基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。     

时间序列特征提取和分类器对农作物分类的影响研究

【目的】准确的作物空间分布是农业估产、作物长势和病虫害防控等农业遥感监测的重要基础信息。选择合适的特征和分类器对作物空间信息的提取有重要意义。【方法】文章基于北安市的Landsat 8时间序列数据探究了特征提取和分类器选择对作物分类的影响。首先,基于Google Earth Engine (GEE)平台提取光谱、植被指数、纹理和物候时序特征;其次,将不同特征及其组合输入最小距离法(Minimum Distance Classification,MDC)、朴素贝叶斯(Na?ve Bayes,NB)、K最近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF) 5种分类器比较精度;最后,计算分离性指数(Separability Index,SI)评估特征对识别作物的贡献度,辅助验证分类器的分类结果。【结果】研究结果表明:(1)4类特征中光谱特征分类精度最高,3种特征组合中光谱+植被指数精度最高,但相较于光谱特征精度提仅提高0.6%,说明时序光谱特征足以得到较好的作物分类结果,提取的其他特征对精度提升作用不明显;(2)通过比较5种分类器的精度均值和标准差,性能最好的是RF,其次是SVM,MDC的性能最差;(3)在特征分离性方面,光谱特征最好,其次是植被指数、物候和纹理特征。【结论】光谱时序特征结合RF分类器效率最高,能得到较好的作物识别效果。文章能为作物分类特征提取和分类器选择提供参考和依据。     

基于机器视觉的核桃仁动态分级研究

【目的】基于机器视觉技术研究出一种适合新疆核桃仁动态分级处理的方法。【方法】利用实时采集且已经完成图像预处理的样品核桃图像得到核桃仁特征集合,运用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,通过对支持向量机、决策树和朴素贝叶斯三种机器学习算法进行模型训练和测试,得出最佳分级方法,设计核桃仁自动追踪方法和动态分级流程,构建的核桃仁自动分级系统。【结果】在使用特征bin19、K₁和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大为97.33%,在动态条件下运用构建的核桃仁自动分级系统对150个核桃仁进行分级测试,正确率为81.33%。【结论】基于机器视觉研究出的核桃仁特征提取与分级方法、核桃仁动态分级处理动作方法,可以有效完成对核桃颜色和完整度的分级。     

基于GF-2影像对恰西国家森林公园的遥感分类

【目的】 选用面向对象的监督分类法,对研究区域的天山云杉林进行遥感分类,选取一种分类效果最佳的方法,为该区域的林地资源调查、动态监测评价提供依据。【方法】 基于高分二号(GF-2)遥感影像数据,借助ESP 尺度评价工具和目视解译相结合,筛选研究区各地物最优分割尺度,利用3种不同分类方法在此基础上进行遥感分类。【结果】 研究区内的水体、道路、其他用地、林地和草地的最优分割尺度,分别为390、372、316、296、246;其次在各地物最优分割尺度下,比较最邻近分类、结合矢量数据分类和阈值分类3种方法,经过精度评估发现,3种分类方法的 Kappa 系数和总体精度值分别为0.760 7、0.782 0、0.840 6和0.814 8、0.830 5、0.876 5。【结论】 阈值分类方法优于其他2种方法,选用更为优良的阈值分类方法引入解决该地区林地资源调查是可行的。     

基于GF-2遥感影像的塑料大棚提取方法对比

为实现GF-2遥感影像在农业领域的有效利用,针对GF-2遥感影像提取塑料大棚,对比分析随机森林、CART决策树及支持向量机3种分类方法的应用,以GF-2遥感影像为数据源,以内蒙古赤峰市喀喇沁旗王爷府镇为研究区,通过潜在分割误差(PSE)、分割强度(NSR)、欧氏距离(ED)3个指标确定最优分割参数组合,利用随机森林(RF)算法筛选出参与分类的最优特征子集,采用随机森林、CART决策树、支持向量机3种分类器进行了塑料大棚提取对比分析。试验结果表明:1)基于PSE、NSR和ED最优分割参数选择方法,应用于面向对象连片塑料大棚特定地物提取的研究分割效果较好;2)通过RF算法分析包含光谱、纹理、形状及相邻关系等多种特征,得出特征个数与分类精度之间呈现先逐渐增大后减小的趋势,该方法在保证分类精度的同时,可有效删除冗余与不相关特征,以提高分类器性能;3)将采用最优特征子集的3种分类器进行对比,随机森林分类效果最好,分类正确率达到89.65%,表明该方法能有效提取GF-2遥感影像连片塑料大棚,为提取设施农业的应用提供参考。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa0.79,随机森林总体精度为89.27%—90.95%,Kappa0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

基于多分类器集成的GF-2作物信息精细提取研究

【目的】将多种分类器的优点融合，以便提升遥感影像作物信息提取的精度。【方法】以渭库绿洲为研究区，利用国产高分2号(GF-2)数据和野外调查数据，基于提取的遥感识别特征制定不同分类方案，采用马氏距离(MsDC)、最小距离(MDC)、最大似然(MLC)、神经网络(NNC)、支持向量机(SVM)5种传统机器学习方法分别对6种特征组合方案的影像进行分类，然后选择基分类器，并应用多数投票法和保守投票法2种多分类器集成算法，对研究区农作物进行精细分类提取。【结果】(1)辅助特征的加入对于子分类器的精度提高明显。5种分类器中除了MLC,其余4种分类器都是在加入归一化植被指数特征(NDVI)和纹理特征后取得了最高精度。(2)基分类器中精度最高的是NNC-4(人工神经网络的第4种特征组合方案),OA达到83.54%,Kappa系数为0.77。(3)相比基分类器，多分类器集成方法能够在制图精度和用户精度两方面提高农作物的提取精度。并且保守投票法优于多数投票法，OA为85.89%,Kappa系数为0.80。(4)集成分类结果中除了棉花的识别精度与最优基分类器NNC-4相等，达到94.94%外，其他的农作物如...     

高分辨率遥感影像林地类型精细识别

以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法（MLC）和支持向量机法（SVM）]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

基于支持向量机的TM遥感影像土地利用/覆盖类型监测

基于TM遥感数据和林业二调数据,对云南省宜良县北古城镇进行土地监测和土地利用分类,利用ArcGIS和ENVI软件对原始影像数据进行裁剪,运用支持向量机(SVM)监督分类方法,将研究区的土地利用类型分为农地、建筑用地、水域、针叶林、裸地6个类别,并且达到一定的分类精度,以图像的形式直观地展示研究区的土地覆盖类型,并以林业二调数据为ROI(感兴趣区域)来验证分类精度。在此基础上,指出了研究区土地利用中存在的问题和生态结构的变化,并提出了调整对策。     

基于面向对象的资源3号遥感影像森林分类研究

森林类型识别技术是遥感分类中的重点和难点,采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源3号遥感影像可为森林类型提取提供新方向。以资源3号遥感影像作为基础研究数据,采用面向对象的分类方法,选择分形网络演化法进行多尺度分层分割,并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数,构建了适用于森林类型提取的决策树模型,并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明:多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法,分类精度分别提高了6.1%和12.5%。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

基于无人机影像的天山云杉林单木树冠信息提取

【目的】 研究树冠信息估测出林分密度、生长量等森林调查指标,判断林木生长优良状况提供参考,【方法】 基于无人机遥感影像,以新疆农业大学实习林场主伐迹地下天山云杉林(Picea Schrenkiana var tianshanica)为研究对象,采用高斯-拉普拉斯算子(Laplacian of Gaussian,LOG)结合最大类间方差寻找最优阈值(Otsu)对影像进行处理,并利用标记控制分水岭分割方法分别提取疏、中、密3种不同郁闭度的天山云杉单木树冠信息。【结果】 利用优化后的标记控制分水岭分割方法较好的解决了过分割问题,对单木树冠信息提取的F测度在疏、中、密林区分别是98.26%、92.91%和87.57%。【结论】 使用的方法提取单木树冠信息精度较高,可以评价对天山云杉林的生长状况,可对主伐迹地下天山云杉林的更新和恢复提供可靠的技术支撑。     

多时相高分辨率遥感影像的森林可燃物分类和变化分析

目的本文针对国内外利用多时相高分辨率遥感影像进行森林可燃物分类研究匮乏的情况，探索高分辨率影像的分类方法，并研究多时相森林可燃物分类结果的差异，以及与海拔、坡度变化的关系。方法以鹫峰林场为研究区，针对鹫峰林场内植被状况及以往研究成果，主要依据植物群落、林型和燃烧特性划分可燃物类别，研究对比不同森林可燃物类型的光谱特征曲线，建立遥感图像与森林可燃物的联系。选用GF-1号5、8、10月的遥感影像为原始数据，利用EnMAP-box中的支持向量机(SVM)算法、随机森林(RF)以及基于CART的决策树分类方法进行森林可燃物分类，将可燃物类别最终划分为:针叶林、阔叶林、针阔混交林、灌木林和非林地5种类别，并分别对其特征进行描述，之后将最优分类方法应用到多时相的遥感影像中，并使用变化检测算法来确定非防火期(5—10月)森林可燃物类型之间土地面积的变化情况。同时，我们将数字高程模型(DEM)分为4类(1类(< 250 m)、2类(250~500 m)、3类((500~750 m)和4类(>750 m))，坡度分3类:缓坡(< 15°)、斜坡(15°~35°)、陡坡(>35°)，并使用Jenks方法分别对海拔和坡度每个类别土地面积变化计算百分比，研究随着海拔和坡度变化，森林可燃物面积的变化规律。结果划分的5种森林可燃物类别的光谱特征具有很好区分性，SVM分类最为准确，取得惩罚参数(C)为1 000和核参数(g)为10使得SVM分类模型达到最优，其总体分类精度为91.88%，Kappa系数为0.89，精度相对RF和CART分别提高了2.72%和9.36%。非防火期内(5—11月)森林可燃物类型变化有一定的规律，针叶林、混交林属于中等稳定类别，没有显著变化，分别保持93.74%和94.87%不变。相比之下，阔叶林和灌木林发生了较大变化，分别发生14.64%和13.36%。随着海拔的增加和坡度的变化，森林可燃物类型土地面积也发生了变化，海拔500~750 m和坡度16°~35°的土地上面积变化最大，达到了20%以上。结论多时相高分辨率遥感影像的森林可燃物分类中，基于SVM分类方法能够将可燃物更好地分类，且随着时间、海拔和坡度的变化，森林可燃物面积的变化有一定的规律，5—10月阔叶林和灌木林在海拔500~750 m和坡度16°~35°变化最大。      

基于Google Earth Engine与机器学习的黄土梯田动态监测

  目的   梯田是黄土高原最重要的水土保持措施和农业生产措施,高效、准确地获取长时间序列黄土梯田分布信息,对黄土高原的水土保持监测和评价十分重要。   方法   在Google Earth Engine(GEE)的支持下,以宁夏回族自治区固原市为研究区,使用遥感影像监督识别技术,对比随机森林(RF)、决策树(CART)、支持向量机(SVM)等3种机器学习算法的识别精度,探讨LandTrendr算法在长时间序列动态监测中的优化应用,最终获取固原市近30 a梯田分布信息。   结果   ①3种算法识别精度从大至小依次为随机森林、决策树、支持向量机。②使用随机森林算法识别梯田,基于样点检验总体精度达94.10%,Kappa系数达0.87,基于实地斑块检验总体精度达93.33%,Kappa系数达0.80。③ LandTrendr算法能有效校正时间序列中的错误值。④ 1988－2019年,固原市梯田面积减少了45.90%。⑤固原市西部的梯田使用时间较东部更长。   结论   采用本研究方法在GEE云平台可以高效、准确地遥感监测长时序、大尺度的黄土梯田。固原市近30 a梯田农业比例逐渐下降,促进了生态环境持续向好发展。图4表3参22