不同分类方法在竹林遥感信息识别中的应用

应用遥感技术开展竹资源监测与调查,能快速、高效地为竹资源的科学管理和高效利用提供基础数据支撑。利用福建省顺昌县TM影像,采用最大似然法、子像元分类和光谱特征分类3种方法进行竹林信息提取研究。结果表明：子像元分类总体精度最高为77.33%,基于光谱特征分类和最大似然法的总体精度分别为76.50%、76.17%;3种分类方法的Kappa系数分别为72.8%、71.8%、71.4%;与顺昌县2007年森林资源二类清查竹林面积进行比较,光谱特征分类法精度最高为95.68%,最大似然法和子像元分类法的精度分别为93.41%、92.97%。     

基于RS的森林乔木判别应用

本文以塞罕坝机械林场SPOT-5遥感图为判别对象,采用监督分类的三种不同分类器——最大似然法则,最小距离法则和平行六面体法则对林场乔木树种进行判别分类。结果表明最大似然运算法则适合该地区乔木分类,分类总精度为86.25%。运用最大似然法则的总分类精度要比运用最小距离法则得到的分类总精度提高12.14个百分点,而平行六面体法则在此次分类中不符合实际情况。     

基于机器学习与高光谱数据的湿地植被物种识别研究

为了探索利用高光谱高空间分辨率遥感数据进行湿地植被物种识别，笔者在分析6 种湿地植被原反射光谱、二阶微分及连续统去除光谱的基础上，利用马氏距离法和相关系数法提取特征波段，并将其作为特征参数参与C5.0 决策树分类与信息提取。结果显示：（1）基于机器学习的C5.0 决策树法总体分类精度为79.87%，Kappa 系数为0.765，与监督分类最大似然法相比，植被信息提取总体精度提高9.95%，Kappa系数提高0.114；（2）机器学习C5.0 决策树法与最大似然法相比，其独特的优势在于对藻类的信息提取精度大大提升，狐尾藻和水蕴草的用户精度提升最大，分别提升了18.67%和15.86%。该方法能够实现湿地植被物种信息的高精度提取，为同类研究提供借鉴，为湿地生态健康评价提供科学与技术上的支持。     

基于决策树方法的淡水沼泽湿地信息提取——以扎龙湿地为例

为了及时准确地获取湿地基础信息,对湿地进行动态监测和保护。以扎龙湿地为研究区,以区域湿地遥感信息提取为目标,采用TM影像数据、DEM数据、归一化植被指数、纹理信息等复合识别指标构建决策树模型,对研究区不同地类进行分类。然后与传统的最大监督分类法所得到的结果进行对比。结果表明,采用基于指数的决策树分类方法对扎龙湿地类型进行分类,较传统的最大似然监督分类精度提高了14.6%;总体Kappa系数提高了0.1751,分类精度较监督分类有明显的提高,证明基于多源数据决策树分类方法是内陆淡水沼泽湿地信息提取的有效手段。     

柴达木地区枸杞种植区遥感提取方法对比研究

枸杞作为柴达木地区特色经济作物之一,利用高分辨率遥感影像开展枸杞种植区识别与提取,有利于政府和农业部门开展市场调控和作物精细化管理。以柴达木典型枸杞种植区诺木洪农场为例,利用随机森林、Softmax、支持向量机、BP神经网络和最大似然5种分类器开展农场内不同生长年限枸杞种植区精细化提取,并对结果进行精度验证。结果表明：采用随机森林的分类效果最佳,其总体分类精度达到93.8%,Kappa 0.93,采用Softmax、支持向量机和BP神经网络方法也均获得了较高的分类精度,其总体分类精度均达到了86.6%~87.6%,Kappa系数达到0.84~0.86,而最大似然法分类效果最差,其总体分类精度仅为76.9%,Kappa系数为0.73。通过实验利用国产高分辨率卫星结合较优的分类器能够实现包括枸杞等小宗特色经济作物种植区域和种植结构的精细化识别和监测。     

冬小麦非监督分类结果的类别选择研究

为了实现基于遥感影像作物的自动分类，发挥遥感技术宏观、迅速的大范围监测特点，本文在遥感影像非监督分类的基础上，提出了一种基于ISODATA非监督分类结果的自动分类方法。该方法分为ISODATA非监督分类过程和自动分类过程，自动分类过程又可分为冬小麦样本点占比排序和类冬小麦类别确定两个方面。当非监督分类类别设置为40或50类、每类样本数量为4或5类时，冬小麦遥感分类精度较高且分类精度稳定。在200个样本点组合（40个分类类别，每个类别中5个样本点）中，基于ISODATA非监督自动分类结果的总体精度相较于最大似然分类方法提高了2.5个百分点，KAPPA系数提高了19.4%。在500个样本点组合（100个分类类别，每个类别中5个样本点）下，基于ISODATA非监督自动分类结果总体精度和KAPPA系数与最大似然分类方法相近。基于ISODATA非监督分类结果的自动分类方法可以在样本量较少时保持较高的分类精度，人机交互少，分类效率高，适用于业务化应用。     

基于分层非监督分类的油菜面积识别研究

中国油菜生产表现为破碎化种植的特点,常规地面调查方法费时费力代表性差,遥感方法逐渐成为了油菜面积监测的理想途径。目视解译、监督分类等遥感分类方法人机交互量大,受监测者主观影响较大。针对上述问题,笔者提出一种基于先分层后进行非监督分类的油菜监测新方法,利用从江县2013 年的GF影像对该方法进行了应用和精度评价,本次应用中使用了等距分层和自然分层两种分层方法。结果表明：相较直接非监督分类结果,先分层后非监督分类方法显著提高了总体精度。基于等距分层和自然分层方法总体精度从79.16%提升到了84.44%和85.17%。直接非监督分类中精度仅为72.97%的用户精度在等距分层和自然分层处理后,精度分别提升为81.05%和86.12%,大大降低了直接非监督分类中非油菜区被错判为油菜的现象。等距分层和自然分层方法的总体精度分别为84.44%和85.17%,Kappa 系数分别为0.69 和0.70。精度上两种分层方法间无显著的差异,自然分层方法的用户精度、制图精度和总体精度都保持在较高的水平,具有更高的可靠性。文中提出的新方法具有人工干预少,精度高的特点,在基于大批量影像的面积监测方面具有较大的应用潜力。     

随机森林方法在玉米-大豆精细识别中的应用

研究基于遥感影像的作物精确识别技术方法, 对获取作物分布信息具有重要意义。随机森林分类(random forest classification, RFC)是机器学习的一种, 本文使用Landsat-8 OLI卫星影像数据, 针对研究区内的大豆、玉米和其他地物等3种主要作物类型, 系统比较了该方法与较为成熟的最大似然分类(maximum likelihood classification, MLC)、支持向量机分类(support vector machine, SVM)方法的分类精度。结果表明, MLC、SVM、RFC的总体分类精度分别为91.68%、91.49%、94.32%, Kappa系数分别为0.87、0.87、0.91, RFC方法作物识别精度比MLC和SVM分类显著提升。对原始7波段影像进行主成分变换(principal component analysis, PCA), 提取前4个主成分分量, 同时计算归一化植被指数(normalized difference vegetation index, NDVI)和归一化水体指数(normalized difference water index, NDWI), 将6个额外辅助特征波段叠加到原始7个波段影像上进行再次分类, MLC和SVM方法作物识别精度未有提升, RFC方法总体精度提高了1.49个百分点, Kappa系数提高0.03, 精度提升幅度有限, 主要原因是6个辅助波段在类型识别中作用较小。在分类耗时上, MLC、SVM、RFC分别为145 s、11 000 s、1800 s, 表明随机森林分类具有最好的分类精度和适中的耗时。综合评价后, 随机森林分类方法在进行大豆-玉米精细识别中具有较大优势, 具有业务应用的潜力。     

红边与短波红外谱段的玉米大豆识别能力研究

研究旨在挖掘红边、短波红外谱段对玉米大豆识别精度的提升程度,发现分辨率和谱段对作物识别的综合影响规律。采用德国Rapideye和美国Landsat-OLI数据,基于最大似然监督分类的方法,针对玉米、大豆、其他等3种地物类型进行研究。结果表明:与仅有蓝、绿、红、近红外波段相比,增加红边后总体分类精度从73.1%提高到80.5%。与仅有气溶胶、蓝、绿、红、近红波段相比,增加1个短波红外波段后,总体分类精度从72.9%提高到75.4%。中分辨率多时相数据能够弥补由于缺少短波红外、降低空间分辨率造成的识别精度的下降。     

红边与短波红外谱段玉米大豆识别能力研究

[目的]研究旨在挖掘红边、短波红外谱段对玉米大豆识别精度的提升程度,发现分辨率和谱段对作物识别的综合影响规律。[方法]采用德国Rapideye和美国Landsat-OLI数据,基于最大似然监督分类的方法,针对玉米、大豆、其他等3种地物类型。[结果]结果表明,与仅有蓝、绿、红、近红外波段相比,增加红边后总体分类精度从73.1%提高到80.5%。与仅有气溶胶、蓝、绿、红、近红波段相比,增加1个短波红外波段后,总体分类精度从72.9%提高到75.4%。[结论]中分辨率多时相数据能够弥补由于缺少短波红外、降低空间分辨率造成的识别精度的下降。     

基于Pleiades-1高分辨率卫星影像的干旱沙区遥感影像分类——以甘肃民勤青土湖为例

研究旨在应用高分辨率遥感卫星影像对干旱沙区的植被进行调查、监测和统计。以甘肃省民勤县石羊河下游的青土湖为研究对象,运用法国Pleiades-1卫星的影像数据,通过面向对象分类方法对沙区的植被信息进行提取分类,对分类结果进行精度评价。结果表明,面向对象分类的方法提取精度达到95%,Kappa系数为0.8035,分类结果精度较高,有效地避免了基于像素分类方法的噪声和光谱的影响,具有极强的实用性,为高分辨率卫星影像分类提供了新的思路和方法。     

基于Landsat8 OLI数据的山东省耕地信息提取研究

为了探讨美国最新发射的陆地卫星Landsat8 OLI影像在耕地信息提取方面的效果,为了解该影像的应用潜力提供一些信息,采用遥感图像处理软件ENVI,对覆盖山东省区域的12幅Landsat8 OLI影像进行了计算机校正和增强处理,通过目视解释、监督分类和非监督分类交互式的分类方法提取山东省的耕地信息。结果表明,基于Landsat8 OLI数据提取耕地信息适宜波段是543波段和652波段组合,提取精度达到91.8%,Landsat8 OLI数据可以满足耕地利用及管理中对耕地信息适时获取的要求。

     

基于无人机影像的林地单株立木自动化提取研究——以丹霞山湿地保护区为例

利用无人机技术可以快速获取林业自然保护区高分辨率遥感影像,无人机影像在林业资源调查与监测中具备传统卫星影像无可比拟的优势。本研究以丹霞山湿地自然保护区为研究对象,基于无人机遥感影像,提出了一种人工林地单株立木自动化提取方法。研究采用遥感影像多尺度分割算法,对研究区无人机遥感影像进行多尺度分割,然后通过构建林地特征信息模型,实现对案例区人工林地单株立木自动化提取。结果表明：该方法在丹霞山湿地保护区人工林地自动化提取中具有较高的可行性,Kappa系数达到了0.979,总体分类精度达到了98.40%,能够满足人工林地提取的需要。该方法省去了人工林地分类前的人工干预和先验知识输入,大幅度提高了无人机影像在林地资源调查应用中的工作效率,为精准林业调查提供了一种新方法。