基于多时相资源一号04星多光谱影像的土地利用分类——以海南西北部地区为例

【目的】基于3期2015年获取的资源一号04星(CBERS-04)多光谱遥感数据,探讨CBERS-04多光谱数据在热带地区土地利用分类中的应用潜力。【方法】结合光谱和物候信息,分别采用最大似然法和决策树分类方法对海南西北部地区土地利用现状进行分类研究。【结果】基于单景的最大似然法可获得相对理想的分类精度,总体分类精度为85.8%~88.8%,卡帕系数为0.80~0.84;同时使用3期影像作为输入,运用最大似然法和决策树分类方法,其分类精度均有明显提升,总体分类精度达91.61%~92.61%,卡帕系数为0.88~0.89,其中最大似然法略优于决策树分类算法。【结论】联合多期CBERS-04多光谱数据能够准确提取热带地区土地利用现状信息,具有广阔的应用前景。     

最大似然分类的训练样本敏感度研究

【目的】遥感影像监督分类能够快速获取土地利用和地表覆盖的信息,分类样本的选取对分类精度具有决定性的作用。以最大似然分类方法为例,研究样本数量、均值和标准差对分类精度的影响。【方法】基于地表覆盖产品GlobeLand30分层随机选取不同数量的训练样本,采用最大似然法对研究区域的Landsat8遥感影像进行分类。通过谷歌地球高分影像选取一定数量的检验样本,对影像分类结果进行精度评价,并研究样本数量、均值和标准差对分类结果的影响。【结果】不同数量的训练样本得到的分类精度不同,分类精度随着样本数量的增加先增加后下降,然后渐趋于稳定;在样本质量特征方面,当训练样本的均值和标准差越接近检验样本的均值和标准差时,分类结果的精度越高,反之则分类精度较低。【结论】在最大似然分类过程中,训练样本数量的选取存在临界值,当达到临界值时即可获得较高分类精度,随后即使增加样本的数量也无法显著提高分类结果的精度。在样本质量方面,要尽量选取能够反映地物真实特征的训练样本进行分类。     

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。     

SPOT5遥感影像土地利用信息提取方法研究

【目的】探讨高分辨率遥感影像土地利用信息提取方法的优劣,为研究土地利用/覆盖动态变化提供参考。【方法】以结合纹理特征的支持向量机(Support vector machine,SVM)分类和多尺度分割的面向对象分类为主要技术,对陕西佛坪长角坝乡遥感影像的土地利用信息进行提取,并将分类结果与基于传统像元的最大似然法分类结果进行比较分析。【结果】面向对象分类法的总精度达到90.67%,较结合纹理特征的SVM法提高了8.34%,而与最大似然分类法相比提高了近20.32%,克服了其他分类方法存在的同谱异物现象及分类结果中地物破碎等缺点,取得了较好的分类结果。【结论】利用面向对象分类法不仅达到了提取土地利用信息的目的,而且精度高、速度快。     

基于GF-1影像的玉米识别方法研究

本研究选取新疆昌吉市为研究区,以基于GF-1影像的作物分类与玉米识别为目的,利用2015年的5景高空间和高时间分辨率的GF-1遥感影像,经对影像进行掩膜处理后,分别利用最大似然法、马氏距离法、最小距离法、平行六面体法、神经网络法和支持向量机法对昌吉市的作物进行分类与玉米识别。结果表明,昌吉市玉米识别的最佳方法为最大似然法,最佳月份为8月,总体分类精度为98.48%,Kappa系数可达到0.98,制图精度与用户精度分别为99.93%和97.72%。     

基于Landsat-8和Sentinel-2A多光谱影像的陆良县日光温室面积估算

【目的】选取云南省陆良县,开展基于Landsat-8 OLI和Sentinel-2A MSI影像的设施种植区域监测研究,及时为农业生产管理提供准确的设施农业空间信息。【方法】首先分析日光温室及其他典型地物的遥感特征,然后使用目视解译以及最小距离法、马氏距离法、最大似然法、支持向量机等4种监督分类方法提取设施种植空间信息,再使用亚米级Google earth历史影像为底图建立验证样区。通过目视解译提取样区设施种植区域信息,以此验证Landsat-8和Sentinel-2A影像的监测精度,选择最优监测方法。【结果】使用Landsat-8影像,基于目视解译及4种监督分类方法的精度依次为97. 54%、77. 31%、91. 35%、91. 89%和83. 15%;使用Sentinel-2A影像,基于目视解译及4种监督分类方法的精度依次98. 82%、80. 80%、87. 01%、93. 89%和85. 41%。【结论】①2种影像的日光温室监测均适于使用最大似然法,其估算精度与目视解译精度误差分别为5. 65%和4. 93%;②遥感监测显示,2016年陆良县日光温室主要集中于该县湖积平原区。基于Landsat-8影像监测的面积为5381. 62 hm2,基于Sentinel-2A影像监测的面积为5347. 84 hm2。     

基于EnMAP-Box的遥感图像分类研究

采用2007年6月云南省勐腊县TM遥感数据,利用EnMAP-box进行了支持向量机的图像分类研究,以网格搜索法寻找最优参数,在设定的范围内,求得了最优C和g参数,用此参数进行支持向量机的遥感图像土地覆盖分类。结果表明：SVM方法较最大似然分类方法具有较高的分类精度,特别是阔叶林和橡胶林的精度明显优于最大似然分类方法;对于面积较小的次要类型,2种分类方法的精度基本保持一致;SVM的总体精度相对于最大似然分类提高了11.9％。     

基于浅层学习方法的石漠化休耕试点区作物分类

【目的】应用浅层结构的机器学习分类器和高空间分辨率影像实现休耕区绿肥、粮食及经济作物快速准确分类。【方法】利用分辨率为5 m的RapidEye影像,以云南省石林县部分休耕试点区为研究区,使用Softmax浅层机器学习分类器对研究区内绿肥作物、水稻、玉米及烟草等4种典型作物进行遥感识别与空间信息提取,并以极大似然分类法为参照,通过地面样方数据验证该方法的精度。【结果】基于Softmax方法的4种典型作物分类的总体精度和Kappa系数分别为85.98%和0.815 7,比极大似然分类高4.59%和0.061 7;绿肥、水稻、烟草的生产者精度和用户精度均达到84%以上,玉米则低于75%,原因是绿肥、水稻、烟草3种作物种植较为集中,而玉米种植地块面积小且极为分散;绿肥与烟草错分问题较明显,影响因素为"同物异谱、异物同谱"。【结论】基于Softmax的浅层机器学习分类器提高了分类精度,文章研究结果可为使用浅层机器学习方法快速准确掌握休耕情况提供参考。     

高分辨率影像城区建筑物提取研究

【目的】探讨高分辨率遥感影像城区建筑物提取方法,为快速获取城区建筑物分布和辅助制订城区发展规划提供参考。【方法】以陕西杨凌西北农林科技大学北校区为研究对象,采用知识规则与支持向量机(Support vector machines,SVM)相结合的面向对象分析方法,从QuickBird影像中提取建筑物,并与基于SVM的面向对象分析方法及传统的基于像元的分类方法进行比较。【结果】采用知识规则与SVM相结合的面向对象分析方法所得的分类结果表明,提取建筑物总体精度达到90.68%,Kappa系数为0.81,较基于SVM的面向对象分析方法、SVM、最大似然法、K均值法总体精度分别提高了10.38%,15.31%,26.4%和29.2%。【结论】基于知识规则和SVM相结合的面向对象分析方法精度高、速度快,可快速获取建筑物的分布情况。     

基于对象的CHRIS遥感图像森林类型分类方法研究

高光谱遥感森林类型分类中采用传统基于像素分类方法精度较低,本文通过高光谱遥感影像的特征,采用面向对象的最近邻监督分类方法对高光谱CHRIS影像进行分类实验,首先对影像进行多尺度分割,然后将分割对象信息、形状特征及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像素的最大似然分类方法进行比较分析,结果表明,面向对象的最近邻法能够较好的识别森林类型,总精度为89.06%,kappa系数为0.82,而最大似然法分类精度为85.75%,kappa系数为0.79.其分类精度明显高于最大似然法,这表明该方法适合高光谱遥感影像分类,为今后的高光谱遥感森林类型分类能够起到技术参考和理论依据.