荔枝物候特征的有效高光谱与高空间分辨率数据是比较困难的,这阻碍了荔枝果园的提取。采用Sentinel-1时间序列微波数据构建了荔枝关键生育期特征,并结合Sentinel-2数据提出了一种改进的荔枝果园识别模型,并将该模型应用于茂名市荔枝果园的识别。结果表明：成熟期荔枝与其他植被或作物的VH极化特征差异显著;该方法在荔枝果园空间分布制图的总体精度为90.34%,Kappa系数为0.84。该方法能够有效刻画荔枝的关键生育期特征,且准确识别光谱与空间特征相似的荔枝果园。为热带和亚热带其他果园的识别提供了参考,对果园的生长监测、精确管理和产量估算具有重要意义。     

基于航空正射影像的面向对象林隙识别

【目的】研究分割尺度及对象特征对航空正射影像面向对象林隙识别的影响,评价基于航空正射影像林隙识别适宜性。【方法】以真彩色航空正射影像为基础数据,采用面向对象分类方法,以东北典型天然次生林帽儿山实验林场东林施业区为试验区进行林隙识别。在面向对象分类过程中,对航空正射影像的3个分量(Blue、Green和Red)采用10种尺度(10～100,步长为10)进行分割,应用拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))评价分割结果。对每种尺度分割结果,应用航空正射影像的光谱及光谱+纹理结合特征,采用带有线性核的支持向量机(SVM)分类器进行林隙、非林隙和树冠分类,共获得20种分类结果。利用混淆矩阵计算的生产者精度、用户精度、分类总精度和Kappa系数4个评价指标对分类结果进行精度评价。【结果】对象特征(大小和形状)受尺度参数影响,小尺度分割产生小面积对象,大尺度分割产生大面积对象,但大尺度不能有效将明显的林隙从冠层中分离出来,存在明显分割不足的现象。拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))说明与参考对象最相似的分割对象结果是在尺度20时获得的分割结果(R_(A(or))和R_(A(os))较大且接近,D_(sr)较小)。光谱及光谱+纹理结合特征分类方案分类总精度具有相似的变化特征,即小尺度分类总精度较低,随着尺度增大,分类总精度也再提高并在某个尺度达到最大值,之后分类总精度随尺度增大而降低,并趋于平稳。光谱+纹理结合特征的分类总精度低于仅使用光谱特征的分类总精度,在中小尺度上尤其明显。在尺度参数为20时使用光谱+纹理结合特征分类总精度低19个百分点,在尺度参数为30时低13个百分点。基于航空正射影像分割最优尺度参数为20。【结论】基于航空正射影像进行林隙识别,最高精度仅为74%(Kappa=61%),林隙生产者和用户精度在60%以上,非林隙生产者和用户精度在90%左右。基于航空正射影像林隙识别纹理特征的加入还将继续降低识别精度。     

基于高景一号遥感影像的林地信息提取

【目的】及时、准确地掌握林地信息是森林经营管理的前提，高分辨率遥感影像为林地信息精细识别提供了可能。【方法】以当阳市玉泉乡为研究区，以国产卫星高景一号（SV-1）遥感影像为数据源，提取各波段光谱信息和植被指数作为分类特征，采用特征可分性、重要性及特征间冗余度分别构建了4种特征评价准则，基于支持向量机（SVM）分类器对研究区进行林地信息提取，结合森林资源二类调查结果进行精度验证。【结果】1）评价准则中，特征重要性优于可分性，特征可分性受高度相关的特征组合（如OSAVI和NDVI等）的影响会造成分类精度的下降。2）在特征重要性和可分性的基础上结合特征间冗余度能进一步提高分类精度并有效降低特征维数，特征维数由11维降至8维，特征可分性方法和特征重要性的分类精度分别提高了4.65%和4.58%;3）根据特征重要性结合冗余度选择RGVI、EVI、B1、B3、B2、DVI、RVI、Brightness 8个特征，建立SVM线性核分类模型可以达到最优分类效果，总体分类精度高达92.49%,Kappa系数为0.908 4。【结论】SV-1遥感影像由于其高空间分辨率在林地信息精细提取中具有可行性，本研究通过建立特征评价准则筛选分类特征能进一步挖掘分类器的泛化能力，为及时、准确地获取林地信息提供技术支撑，同时也为同等高分辨率遥感卫星数据处理提供了参考。     

林隙主被动遥感协同自动识别

【目的】研究林隙主被动遥感协同自动识别方法,为进一步量化林隙特征提供技术支持。【方法】以真彩色航空正射影像(0.2 m)和机载Li DAR(3.7点·m-2)为主被动遥感数据源,选取东北典型天然次生林——帽儿山实验林场东林施业区为研究区进行面向对象林隙识别。在面向对象分类过程中,通过对比3种分割方案(航空影像分割、Li DAR数据分割、航空影像Li DAR协同分割)、10种尺度(10~100,步长为10)确定最优分割方案及尺度参数。在最优分割结果基础上应用航空影像的光谱特征、Li DAR数据提取的高度特征及共同特征,应用支持向量机分类器(SVM)进行林隙识别。【结果】3种分割方案的最优尺度均为20;所有尺度均是基于Li DAR数据分割ED3modified(0.52±0.11)低于基于航空影像分割(0.58±0.07)与航空影像Li DAR协同数据分割(0.58±0.07)。在Li DAR数据最优尺度(20)下,采用光谱和高度共同特征的主被动识别与单独采用光谱特征的主动识别及单独使用高度特征的被动识别相比,分类精度分别提高36.71%和8.17%。【结论】3种分割方案中,基于Li DAR数据分割结果最好;使用主被动遥感协同自动识别进行林隙分类时精度最高(OA=87.73%,Kappa=0.81)。     

多源遥感信息提取桉树人工林

针对桉树人工林在遥感影像上与自然林光谱差异小难以区分的问题,研究选取Quickbird,Landsat 8,数字高程模型(DEM)等多源遥感数据,利用决策树加面向对象的分类方法提取桉树林。在多时相Landsat 8提取兴趣区域(ROI)基础上,利用最优尺度(ESP)工具计算研究区最优分割尺度进行分割,然后在高分辨率遥感影像上进行灰度共生矩阵分析,选取最佳纹理参量,最后结合光谱、DEM、SLOPE信息,选择相应参数构建分类决策树,利用面向对象方法提取桉树林。最后对桉树提取结果进行精度评价,使用该方法与用Quickbird、利用TM提取精度分别为89.7%,83.1%,69.8%。表明本方法能够综合多源遥感信息,可以快速、较高精度地提取桉树人工林,具有一定的应用价值。     

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。