基于支持向量机的Landsat-8影像森林类型识别研究

以吉林省汪清林业局天然林区为研究区,利用Landsat-8 OLI_TIRS多光谱遥感影像,结合森林资源野外调查数据,提取森林类型纹理、光谱特征参数,作为支持向量机的输入量,利用K-折交叉验证法确定最优核函数,识别森林类型,确定最优分类结果,评价分类精度,并与仅利用波段光谱特征的SVM分类结果进行精度对比。结果表明:利用纹理和光谱特征进行分类,构造SVM进行森林识别是可行的。惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数构造的支持向量机分类精度最好,总体分类精度可达89.58%,Kappa系数为0.87,单一分类精度中,阔叶林针叶林针阔混交林。只利用光谱特征的分类结果精度为81.26%,结合光谱和纹理特征的规律,能够提高分类精度。     

基于 SAM 算法的遥感影像湿地植被分类

以黑龙江省扎龙自然湿地保护区高光谱遥感影像为试验区域,通过对野外试验调查数据和预处理后的高光谱遥感影像进行前期处理,再采用光谱角填图(SAM)图像分类方法进行植被分类实验得出结果,并与最大似然法和支持向量机(SVM)分类方法结果进行对比研究分析,通过实验结果得出误差矩阵和精度评价分析,得到最大似然法的总体分类精度和以及Kappa系数是最低的,而光谱角填图分类方法的总体精度为89.87%,Kappa系数为0.880 7,分类结果要好于其他两种分类方法,其对高光谱遥感影像植被分类实验更具有准确性和实用性。     

基于FDCT与ELM的遥感影像湿地类型分类——以黄家湖国家湿地公园为例

以黄家湖国家湿地公园为例,利用高分辨率遥感影像数据,研究提出了一种基于FDCT与ELM的湿地类型分类方法。该方法利用湿地遥感影像的光谱特征、纹理特征、空间特征作为ELM的输入数据,将遥感影像进行FDCT变换分解,获得影像的高频曲波变换系数和低频曲波变换系数,选取高频部分曲波变换系数组合作为地物的纹理特征;采用连续可微的Sigmod函数作为学习函数。湿地类型识别实验结果表明,该方法能够快速实现湿地类型的自动分类,总体分类精度达到了86.7%,高于传统SVM方法 76.5%的分类精度,Kappa系数超过0.83,为湿地景观遥感动态监测奠定了较好的研究基础。     

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ASD与Hyperion高光谱数据的主要针叶树种分类研究

以云南省香格里拉市为研究区,对ASD光谱仪实测的4种针叶树种光谱数据采用包络线去除法、光谱一阶微分法和光谱二阶微分法3种波段选择方法得到Hyperion高光谱影像数据的分类特征波段,采用最大似然法、支持向量机2种分类方法对所选的特征波段开展树种识别分类,对原始影像采用光谱角填图分类方法作对比实验。结果表明,基于ASD数据的光谱一阶波段选择方案的支持向量机分类方法精度最高,总体分类精度为81.95%,Kappa系数为0.725 1。采用ASD实测光谱数据能有效指导Hyperion进行树种分类,基于数据尺度和换算方式,一阶微分更适合特征波段选择;与传统的数理统计分类方法和光谱特征分类方法相比,基于机器学习的方法如支持向量机等在高光谱遥感分类中具有更大的应用潜力。     

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ALOS数据的遥感植被分类研究

以广西平南县的植被覆盖为研究对象,以ALOS为遥感数据源,并对其进行了数据处理,运用信息量、相关系数及OIF方法,分析数据的波段特征;采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,并将其与传统的监督分类方法进行了比较。结果表明:基于光谱特征的植被遥感信息提取方法分类总体精度显著提高,Kappa系数达到0.877;采用Landsat—5 TM遥感影像对该方法进行推广,分类总体精度为86.09%,Kappa系数为0.83。结果表明该分类方法能有效地对植被进行分类与识别,并对不同数据源的植被分类有一定的普适性,为实现植被的自动化提取提供了理论依据和方法。     

基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。     

基于KPCA的AISA Eagle Ⅱ机载高光谱数据的降维与树种识别

为了提高树种识别的精确度,充分发挥高光谱数据"高光谱分辨率"的优势,以思茅区北部万掌山林场某一区域为试验区,基于AISA EagleⅡ机载高光谱数据,采用不同降维算法进行降维处理后,使用SVM对林区的不同树种进行分类识别,采用主成分分析法(PCA)、核主成分分析法(KPCA)对经过预处理的高光谱图像进行降维处理。KPCA降维采用了线性、多项式和高斯3种核函数,以特征提取效果和累积贡献率作为评价指标来选择核函数。对PCA主成分图像和基于多项式核函数的KPCA主成分图像进行SVM分类识别。试验结果表明,采用KPCA降维后树种分类精度比PCA降维均得到提高。其中,多项式核函数的KPCA分类精度最高,总体精度和Kappa系数分别达到74.46%和0.71,比PCA降维后的分类精度提高11.87%,Kappa系数提高0.15。基于KPCA的SVM分类的运算量大大降低、所需时间大幅缩短,说明KPCA较PCA提取高光谱图像的特征有更好的效果,分类精度和效率也得到提高。     

机载LiDAR和高光谱融合实现普洱山区树种分类

[目的]通过机载遥感影像对普洱山区进行植被分类研究,为山区森林经营规划与可持续经营方案的制图提供高效应用途径。[方法]将2014年4月航拍的机载AISA Eagle II高光谱和Li DAR同步数据融合,利用点云数据提取的数字冠层高度模型(CHM)得到树种的垂直结构信息,结合经过主成分分析(PCA)的高光谱降维影像,选用支持向量机(SVM)分类器进行分类。[结果]普洱市万掌山实验区主要树种分为思茅松、西南桦、刺栲、木荷等。融合影像数据分类的总体精度和Kappa系数分别为80.54%、0.78,比单一高光谱影像数据分类精度分别提高6.55%、0.08,其中主要经营树种思茅松的制图精度达到了90.24%。[结论]该方法对山区主要树种的识别是有效的,将机载Li DAR与高光谱影像融合可以有效改善分类精度。     

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。     

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。     

基于随机森林算法构建Hyperion影像云和云阴影掩模

遥感数据的判读应用不可避免地要受到云和云阴影的干扰,这导致影像中地物信息不完整,给后续影像解译和处理带来障碍。采用最佳波段指数方法筛选出经过预处理的Hyperion高光谱影像最佳波段组合,达到波段去相关、信息含量最大并减少运算量的目的。基于不同地物类型的光谱曲线,采用随机森林算法提取Hyperion影像中云和云阴影信息,建立相应的掩模。研究结果表明,基于经验阈值的决策树分类精度达96.36%,随机森林算法的分类精度达98.86%,Kappa系数为0.951 2,具有更好的分类效果。利用随机森林算法建立高光谱影像云和云阴影掩模,由于随机森林算法是建立在多个决策树分类器结果基础上,避免了单一决策树分类器带来的误分类现象,较好地去除了云和云阴影对遥感解译的影响。     

基于资源3号卫星的面向对象地类信息提取方法研究

面向对象分类方法可以充分利用遥感影像的光谱和空间信息,是一种适合于高分辨遥感影像的分类方法。以2012年资源3号卫星高分辨率遥感影像(ZY-3)为数据源,对基于面向对象与最大似然监督分类的地类信息提取方法进行了对比分析。面向对象分析方法中采用改进后的局部方差法确定并选取不同地类类型的最优分割尺度,并采用多尺度层次的方法提取不同地类类型信息。结果表明:根据改进后的局部方差法确定的针叶林、阔叶林、针阔混交林地类类型的最优分割尺度为105;农田地类的最优分割尺度为105,水域、建筑类型的最优分割尺度为65。基于面向对象技术的地类信息提取方法其总体精度达到90.3%,Kappa系数为0.82;最大似然法其总体精度为77.6%,Kappa系数为0.71;基于面向对象方法的总体精度提高了12.7%,Kappa系数提高了11%。表明了基于面向对象分析方法的地类信息提取在国产高分辨率影像上的适用性。同时,论文的研究也为森林资源调查中地类信息的遥感提取进行了有益的尝试。     

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。     

面向对象CART决策树方法的湿地遥感分类

[目的]以北京地区为例,对大区域多类型湿地信息提取方法进行研究。[方法]采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。[结果]利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10%～20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。[结论]对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。     

基于高分二号遥感数据的森林自然度等级划分

以地面样点为基础的森林自然度评价方法很难获得区域范围森林自然度等级,针对该问题,提出了利用高分遥感卫星影像数据,划分区域范围森林自然度等级的方法。以湖北竹山县九华山林场为试验区域,在选取研究区典型样地的基础上,结合高分二号(GF-2)遥感影像数据的特点,从GF-2影像上提取遥感光谱、纹理等特征并结合地形特征,采用随机森林算法在大尺度范围对九华山林场森林自然度等级进行分类研究。结果发现:以GF-2数据为基础提取的植被指数、光谱、纹理等特征与地形特征结合,采用随机森林算法可较好地划分森林自然度等级,总体分类精度高达93.97%,Kappa系数为0.91。对森林自然度等级影响最重要的6个特征因子为高程、坡向、坡度、纹理均值、光谱主成分变化分量和归一化植被指数(NDVI)。结果表明,基于遥感影像提取的特征和地形特征结合进行森林自然度等级划分的研究方法具有可行性,为大面积区域的森林自然度等级划分奠定基础。     

基于XGBoost的高分二号影像树种识别

树种分布是森林资源监测的一个重要指标,也是遥感影像在森林资源监测应用中的难点之一。基于国产高分二号卫星影像数据、森林资源二类调查数据、DEM数据,结合光谱、纹理、指数及地形因子等多种特征,比较支持向量机、随机森林和XGBoost等3种分类算法,根据分类精度选择最优算法(即XGBoost)进行特征筛选,对龙泉市的阔叶树、马尾松、杉木和毛竹等4种主要优势树种进行分类。结果表明:采用XGBoost分类模型的分类总精度为83.88%,Kappa系数0.78,较支持向量机和随机森林分类方法有明显提高。经特征选择后,虽未明显提高树种分类精度,但可以减少特征的冗余,为小样本数据下特征的选取降维提供了一定的参考。     

高分辨率多光谱遥感影像森林类型分类深度U-net优化方法

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%-12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。