基于Relief F和PSO混合特征选择的面向对象土地利用分类

针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。     

基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选

为寻找适宜分类的空间尺度,该文提出一种基于小波包的空间尺度选择方法。该文以无人机航拍农作物影像为数据源,针对高空间分辨率遥感影像农作物分类问题,基于小波包变换对影像分类特征进行多尺度定量分析。将七种农作物影像样本进行小波包分解,从高频部分获取均值,方差,能量,能量差四种纹理信息,从低频部分获取光谱信息,构建分类特征矢量,通过作物样本之间的J-M距离,分析在不同小波包分解层样本之间的可分性,并进一步通过农作物面向对象分类精度和分割耗时评价适宜尺度。该文选择位于河北的涿州农场为研究区,利用无人机航空影像,对提出的方法进行试验验证,结果显示:小波包分解到第三、四层级时,即空间分辨率为0.32~0.64 m时,适宜农作物面向对象分类;在适宜尺度下,基于小波包分解的面向对象分类总体分类精度可达到89%,Kappa系数可达到0.85。研究结果可为高空间分辨率遥感农作物精细识别提供支撑。     

面向对象分类技术在开发建设项目水土保持监测中的应用

[目的]研究基于无人机低空遥感影像的面向对象分类技术在开发建设项目水土保持监测中的应用,为水土保持监测工作的信息化能力提升提供技术支撑。[方法]利用旋翼无人机获取水土保持监测目标区域的低空遥感影像,通过倾斜摄影技术构建数字表面模型,结合ESP分割尺度评价工具获取最优分割尺度参数,采用多元特征空间指标参与最邻近分类法的监督分类,并依据位置信息的评价方法和误差矩阵对分类解译精度进行验证。[结果]本研究的水土保持监测目标区域的地物分类总体精度达到了86.10%,Kappa系数为0.841,有较好的一致性,能够满足精度需求。[结论]利用无人机低空遥感影像的面向对象分类技术实现了开发建设项目水土保持监测区域地物的快速、精确识别和分类。     

基于面向对象技术的黄土丘陵沟壑区切沟遥感提取方法研究

基于高分辨率遥感影像,提出了结合高分辨率影像的光谱、地形、几何形态和GLCM纹理信息等特征的切沟半自动面向对象提取方法,建立了一组沿径流方向计算纹理特征空间对比度和相关性的公式。以黄土丘陵沟壑第三副区甘肃天水桥子沟小流域World View-2影像数据为例,分别建立了耕地（山坡地、梯田）、果园、林地、农路、切沟的分类规则和算法,以影像的目视解译结果结合实地调查进行精度评价,分类结果显示,总体分类精度为75.17%,总Kappa系数为0.64,切沟的生产者精度为80%,用户精度为70.59%,取得了令人满意的结果。     

基于网格搜索随机森林算法的工矿复垦区土地利用分类

为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。     

面向对象的玛纳斯河流域TM影像分类技术研究

以面向对象的遥感影像分类的理论与方法,基于ENVI 5.0、eCongition 8.7和ArcGIS 10.0平台,从遥感尺度问题和决策树分类技术人手,对面向对象分类方法的多尺度分割和多特征分类等关键问题进行了探讨,并应用该方法对玛纳斯河流域的信息进行了提取研究.结果表明,多尺度分割最佳波段权重为0,1,2,2,1,0,1,形状参数和紧致度均为0.7,分割尺度为60,30和10,地物种类可分为林地、草地、水域、耕地、人工表面、冰雪地、盐碱地、其他八大类.分类结果总精度为0.92,Kappa系数为0.91,证明面向对象的分类方法可以有效地对干旱区中尺度分辨率影像进行快速高效的地物信息识别及提取.     

基于面向对象的SPOT卫星影像梯田信息提取研究

梯田信息准确和快速提取是区域水土保持动态监测和评价的核心技术之一,运用遥感技术进行地物信息提取是一种有效手段。该研究以燕沟流域为研究区,采用高分辨率的SPOT5遥感影像数据,基于面向对象分类技术,通过影像分割构建影像对象,在分析影像对象的光谱特征、纹理特征和空间特征的基础上,建立了梯田信息的遥感提取规则,实现了梯田的自动提取。最后用手工勾绘结果对梯田的遥感提取结果进行精度评价,从田块边界的吻合度评价位置精度,并通过比较该结果与人工目视解译结果进行面积精度评价。结果表明,基于面向对象分类的遥感方法可以较好地从原始影像中提取复杂地貌区梯田的位置信息,面积提取正确率达到78.38%,该方法可为黄土高原地区梯田信息遥感提取提供借鉴。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

基于面向对象的GF-1遥感影像采煤沉陷区湿地分类

为掌握采煤沉陷区湿地的类别和分布,促进矿区土地的复垦、规划和管理,该文以兖州煤田为例,探讨了基于GF-1遥感影像的面向对象的采煤沉陷区湿地分类方法。对河流湿地和景观湿地的影像进行基于矢量的棋盘分割,采用标准最邻近法进行分类。水产养殖湿地、植被型湿地、未复垦的常年积水湿地和未复垦的季节积水湿地的影像采用基于矢量的多尺度分割,通过反复试验获取最优分割参数,进而进行综合分析得到局部最优分割参数,由此确定分类层次,选取易于区分各类型湿地的影像特征建立分类规则,采用模糊分类法进行分类。选取141个样本点进行实地验证,结果表明分类精度达到96.95%,Kappa系数为0.958 4。该研究为采煤沉陷区湿地的分类提供了借鉴。     

基于面向对象和无人机影像的黄土高原丘陵区小流域梯田提取研究

精确提取梯田对于水土保持动态监测和评价非常必要,建立黄土高原小流域梯田提取技术流程可为水土流失防治提供技术支持。以甘肃省天水市水土保持科学试验站坚家山小流域为研究区域,采用无人机影像数据,基于尺度参数评估工具以影像的纹理特征为输入层,确定最优分割尺度参数;选用光谱特征和可见光植被指数为分类特征,使用面向对象分类方法对梯田进行提取。结果表明：(1)以局部方差变化率101作为多尺度分割的尺度参数时,梯田边界明显,光谱、纹理和形状特征对于描绘梯田边界具有巨大的潜力;(2)采用可见光植被指数植被颜色指数(CIVE)、超绿指数(EXG)、超绿超红差分指数(EXGR)、绿蓝比值指数(GBRI)、绿红比值指数(GRRI)、归一化蓝绿差异指数(NGBDI)、可见光波段差异植被指数(VDVI)、Woebbecke指数(WI)分别作为梯田提取的分类特征,其中,EXG植被指数精度最高,梯田提取精度为72.60%,并提出一种基于最邻近分类器以综合指数(CIVE、WI、EXG、EXGR)为分类特征,建立分类阈值的梯田提取方法,梯田提取精度为91.20%,相较于以单植被指数的分类方法精度提高18.60%。研究基于...     

基于主被动遥感数据和面向对象的大蒜识别

针对开封市大蒜种植破碎化程度高,光学数据难以高精度、快速提取问题。该研究基于谷歌地球引擎（Google Earth Engine,GEE）云平台、随机森林算法（Random Forest,RF）和面向对象方法,选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征,分别应用10 m与加入植被红边波段的20 m空间分辨率遥感数据,探究不同特征组合对改善大蒜识别精度的性能。试验结果表明：应用10 m空间分辨率的Sentinel主被动遥感数据,在简单非迭代聚类（Simple Non-iterative Clustering,SNIC）分割尺度为5,灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.54%、0.93,大蒜的制图精度和用户精度为97.83%、96.38%。应用加入植被红边波段的20m空间分辨率Sentinel主被动遥感数据,在SNIC分割尺度为3,GLCM邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.14%、0.92,大蒜的制图精度和用户精度为95.72%、98.81%。单独使用Sentinel-2光学数据,加入植被红边波段的20m分辨率数据相对10 m分辨率数据,大蒜制图精度和用户精度分别提高0.49%和4.38%。单独使用时序Sentinel-1 SAR数据,10 m空间分辨率数据的大蒜制图精度和用户精度优于20 m分辨率数据0.66%和2.07%。本研究为遥感数据识别生长周期相同或重叠的大宗、小宗经济作物提供技术参考。     

基于面向对象分类的土地整理区农田灌排系统自动化识别

针对目前农田灌排系统识别研究中影像分辨率低、自动化程度不高的问题,该研究基于面向对象分类法,提出了一套从影像到农田灌排系统矢量输出的完整提取流程。研究利用KOMPSAT-2高分辨率遥感影像数据,以吉林省西部土地整理大安项目区作为试验区,使用自主研发的识别程序对土地整理区农田灌排系统进行了自动化识别提取,并与监督分类法、手动屏幕数字化作了对比分析。结果显示,基于面向对象分类的自动化提取方法在精度上与手动屏幕数字化相近,总体精度达到了89.64%,远高于监督分类法的识别精度;而且该方法所耗费的时间最少,操作过程不需人工干预,识别结果的稳定性也高于另外两种方法。研究表明,基于面向对象分类的自动化提取方法,是一种较理想的土地整理区农田灌排系统遥感监测手段,同时也为其他地物监测提供了一种有效的途径。     

基于多源数据的南方丘陵山地土地利用随机森林分类

针对南方丘陵山地因地形破碎和山体阴影而导致的分类精度低问题,该研究以东江源地区为例,通过结合多源数据,以Sentinel-1、Sentinel-2A卫星影像和DEM作为数据源提取27个指标,构建了6种特征变量集,并设计了9种方案,探讨加入红边特征、雷达特征和地形特征对南方丘陵山地土地利用分类信息提取的作用。同时结合随机森林算法和递归特征消除法进行特征变量优选和特征重要性排序,将随机森林特征优选后的分类结果与支持向量机算法(Support Vector Machine,SVM)和K近邻算法(K-Nearest Neighbor,KNN)作对比。结果表明:在未进行特征变量优选时,仅使用Sentinel-2A的光谱特征提取的东江源地表覆盖分类总体精度和Kappa系数最低,在以光谱特征、植被指数和水体指数作为基本方案时,加入红边特征、雷达特征和地形特征后均可以有效地提升各地物分类精度,其中地形特征的加入更有助于对东江源园地和耕地信息的提取。通过结合随机森林和递归特征消除算法进行特征优选,在保持分类精度最优的情况下将所有特征变量从21个降低到13个,并且总体精度达到0.937 2,Kappa系数达到0.923 4,分类精度优于相同特征下的支持向量机算法(SVM)和K近邻算法(KNN),对东江源土地利用信息提取效果最佳。该研究提出基于多源数据的随机森林方法可为地形复杂的南方丘陵山地土地利用信息提取提供技术支持和理论参考。     

基于无人机可见光影像与OBIA-RF算法的城市不透水面提取

不透水面是一种重要的城市地物类型,及时准确地获取城市不透水面信息对城市的合理规划、生态环境保护及可持续发展具有重要意义.低空无人机(Unmanned Aerial Vehicle,UAV)作为新型的遥感平台,具有操作灵活、时空分辨率高、受云雾影响小等优点,为中小尺度城市不透水面遥感监测提供了新的技术手段.以无人机可见光...     

微生物固化砂质黏性紫色土的三轴抗剪强度与浸水抗压强度

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。     

地块尺度的复杂种植区作物遥感精细分类

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。     

内蒙古灌丛化草原分布特征的遥感辨识

灌丛化草原在中国内蒙古干旱、半干旱草原区广为分布。为了探究灌丛化草原的分布状况,该文利用高空间分辨率(5.8 m)卫星资源三号遥感影像,结合地面调查,研究了内蒙古镶黄旗境内灌丛化草原的分布特征。以归一化植被指数(normalized differential vegetation index,NDVI)阈值法提取植被覆盖区域后,分别采用基于像元的监督分类方法(支持向量机、最大似然和马氏距离)和面向对象方法进行灌草镶嵌斑块和草地斑块的辨识,并对分类结果进行对比分析。结果表明:在3种基于像元光谱信息的监督分类算法中,支持向量机算法对灌丛化草地的识别精度相对较高,表现在这一类型的生产者精度和用户精度均大于另外2种算法,并且,该算法的总体分类精度也最高(81.15%),明显优于最大似然(73.33%)和马氏距离(61.77%)。然而,融入了空间信息进行分类的面向对象方法(合并尺度97)的总体识别精度高达89.24%,并且随着对象合并尺度的增大,灌丛化草地的错分和漏分比例明显降低。这一结果表明利用草本与灌丛像元的空间纹理属性差异,能够有效削弱噪声,提高识别精度。     

基于无人机多光谱遥感的台风灾后玉米倒伏信息提取

为快速获取台风过后玉米倒伏信息，该研究以生态无人农场大田玉米作为研究对象，利用无人机搭载多光谱相机获取玉米田块图像。采用主成分分析（Principal Component Analysis，PCA）变换多光谱图像，保留信息量最多的前3 个主成分波段；应用最小噪声分离变换（Minimum Noise Fraction Rotation，MNF）对48项纹理特征降维，保留信息量最多的前6项特征；计算选择10种植被指数；对多光谱图像进行低通、高通滤波，将以上特征作为全特征集。使用支持向量机递归（Support Vector Machines-Recursive Feature Elimination，SVM-RFE）、 ReliefF和套索算法（Least Absolute Shrinkage and Selection Operator，Lasso）筛选出3种特征子集，建立5种监督分类模型，对4种数据集进行训练。ReliefF特征子集训练的5种监督分类模型测试集最低分类准确率为89.02%，SVM-RFE和Lasso特征子集训练的5种监督分类模型测试集最低分类准确率均为95.38%，与全特征相比仅相差0.58%，表明通过特征筛选方法可在取得较高分类精度同时大幅减少特征输入数量；运用3种特征筛选方法与不同分类模型的最佳组合提取验证区域玉米倒伏信息，通过混淆矩阵验证结果可知，K最邻近模型结合SVM-RFE特征筛选方法分类精度最高，达93.49%，Kappa系数为0.9，表明了分类模型普适性较强。该研究使用最少特征数量参与分类，且获得最高分类识别精度，可为无人机多光谱技术快速、准确提取台风灾后玉米倒伏信息提供技术支持。     

基于支持向量机分类的遥感土壤盐渍化信息监测

遥感技术在大尺度土壤盐渍化检测方面有着宏观性、实时性、动态性等优势和广阔的应用前景,但是传统的遥感图像分类方法精度不高、分类效率较低和不确定性.提出了基于支持向量机(SupportVectorMachine,SVM)的分类方法,介绍了SVM算法的基本原理,通过支持向量机分类法与传统分类方法(最大似然法和最小距离法)在盐渍化信息提取结果上进行对比,表明基于SVM的遥感图像分类方法能够较好的检测土壤的盐渍化信息,分类总精度达到95.66%,比最大似然法和最小距离法分类精度(分别为91.54%和85.42%)更高,因此更适合于遥感图像分类和盐渍化信息检测.