基于 TM 影像的土地覆盖分类比较研究

以云南省文山壮族苗族自治州麻栗坡县2005年T M影像为试验数据,利用最大似然分类（M LC ）、支持向量机（SVM ）以及随机森林（RF）3种分类方法进行了土地覆盖遥感分类研究。从分类精度、样本数量对分类器的影响、模型复杂度、分类速度等几个方面进行了比较分析。结果表明：随机森林分类法最优,而经典方法之一的最大似然分类法最稳定。所得出的结论对在类似的应用中如何选择合适的分类方法具有一定的参考价值。     

基于ALOS遥感影像植被分类方法的比较研究

以云南省宜良县ALOS影像为基础数据,利用最大似然法、支持向量机方法和面向对象的支持向量机方法对ALOS影像进行植被分类研究。实验结果:最大似然法分类精度为79.33%,支持向量机方法分类精度为82.25%,面向对象的支持向量机分类方法精度为86.13%,面向对象的支持向量机分类方法取得较好的分类效果。研究结果可为中高分辨率遥感影像分类研究提供参考。     

基于SVM方法的长白山森林植被信息提取的研究

本文以Landsat TM影像数据为基础,采用基于支持向量机分类方法对长白山地区大荒沟林场进行森林植被信息提取,并与传统的最大似然法分类进行对比。结果表明,基于支持向量机方法的森林信息提取精度,Kappa值分别为0.981 0、0.971 6、0.975 3,均超过了最大似然法(MLC)的提取精度和Kappa值0.963 4。该方法有很好的操作性和实用性,准确度满足了林业规划设计的基础数据材料精度要求。     

基于高光谱遥感卫星时序序列玉米种植面积的提取

为了提高玉米种植面积的提取,使用2019年玉米收获前后的卫星影像数据,建立了归一化植被指数时间序列,增强图像信息,结合实测点数据选择分类样本,采用最小距离、最大似然法、神经网络、支持向量机4种方法对合成归一化植被指数图像进行了分类提取。提取结果表明:最大似然法分类精度最高,其次是支持向量机、最小距离、神经网络,与2020年四平市统计年鉴中梨树县玉米耕种面积进行比较的结果也表明,使用最大似然法结合归一化植被指数序列提取的玉米种植面积与政府公布结果最相近。     

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。     

基于遥感影像和二类调查数据的林地类型分类方法对比研究——以广西凭祥市为例

基于Landsat 8 OLI遥感影像和森林资源二类调查数据,对有林地、灌木林地、未成林地和非林地等林地类型,分别采用最大似然、神经网络、支持向量机和决策树分类方法进行分类,验证分类精度,并对分类效果进行对比评价。结果表明:支持向量机分类方法表现最好,分类精度为78.7%,Kappa系数为0.76;其次为神经网络和决策树分类方法,分类精度分别为76.8%和72.5%,Kappa系数分别为0.72和0.68;最大似然法表现最差,分类精度为44.9%,Kappa系数为0.39。研究结果可为森林资源信息的快速提取提供理论依据。     

基于高分二号多光谱数据的树种识别方法

树种识别一直是困扰遥感研究的一个难点,而国产高分二号识别地物和树种具有巨大潜力。选取四川省甘孜州道孚县为研究区,利用高分二号4m多光谱遥感影像,并结合该县的森林资源二类调查结果数据,分别采用最大似然法和支持向量机方法,对利用高分二号数据在树种识别应用中的可能性进行探讨。研究结果表明:所采用的两种方法识别出研究区域主要树种的精度都高于80%,其中:采用最大似然法分类精度为81.79%,支持向量机方法分类精度为86.75%。在先验知识的支持下,利用高分二号多光谱影像也可用于树种识别研究中。     

基于面向对象方法的GF-2影像桉树信息提取对比分析

为研究不同面向对象分类方法对GF-2影像桉树信息提取的可靠性,以广西平朗乡为研究区,首先对GF-2影像做多尺度分割处理,然后采用贝叶斯(Bayes)、决策树(DST)、K最近邻法(KNN)、支持向量机(SVM)、随机森林(RDT)等5种分类器进行分类提取,最后对提取结果进行混淆矩阵精度分析。结果表明:在这5种分类方法中,支持向量机方法的精度最高,总体精度达86.4%,Kappa系数为0.73,贝叶斯方法的精度最差。可见GF-2影像可以作为桉树信息遥感监测的数据源之一,且支持向量机分类方法是桉树提取的较优选择。     

基于多种分类器组合的森林类型信息提取技术研究

遥感图像分类是遥感应用系统中的关键技术,提高遥感图像的分类精度是发展遥感技术重点,采用多分类器组合的算法对黑龙江塔河县森林类型进行分类。根据黑龙江省森林资源调查技术规定及研究区二类调查数据制定分类系统,最终的分类级别为针叶林、阔叶林和针阔混交林。通过分析TM数据的原始波段和NDVI、BI等植被指数提取各分类类型的光谱特征。选择最小距离法、最大似然法、马氏距离法对研究区进行分类,计算出各分类器的精度。在分类器组合的过程中采用信息熵方法确定组合分类器中各分类器的权重系数,利用组合后新的分类器对研究区进行分类。结果表明:多分类器组合的分类精度达75.59%,比单分类器精度提高了3.85%,对阔叶林、针阔混交林、针叶林3种分类类型的分类精度分别达82.32%、66.45%、75.49%,比单分类器进度分别提高了2.87%、4.82%。4.10%。     

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。     

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。     

天水市近30年林地动态变化遥感监测研究

[目的]以甘肃省天水市为例,基于遥感影像变化监测技术,探讨黄土高原丘陵沟壑与小陇山-西秦岭山地交接过渡区域近30年来森林(林地)资源空间分布规律、时间变化趋势及变化影响因素。[方法]以1988—2015年5期夏季Landsat TM/OLI遥感影像为主要数据源,结合辅助数据和外业实地样本点,以光谱特征和指数特征为特征变量,分别利用随机森林(RF)和参数优化支持向量机(POSVM)分类器对土地覆盖类型进行分类,然后基于分类后比较法进行森林资源动态变化监测。[结果]分类结果表明,两种分类器的分类效果均较好,且随机森林分类器在分类精度、效率和稳定性方面明显优于参数优化支持向量机分类器。变化监测结果表明,近30年来森林资源总体变化趋势为林地面积先减少后增加。1990—1996年,林地面积减少0.74%;1996—2002年,林地面积减少2.74%;2002—2008年,林地面积增加1.06%;2008—2015年,林地面积增加8.89%。[结论]本研究采用的基于非参数分类器分类后比较法的变化监测技术是复杂地形地貌过渡区森林资源动态变化监测的一种有效途径,在分类结果分析统计的基础上,得出研究区森林资源变化的总体趋势:以2002年(2002年影像)为界,林地总体趋势为先减少后增加,2002年后林地面积增加显著。     

Poisson Voronoï tiling for finding clusters in spatial point patterns

Abstract

In forest stand mapping a delineation of spatial compact clusters of trees with similar attributes can improve inventory accuracy and growth and yield predictions. To this end a Poisson Voronoï tiling (PVT) for identifying and delineating clusters (features) in spatial point patterns is proposed. PVT operates on the assumption that the point density in clusters is higher than that outside the clusters. A spatial domain of an observed point pattern is tessellated repeatedly into k (random) Poisson Voronoï cells. An average EM-based likelihood of feature based on observed cell point densities is computed for each point and location of interest. Points and locations of interest are then classified by maximizing a classification likelihood. PVT avoids the need to specify the number of clusters. In a direct comparison with a non-parametric maximum profile likelihood procedure, and a smoothed version of the same, PVT performed well on two artificial point patterns with known feature domain and points, and on two spatial point patterns of first returns from a forest lidar survey on Vancouver Island, British Columbia, Canada.     

Wood defect classification based on image analysis and support vector machines

This paper addresses the issue of automatic wood defect classification. A tree-structure support vector machine (SVM) is proposed to classify four types of wood knots by using images captured from lumber boards. Simple and effective features are proposed and extracted by partitioning the knot images into three distinct areas, followed by utilizing a novel order statistic filter to yield an average pseudo color feature in each area. Excellent results have been obtained for the proposed SVM classifier that is trained by 800 wood knot images. Performance evaluation has shown that the proposed SVM classifier resulted in an average classification rate of 96.5% and false alarm rate of 2.25% over 400 test knot images. Future work will include more extensive tests on large data set and the extension of knot types.     

Identification of selected internal wood characteristics in computed tomography images of black spruce: a comparison study

The feasibility of identifying internal wood characteristics in computed tomography (CT) images of black spruce was investigated using two promising classifiers: the maximum likelihood classifier (MLC) and the back propagation (BP) artificial neural network (ANN) classifier. Nine image features including one spectral feature (gray level values), a distance feature, and seven textural features were employed to develop the classifiers. The selected internal wood characteristics to be identified included heartwood, sapwood, bark, and knots. Twenty cross-sectional CT images of a black spruce log were randomly selected to develop the two classifiers. The results suggest that both classifiers produced high classification accuracy. Compared with the MLC classifier (80.9% overall accuracy), the BP ANN classifier had better classification performance (97.6% overall accuracy). Moreover, statistical analysis reveals that the heartwood of the black spruce log used in this study is the easiest to identify by either classifier compared with the other three log features. The results also suggest that the separability of one wood characteristic from the other wood characteristics in black spruce CT images is mainly related to moisture content.     

基于叶片光谱反射率的毛竹氮元素含量估测研究

【目的】以福建省顺昌县大干镇的毛竹为研究对象,研究毛竹叶片氮元素含量的最优估测模型,为毛竹生长状态分析与林地土壤肥力估测提供基础。【方法】通过对毛竹叶片原始光谱、一阶微分光谱及相关的植被指数与叶片氮元素含量进行相关性分析来筛选氮元素敏感特征参数,并构建了多元线性回归模型、随机森林模型以及支持向量机模型,利用决定系数最优原则筛选3个模型中的最优模型并进行精度验证。【结果】R387、DR663、NDVIg-b(R575、R440)、SIPI、PRI和PPR 6个参数与毛竹叶片氮含量具有较为显著的相关性,基于这6个敏感参数所构建的3种模型中,多元线性回归模型与随机森林模型拟合效果较差,精度验证结果R2分别为0.4355、0.4371,惩罚因子C和核参数Sigma分别设为3和0.1的支持向量机模型估测结果最好,其实测值与预测值拟合决定系数为0.8031,总体精度为94.02%。【结论】基于R387、DR663、NDVIg-b(R575、R440)、SIPI、PRI和PPR 6个叶片光谱参数所构建的支持向量机模型能够较为准确地估测毛竹叶片氮元素含量。     

基于3S技术的天保区植被变化监测方法研究

以甘肃省清水县天然林保护区植被时空变化为研究对象,以2期Landsat TM遥感影像为主要信息源,以植被面积和植被覆盖度为监测指标,采用最大似然方法进行监督分类获得土地利用分类图和植被面积,采用NDVI像元二分法获得植被覆盖度图。利用空间分析和统计分析方法将土地利用分类图和植被覆盖度图进行空间叠加分析,揭示研究区1996—2004年间土地利用和植被覆盖度的数量变化和空间变化特征,并对天保区与非天保区以及不同天保区内部的差异进行对比分析。研究结果表明：1996年—2004年间甘肃省清水县天然林保护区森林面积和植被覆盖度得到了明显改善,且天保区优于非天保区; 不同类型天保区植被变化状况有差异,3种类型天然林保护区中以重点生态保护区植被改善状况最为显著。