基于随机森林算法的农耕区土地利用分类研究

基于随机森林算法,采用多季节、多时相光谱信息、纹理信息和地形信息进行分类研究,选出最佳分类方案对农耕区土地利用信息进行提取,并利用随机森林算法对所有特征变量进行降维,将降维后的变量分别用于随机森林、支持向量机和最大似然分类法,分析不同分类方法对农耕区土地利用类型提取的适用性。研究结果表明:基于随机森林算法的多源信息综合分类方案进行土地利用信息提取效果最佳,总体精度85.54%,Kappa系数0.835 9;利用随机森林算法进行特征选择可以在有效降低数据维度的同时保证分类精度;3种分类方法中,随机森林算法总体分类精度81.08%,分别较支持向量机和最大似然法高9.46%和5.27%。利用随机森林分类法结合多源信息能够有效对农耕区土地利用类型进行分类,为土地类型的划分提供了快捷可行的方法。     

基于机载CCD和ALS伪波形数据的山区地表分类研究

为利用机载激光雷达(Airborne Li DAR scanning,ALS)、结合高空间分辨率影像进行土地利用分类,提出一种利用统计高程分布曲线生成的ALS伪波形,结合点云强度信息和CCD影像RGB 3波段数据对山区复杂地表进行分类的方法,并验证了该方法对山区复杂地形下典型地物的分类精度。通过安徽黄山地区研究区数据分类结果与相同区域基于光学图像的Globe Land30全球分类产品的对比,验证了该分类方法的可行性和适用性。利用伪波形结合强度信息和RGB信息生成的分类特征曲线,采用神经网络分类方法(ANN)将研究区内地物分为农田、森林、水体、村庄4类。结果表明,研究区分类总体精度达到95. 22%,Kappa系数0. 919 2,较同一区域、同等分辨率的光学数据分类产品(总体精度79. 56%,Kappa系数0. 661 8)精度显著提高。     

提高土地利用——土地覆盖遥感分类精度方法研究综述

本文总结了国内外提高土地利用-土地覆盖遥感分类精度的若干方法:可提高精度的大气校正方法、多源信息融合方法、人工智能分类方法等.并对其中部分方法进行了优缺点评价.     

基于RNMU的多源星载SAR影像融合与土地覆盖分类

为充分利用多时相、多极化SAR数据在不同土地覆盖类型中的后向散射特性,将递归非负矩阵下近似(Recursive nonnegative matrix underapproximation,RNMU)算法引入多源SAR数据的融合,并利用融合后的SAR影像实现较高精度的土地覆盖分类。融合过程中,在根据不同模式SAR影像特点进行多源SAR影像预处理的基础上,基于RNMU算法通过对多个输入SAR影像进行矩阵分解及迭代最优矩阵求解,得到融合影像。为验证融合后SAR影像在土地覆盖分类中的应用效果,以吉林省大安市为研究区,对多时相Sentinel-1的VV/VH双极化SAR数据和高分三号(GF-3)的HH/HV双极化SAR数据进行了基于RNMU的影像融合,并利用融合后的SAR影像进行研究区主要土地覆盖类型分类。实验结果表明,基于RNMU融合影像的土地覆盖分类总体精度达93. 11%,Kappa系数为0. 86,与Gram-Schmid(G-S)融合方法相比,分类总体精度提高了6. 83个百分点,Kappa系数提高0. 12。多源SAR融合为SAR影像融合提供了有效手段,为土地覆盖分类提供了更多高精度的数据资源。     

基于高分辨率遥感影像分类的城镇土地利用规划监测

城镇土地利用规划是城镇化健康有序推进的基础,规划实施监测是其实施的保障。遥感和GIS相结合的方法可快速监测城镇土地利用规划实施情况,保障土地利用规划实施的动态管理。利用0.5 m分辨率的World View-2卫星遥感影像,采用面向对象的影像分析方法,针对基于知识规则分类特征选取及阈值确定难点,将CART决策树与面向对象分类方法结合,实现参与分类最优对象特征的选择以及特征阈值的自动确定。在分类基础上,对每个规划图斑计算地类规划实施完成率,实现对土地利用规划实施过程进行监测评价。最后,以北京市房山区某区域为研究区,进行了试验验证。结果表明:最终分类总体精度达0.89,Kappa系数为0.87,表明构建的分类算法基本能满足城镇土地利用规划监测的需求。研究区东北部土地利用规划实施情况比西部好,公共绿地、水域等地类需重点调查监测,同时二类居住用地的建筑密度偏高,绿化率偏低。     

基于MESMA和RF的山丘区土地利用信息分类提取

探讨了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和随机森林(Random forest,RF)相结合的土地利用信息分类提取方法。以Landsat-8 OLI卫星遥感影像为主要数据,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA将影像分解为植被、不透水面和裸土3类组分,将生成的3类组分变量和基于光谱、纹理信息计算选取的20个特征变量组合后开展RF分类实验,将分类结果与相同特征变量下的支持向量机(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分类结果进行比较分析。结果表明:MESMA可以获得较为精确的组分丰度信息;RF分类结果优于相同特征变量下的SVM和MLC分类结果;在MESMA生成的组分信息变量参与分类后,3种方法的分类精度均有所改善,分别达90.50%、88.85%、86.35%,其中RF的分类精度改善最为显著;MESMA与线性混合分解(Linear spectral mixture analysis,LSMA)生成的组分信息变量相比,前者对于改善分类精度效果更为明显。MESMA对于提高影像分类精度起到一定积极作用,基于MESMA和RF的方法对中等空间分辨率影像山丘区土地利用信息分类提取精度较高,利用该方法开展遥感影像解译可为大尺度的土地利用监测和管理工作提供技术支持和理论参考。     

提高土地利用——土地覆盖遥感分类精度方法研究综述

本文总结了国内外提高土地利用-土地覆盖遥感分类精度的若干方法：可提高精度的大气校正方法、多源信息融合方法、人工智能分类方法等。并对其中部分方法进行了优缺点评价。     

森林分类经营区划界定技术方法的研究

林业分类经营是林业经营机制和政策的一场大调整,森林经营区划是对森林经营具体措施的划分,是森林经营规划编制的首要环节.本文从森林分类经营的观点出发,根据吉林省森林的实际情况,阐述了森林分类经营区划界定的意义,研究了森林分类经营区划界定工作的具体运作过程,为实行森林的分类经营,分类管理优化资源配置奠定了基础.     

基于多目标遗传随机森林特征选择的面向对象湿地分类

以多时相Landsat8影像和SRTM DEM为数据源,对南瓮河流域进行了面向对象湿地分类。为削弱高维特征集对分类精度的影响,提出一种多目标遗传随机森林组合式特征选择算法(MOGARF)进行特征集优化。利用Relief F算法对完整特征集进行特征初选,再以基于随机森林的封装式多目标遗传算法进一步提取优化特征集。将所得特征集结合随机森林分类法提取湿地信息。并将结果分别与基于完整特征集和仅采用Relief F算法及Boruta算法提取的优化特征集的3种随机森林分类结果对比。试验结果表明,采用MOGARF算法特征选择后,特征维度降低至原来的10%,且分类精度最高,总体精度为92.61%,比其他分类方案提高0.35%~1.94%,Kappa系数为0.907 5,袋外误差为7.77%,比其他分类方案降低0.91%~1.48%。利用MOGARF特征选择的随机森林分类法是湿地分类的有效方法。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于无人机高光谱遥感影像的防护林树种分类

树种信息对林业资源监测和管理具有重要意义,及时准确地掌握树种及长势状况是防护林工程建设与效益评价的基础。为研究利用无人机高光谱数据进行防护林树种分类的效果,选取典型区域使用Matrice600型六旋翼无人机搭载Rikola高光谱成像仪获取高光谱影像,基于支持向量机-递归特征消除算法（SVM-RFE）选取原始波段最佳组合,再结合纹理特征、植被指数和数理统计特征,使用随机森林算法对所有特征进行重要性评估并与分类精度相结合进行特征优化,进而构建高光谱影像全波段、原始波段最佳组合、全部特征变量、基于随机森林（RF）特征优化后特征变量4种分类方案,分别采用最大似然法（MLC）、支持向量机（SVM）、随机森林对防护林优势树种进行分类。结果表明：所提出的基于交叉验证的SVM-RFE算法选出的原始波段组合能更好地还原原始光谱特征;通过RF算法的特征重要性分析与分类精度相结合的方法可以有效选出重要特征,当使用全部特征的85%（包括17个光谱特征、3个纹理特征、5个植被指数和3个数理统计特征）进行分类时,总体精度最高为9593%（Kappa系数为0.9475）;所有特征中植被指数特征最重要,3种分类方法中RF算法分类总体精度（OA）最高。     

基于多时相GF1-WFV和GF3-FSⅡ极化特征的湿地分类

针对湿地季节性变化特点和不同湿地类型植被覆盖的差异,综合利用多时相GF1-WFV和GF3-FSⅡ极化特征数据,开展湿地精细分类方法研究。首先,对13期GF1-WFV影像的光谱信息、植被指数和水体指数,利用随机森林算法(Random forests,RF)的OOB样本,优选出50个特征值,进行湿地初分类;然后,针对分类结果中沼泽草地、灌丛沼泽和沼泽地混分,部分湿地类型识别精度低的问题,利用1期植被生长旺盛期的GF3-FSⅡ双极化SAR影像,从强度和幅度两个维度进行后向散射特征分析,优选σFD-HH进行部分湿地类型识别;最后,以吉林省大安市为研究区进行实例验证与分析,结果表明,湿地分类总体精度为86. 23%,Kappa系数为0. 82。本文研究结果可以为湿地资源调查和管理提供技术支撑。     

基于改进分离阈值特征优选的秋季作物遥感分类

为了提高秋季作物分类精度,以多时相的Sentinel 2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMISE based Relief F,ReEMISE),并分析了不同特征对秋季作物分类的重要性。首先,利用Relief F算法对特征进行初选,结合EMISE算法对2种评价准则进行融合,再优化初选特征集,进而利用随机森林(Random forest,RF)方法提取农作物种植面积,并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较。同时,利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征,通过7组不同的特征组合提取秋季作物种植面积,分析不同特征组合对秋季作物分类精度的影响。结果表明:ReEMISE特征优选的随机森林法在特征变量为9个时精度最高,总体精度和Kappa系数分别为95.3918%和0.9397;综合多特征是提高农作物分类精度的关键,在多时相光谱特征基础上分别加入传统指数特征和红边特征,总体精度分别提高1.5021、1.5715个百分点,Kappa系数分别提高0.0198、0.0207。因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率。     

基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息，为探究2021年黄淮海平原冬小麦空间分布信息，基于Google Earth Engine（GEE）云平台，以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源，通过计算极化特征、光谱特征和纹理特征，运用随机森林等4种机器学习方法和深度循环神经网络模型，对研究区冬小麦空间分布信息进行提取，并对比各分类器和网络架构的分类精度。结果表明，黄淮海平原冬小麦总面积约为16226667hm2，占研究区总面积的49.17%，其中冬小麦种植面积最大的是河南省，约为4647334hm2，研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势；随机森林是4种机器学习方法中识别精度最高的分类器，总体分类精度为94.30%；在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%，仅使用Sentinel-2光学数据总体精度为93.95%，而融合时序Sentinel主被动遥感数据总体精度为94.30%；在大范围的冬小麦分类上，深度学习模型的泛化性高于机器学习方法。     

基于无人机遥感的高潜水位采煤沉陷湿地植被分类

为了掌握采煤沉陷湿地植被的类别和空间分布,促进矿区土地利用、管理和修复,以山东省济宁市东滩煤矿3304工作面为研究区,以无人机多光谱影像为数据源,分别采用面向对象的分类方法和监督分类方法对研究区湿地植被进行分类。基于优选的面向对象尺度分割参数,确定分类规则后构建面向对象分类模型,对湿地植被进行分类,生成植被分布图。同时,利用野外获取的322个采样点进行精度验证。结果表明:与基于像元的监督分类方法相比,面向对象分类方法显著提高了影像分类精度。监督分类方法总体精度为44. 3%,Kappa系数为0. 4;面向对象分类方法总体精度达到84. 2%,Kappa系数为0. 8。该研究为采煤沉陷区湿地调查与开采沉陷影响下地表植被空间分布规律研究提供了方法与基础数据。     

土地利用/覆被深度学习遥感分类研究综述

基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题.近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域.相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本.基于深度学习在土地利用...     

基于小波纹理和随机森林的猕猴桃果园遥感提取

为快速、准确地从高分影像中获取猕猴桃种植分布信息,提出了一种结合小波变换纹理分析和随机森林分类的QuickBird影像猕猴桃果园自动提取方法。首先,采用coif5小波对QuickBird全色影像进行多尺度小波分解,计算各子频带小波系数的能量特征作为纹理特征;然后,将小波纹理与光谱特征组合构建分类特征;最后,利用随机森林分类实现土地利用分类和猕猴桃果园空间分布提取。结果表明,小波纹理识别猕猴桃果园的效果明显优于光谱特征和其他2种纹理特征;光谱+小波纹理特征的分类精度最高,猕猴桃果园提取精度(Fk)和总体分类精度(OA)分别为95.30%和94.46%,比光谱+灰度共生矩阵纹理分类分别提高6.70%和2.88%,比光谱+分形纹理分类显著提高13.43%和6.98%;随机森林分类结果优于相同特征下的支持向量机、最大似然分类。本文提取的猕猴桃果园面积与目视解译结果的相对误差小于7%。此外,利用本文方法对同期QuickBird影像另一研究区的苹果园分布进行提取,结果表明,该方法对苹果园提取有较好的适用性。     

网络化森林分类经营专家系统初探

专家系统是把分散的、局部的单项技术综合起来,经过智能化处理,针对不同的环境条件,得出相应的解决方案,网络化森林分类经营专家系统是通过开发基于Internet技术的分类经营档案网络数据库、森林分类经营知识库和推理服务器,实现森林分类经营管理的网络化及森林分类经营技术的智能化.     

基于Google Earth Engine的黄土高原覆膜农田遥感识别

为了建立覆膜农田遥感识别技术体系,本研究选取甘肃省定西市安定区团结镇作为黄土高原地膜覆盖旱作农业代表性区域,基于Google Earth Engine云平台和Landsat-8反射率数据,采用特征重要性分析优选纹理特征,利用参数优化后的随机森林算法提取覆膜农田区域并选出最佳特征组合方案,最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果来评价不同分类算法的性能。结果表明:优化关键参数后的随机森林算法能够显著提高遥感影像的分类精度;单一特征方案中,基于光谱特征的分类精度最高,且加入指数和纹理特征可提高总体识别精度;利用随机森林特征重要性分析选取的优选纹理特征分类性能优于全部纹理特征,基于"光谱+指数+优选纹理"特征方案的识别结果最佳,总体精度和Kappa系数达95.05%和0.94;与支持向量机、决策树和最小距离分类相比,随机森林优势明显,总体精度分别高3.10、7.74、50.78个百分点。本研究实现了对地形复杂地区覆膜农田空间分布较为精准的识别。     

基于多源遥感数据的输电线走廊树种分类

针对目前树冠提取中受背景影响和易出现过度分割的问题,首先,采用可见光差异植被指数和双边滤波对传统的单木树冠分割方法进行了改进;然后,以单木树冠为对象提取多维特征,并利用XGBoost算法进行特征重要性排序和特征选择;最后,使用随机森林、支持向量机、人工神经网络3种非参数分类器,设计了12种分类方案,进行了单木树种分类和精度评价。结果表明,改进的单木分割方法可以有效提高树冠提取精度,得到的树冠分割精度在80%以上;将Li DAR数据和航空正射影像相结合,采用XGBoost算法进行特征选择后,使用ANN分类器的分类方案精度最高,总体精度为86.19%,说明多源数据协同作用和特征选择可以提高树种分类精度,在单木尺度上ANN分类器对现有树种类型的分类能力最强。