Erf-BP混合像元分解及在森林遥感信息提取中应用

提出一种新的基于高斯误差函数(Gaussian error function,Eft)作为激活函数的BP神经网络(Erf-BP),并用于林区TM影像进行混合像元分解.研究表明:Erf-BP模型的精度高于线性无约束最小二乘法模型及最大似然法.通过在高分辨率影像上选取验证样区精度检验得出:1)各端元总分解精度为89.2%,RMSE比线性无约束最小二乘法模型降低了近39%;2)该方法能够较高精度地提取森林遥感信息,精度达到86%,RMSE比线性无约束最小二乘法模型降低了近40.6%.将3种不同方法估计的整个研究区各端元面积百分比与森林资源二类调查数据作对比得出:Erf-BP模型精度略高于最大似然法,RMSE分别为4.18%和7.90%,两者精度明显高于线性无约束最小二乘法模型(RMSE=18.75%).Erf-BP算法能够较高精度地对TM影像进行混合像元分解,尤其在森林信息提取上,为基于混合像元分解提取不同森林类型甚至树种遥感信息提供一种可行的方法.     

基于改进端元提纯模型的MODIS森林类型识别研究

MODIS遥感数据具有很高的光谱辐射精度,以及成本低、覆盖面积广、获取容易、周期短等数据特征,可以实现全覆盖大尺度区域森林类型信息快速提取,但由于其空间分辨率较低,遥感数据中存在混合像元。利用混合像元分解模型进行分解可得到较好的分类结果,但混合像元分解的端元组分直接影响分类的精度。利用决策树分类模型改进端元提纯,分析各地物的MODIS时间序列植被指数变化规律及物候变化规律,利用决策树模型分类的结果进行端元组分的提纯,最后进行混合像元分解。研究结果表明:分类精度最高的是线性混合像元分解,其次是最大似然分类,最差的是非线性混合像元分解,其中带约束和不带约束的线性分解模型的精度相差不大。     

线性混合像元分解及其在林业中的应用

由于地表覆盖的复杂性,在遥感影像中存在混合像元现象。文中对混合像元分解模型进行梳理,并针对线性混合像元分解在林业中的应用做了分类总结。目前混合像元分解模型主要有线性、概率、几何光学、随机几何与模糊模型5种,不同模型所需参数与输出结果也存在一定差异。其中线性混合模型在林业中的应用最为广泛,主要有土地利用分类与变化监测、森林灾害监测、稀疏植被探测、城市植被丰度估算、不均匀冠层参数估算等方面。     

混合像元分解研究综述

混合像元是遥感领域研究的热点,混合像元的问题若得不到很好的解决,将会给遥感的后续应用研究带来较大的误差.本文简要介绍目前国内混合像元的主要分解方法:有线性光谱混合模型、非线性光谱混合模型、模糊监督分类法和神经网络模型分类法,并对其优缺点进行了简要说明.     

考虑地形因素的像元均方差抛物线拟合高山松丰度研究

基于香格里拉地区Landsat 8影像、外业调查和森林资源二类调查数据,采用坡度匹配法对遥感数据进行了地形校正,使用线性波谱分离(LSU)、匹配滤波(MF)、最小能量约束(CEM)、像元均方差抛物线(PMVP)等4种方法,提取了高山松丰度图。分析丰度结果,4个典型样区平均均方根误差值排序为LSUPMVPCEMMF,PMVP能较好地分出高山松边界信息,丰度提取效果较好。使用上述4种不同方法将4个不同的地物混合类型提取的高山松丰度与真实丰度(0.557 7)进行对比,接近程度依次为PMVP,LSU,CEM,MF。利用像元均方差抛物线方法提取高山松丰度精度较高,后期还可以探索更合适的拟合曲线方法,使其能应用到森林树种的丰度提取和林地覆盖分类中。     

基于Landsat 8-OLI的荒漠化地区植被覆盖度反演模型研究

基于Landsat 8-OLI影像数据,利用植被指数逐步回归分析和线性混合像元分解的方法,结合134个野外样地调查数据,将线性混合像元分解结果(植被丰度)导入影像植被指数逐步回归模型,建立康保县荒漠化地区植被覆盖度反演混合模型,并进行精度检验。结果表明:(1)在所选16种影像植被指数中,采用单一植被指数进行荒漠化地区植被覆盖度反演建模,与植被覆盖度拟合优度最高的是归一化植被指数(NDVI)和土壤调节植被指数(SAVI),利用植被指数逐步回归分析建模,筛选出的3种最佳影像植被指数是土壤调节植被指数(SAVI0.5),比值植被指数(SR_(N-R))和增强型植被指数(EVI);(2)通过线性混合像元分解建立的植被覆盖度反演模型,分解所得植被丰度与植被覆盖度的决定系数为0.673,模型精度低于利用植被指数逐步回归分析法反演的模型精度,但高于单一植被指数与植被覆盖度反演模型的精度;(3)精度检验显示植被指数逐步回归分析法反演的植被覆盖度模型的决定系数(R~2)和精度分别为0.719和86.70%,而混合像元分解和植被指数逐步回归分析综合所建的混合模型的决定系数(R~2)和精度分别为0.807和92.37%,表明植被指数逐步回归分析与混合像元分解相结合能较好地提高荒漠化地区植被覆盖度反演精度。     

基于植被丰度分析的城市植被胁迫遥感监测

以混合像元分解提取植被丰度作为主要手段,研究基于广州市区东边建成区的Hyperion高光谱遥感影像,以遥感影像预处理—特征选择—SMACC混合像元分解的步骤提取出植被丰度图,再进行PPI迭代运算纯化,提取出7种表征植被健康状况差异端元的PPI影像。经实地考察植被胁迫位置的周边人类活动的情况,结合植物生理学和光谱学分析反射率波谱曲线的变化,解释植物受到胁迫的原因,以期为城市绿地调查管理提供参考。     

基于分类方法的泉州湾湿地信息提取

对2002年3月7日的泉州湾湿地ETM+卫星影像采用SFIM融合法、PCA融合法、Brovey融合法和IHS融合法对多光谱影像和全色波段进行融合,并进行融合影像评价,选取融合效果最好的SFIM融合影像进行进一步分析。将ETM+原始未融合影像与SFIM融合影像采用相同分类模板、相同波段和相同分类方法进行分类。研究表明,2种方法提取的泉州湾湿地信息精度都满足精度要求;而SFIM融合影像的分类精度有所提高,但效果不是很明显,这可能是因为湿地地物类型相对较简单,各地物间的可分性相对较高的缘故。     

基于混合像元分解方法的康保县植被覆盖度估测

以康保县为研究区,使用Landsat8 OLI数据,结合134个野外样地调查数据,通过像元二分法、完全约束最小二乘法和随机森林三种方法来进行混合像元的分解,探讨混合像元分解方法对提取地表植被覆盖度的可行性。结果显示:基于随机森林的混合像元分解方法结果最优,F为0.664,RMSE为0.127;三种方法都能较为精确地估测出康保县的植被覆盖情况,且与实测数据较为拟合,因此采用混合像元分解的方法进行植被覆盖度估测是完全可行的。     

基于高分辨率遥感影像与DSM的典型地物提取

高分辨率遥感影像和数字地表模型(DSM)结合的地物信息提取,虽可以区分异物同谱中存在高度差异的地物,但相同高度的地物在DSM数据可能会因海拔高度不同而存在明显差异,降低了地物提取精度。从DSM中提取出地物高度信息(nDSM),再以nDSM结合高分辨率光学影像进行地物提取。结果表明:仅以高分辨率光学影像为数据源的方法分类效果最差,结合DSM数据的方法居中,而结合nDSM的方法最优,说明在基于光学影像和DSM数据的地物提取中,采用去除地形因素的nDSM替代DSM可以有效提高分类精度。     

基于BP神经网络的森林植被遥感分类研究

如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。本文使用Landsat7ETM+遥感数据和森林资源分布图等地理辅助数据,用BP神经网络方法对森林植被进行了分类,并与最大似然法的分类结果进行精度比较分析。结果表明地理辅助数据参与的BP神经网络用于森林植被遥感图像分类其效果是较好的,是一种有效的图像分类方法。     

基于小波包分解的水下物体探测仪目标特征提取

研究基于小波包分解的水下物体探测仪水下目标信号的特征提取方法.应用小波包分解来提取水下目标特征能有效地对水下物体探测仪目标信号进行特征提取,然后通过BP神经网络对小波包所提取的目标特征进行分类.对湖上实验数据的处理结果表明,该方法能够有效地提取水下目标辐射噪声的频域能量特征.     

基于BP神经网络的针阔混交林TM遥感图像自动分类技术研究

在对标准BP神经网络试验分析的基础上，通过输入矢量归一化处理、主成分分析、增加验证集、改进训练学习算法、扩大隐层和输出层规模等措施，对BP神经网络自动分类系统进行改进；利用改进后的BP系统对吉林省汪清林业局的典型针阔混交林TM遥感图像进行辩识、分类试验研究。结果表明：改进后的BP网络分类系统自动分类精度提高了19．14％，比传统无监督自动分类精度提高8．55％，达到了区分森林类型的分类要求。研究还显示了该改进系统应用于针阔混交林TM遥感图像自动分类识别的精度随网络规模增大而提高。     

森林面积方法研究

本文通过对遥感图像的处理和光谱特征信息的分析,应用ETM 影像数据和地面调查数据,研究了遥感数据处理技术在植被信息提取中的应用,尝试对高山峡谷区的森林资源调查提出较为完善的计算机图像处理技术和自动分类方法。对道孚县台站林场和麻孜林场地类的分类结果表明:运用TM453波段融合能够达到较好的图像增强效果;运用无监督分类方法提取森林面积能达到较高的分类精度;NDVI比RVI更能突出植被信息和消除山体阴影的影响。     

基于优化卷积神经网络的木材缺陷检测

针对深度学习中的卷积神经网络算法,在木材无损检测过程中存在缺陷定位不准确、缺陷轮廓和边界信息不完整、识别精度需进一步提高等问题,利用非下采样剪切波变换最优稀疏表示特性,以及简单线性迭代聚类算法能很好地保持像素紧凑度和图像边界轮廓的优点,设计了一种优化的卷积神经网络算法,以提高木材无损检测的准确率。首先采用非下采样剪切波变换对采集的木材图像进行简单预处理,保留木材图像的缺陷特征不丢失,降低图像处理的复杂度以及运算量;然后利用卷积神经网络对木材图像实现深层次的算法设计,同时应用简单线性迭代聚类算法对初步模型进行增强改进,提取出相对准确的木材缺陷轮廓;最后通过反复调整参数和调试优化器,优化卷积神经网络算法的收敛速度,提高学习和运算效率,完善卷积神经网络对木材缺陷轮廓的提取,在降低运算复杂度的同时,提高其精度,具有良好的鲁棒性。相比径向基函数(RBF)神经网络、向后反馈-径向基函数(BP-RBF)混合神经网络和卷积神经网络,本算法对木材缺陷具有更好的识别效果,其识别准确率达到98.6%左右,且识别时间相对更短。     

基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别

为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,提出一种基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别方法.该方法首先在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,取特征权重前8个特征进行病树识别,发现选择差值植被指数DVI(diffe...     

Tree species classification using deep learning and RGB optical images obtained by an unmanned aerial vehicle

The diversity of tree species and the complexity of land use in cities create challenging issues for tree species classification.The combination of deep learning methods and RGB optical images obtained by unmanned aerial vehicles(UAVs) provides a new research direction for urban tree species classification.We proposed an RGB optical image dataset with 10 urban tree species,termed TCC10,which is a benchmark for tree canopy classification(TCC).TCC10 dataset contains two types of data:tree canopy images with simple backgrounds and those with complex backgrounds.The objective was to examine the possibility of using deep learning methods(AlexNet,VGG-16,and ResNet-50) for individual tree species classification.The results of convolutional neural networks(CNNs) were compared with those of K-nearest neighbor(KNN) and BP neural network.Our results demonstrated:(1) ResNet-50 achieved an overall accuracy(OA) of 92.6% and a kappa coefficient of 0.91 for tree species classification on TCC10 and outperformed AlexNet and VGG-16.(2) The classification accuracy of KNN and BP neural network was less than70%,while the accuracy of CNNs was relatively higher.(3)The classification accuracy of tree canopy images with complex backgrounds was lower than that for images with simple backgrounds.For the deciduous tree species in TCC10,the classification accuracy of ResNet-50 was higher in summer than that in autumn.Therefore,the deep learning is effective for urban tree species classification using RGB optical images.     

基于ETM＋影像融合的土地覆盖分类研究——以蓬安县为例

借助ERDAS软件,运用遥感数据融合技术对四川省蓬安县进行基于ETM＋融合影像的土地覆盖分类初步研究。研究中采用相同的训练样本区及最大似然法分类方法,对融合前后影像分别进行土地覆盖分类,通过对分类影像的Producers Accuracy,Users Accuracy,Kappa Accuracy三者的精度数据对比分析,上述的影像融合方法对提高土地覆盖分类的精度较为明显;就3种融合方法及重采样方式而言,乘积法融合法和立方卷积重采样法相对更为可取。     

基于BP神经网络的CT图像重建方法研究

提出了将三层BP神经网络算法应用于不完全投影数据的图像重建。采用新的方法确定隐含层至输出层的权值,利用误差反向传播自动调节输入层和隐含层之间的权值,使重建图像投影不断逼近原始图像投影,并采用改进的Sigmoid函数和在线调整学习速率,显著加快了网络收敛速度,提高了重建图像质量。     

动态数据驱动的林火蔓延模型适宜性选择

基于BP人工神经网络方法设计林火模型适宜性选择技术框架结构,通过神经网络形成林火模型选择知识,实现林火模型的自动化和智能化选择;以火场环境因子为输入变量,以适宜火场环境模拟的林火蔓延模型作为输出变量,构建林火模型选择神经网络模型;研究输入、输出因子数据的获取与计算方式,实现动态数据驱动的林火模型自动选择机制.以北京市为例,选择有详细火场情况记录的72场林火作为试验样本,其中60条记录作为学习样本集,12条记录作为验证样本,对神经网络进行学习和验证,结果表明:模型选择精度可达到80%以上.