基于高分辨率影像的苹果园信息提取

本论文目的主要是利用苹果园地的光谱特征,结合地面实测资料,根据苹果树的物候期确定苹果园地遥感识别的最佳时相,同时利用遥感信息和DEM数据进行果树种植面积的提取,建立快速、准确的遥感图像苹果园地识别模型。本文对比了面向对象分类法、监督分类法、分层分类法3种方法,结果认为面向对象分类的具有较高的苹果地信息提取精度,基于分层分类法的精度高于传统的监督分类方法。     

基于Landsat8遥感影像的合肥市土地利用分类

基于Landsat8卫星2013年9月获取的合肥市OLI多光谱数据,在经过校正以及波段的融合等处理后得到的数据作为研究数据,采用不同分类方法进行分类识别,并且对比不同分类器在遥感影像分类中的效果和分类精度。根据国家土地利用现状分类的标准和合肥市土地利用的现状,将合肥市的土地主要分为建设用地、交通用地、水体、绿化用地、农业用地、林地等6类,并采用5种常见监督分类方法和BP神经网络分类法对于本研究数据进行分类,结合实际用地情况对分类结果进行了总结分析,完成总体分类精度和Kappa系数等指标对各分类器精度的评价,对比了各分类器对各要素的分类精度。     

森林可燃物的遥感分类研究进展

阐述了森林可燃物的分类类型,指出遥感图像是通过亮度值或像素值的高低差异及空间变化表示不同地物差异的,提出了遥感分类常用方法有非监督分类与监督分类法,基于知识的决策树分类法,BP神经网络分类法。文章同时对国内外森林可燃物遥感分类的研究现状做了综述,并展望了森林可燃物遥感分类的发展趋势。     

面向对象方法在Quick Bird影像分类中的应用研究

选取Quick Bird影像,以目视判读法作为精读评价的参考标准,对基于像元值的监督分类和非监督分类法、面向对象分类法进行了分析比较。结果表明,使用面向对象方法能显著提高Quick Bird影像分类精度。     

基于纹理特征的土地利用分类研究

为了提高遥感影像分类精度,将影像中的纹理信息作为提取的重要特征,用基于灰度共生矩阵的纹理量的分类法和基于J5判据的最小距离分类法,计算并提取TM5波段最能反映类别差异的纹理特征及组合。以沈阳某一地区为试验区,对图像进行综合分析,试验结果显示:最优组合是直方图的均值m1、对比度CON和灰度共生矩阵的熵H、逆差矩HOM。将利用此组合的分类结果与监督分类结果进行对比,结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类,分类精度高于单纯光谱的分类精度。     

时间序列特征提取和分类器对农作物分类的影响研究

【目的】准确的作物空间分布是农业估产、作物长势和病虫害防控等农业遥感监测的重要基础信息。选择合适的特征和分类器对作物空间信息的提取有重要意义。【方法】文章基于北安市的Landsat 8时间序列数据探究了特征提取和分类器选择对作物分类的影响。首先,基于Google Earth Engine (GEE)平台提取光谱、植被指数、纹理和物候时序特征;其次,将不同特征及其组合输入最小距离法(Minimum Distance Classification,MDC)、朴素贝叶斯(Na?ve Bayes,NB)、K最近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF) 5种分类器比较精度;最后,计算分离性指数(Separability Index,SI)评估特征对识别作物的贡献度,辅助验证分类器的分类结果。【结果】研究结果表明:(1)4类特征中光谱特征分类精度最高,3种特征组合中光谱+植被指数精度最高,但相较于光谱特征精度提仅提高0.6%,说明时序光谱特征足以得到较好的作物分类结果,提取的其他特征对精度提升作用不明显;(2)通过比较5种分类器的精度均值和标准差,性能最好的是RF,其次是SVM,MDC的性能最差;(3)在特征分离性方面,光谱特征最好,其次是植被指数、物候和纹理特征。【结论】光谱时序特征结合RF分类器效率最高,能得到较好的作物识别效果。文章能为作物分类特征提取和分类器选择提供参考和依据。     

竹林遥感信息提取方法比较研究

以TM多光谱遥感影像为数据源,应用erdas软件提供的非监督分类、最大似然分类和子象元分类3种方法,对中国竹乡福建省顺昌县典型地物进行了分类和精度评价,研究结果表明,3种方法总体精度分别为：69.67%,78.00%,82.67%;Kappa系数分别为：63.6%,73.6%,79.2%。子像元分类法的总体精度和竹林识别精度均高于其他两种传统的分类方法,其竹林用户分类精度达80%,是进行竹林信息提取较为理想的方法。     

面向对象方法在SPOT5影像土地分类中的应用——以京杭大运河南旺地区为例

结合京杭大运河山东地区SPOT全色和多光谱融合后的遥感数据,应用面向对象分类法对其进行地物分类,并和传统的基于像元的分类方法进行结果对比分析。结果表明,该方法速度快、精度高、效果好,可以满足对京杭大运河保护规划监测的需求。     

基于条件随机场的高光谱遥感影像农作物精细分类

【目的】农作物精细分类对于农作物长势监测、产量预估、灾害评估、保障国家粮食安全具有重要意义。高光谱遥感影像具有丰富的光谱波段,能够探测到各类农作物之间细微差别,已逐渐成为分类的理想数据源。【方法】研究以由AVIRIS传感器收集的美国加利福尼亚州南部萨利纳斯山谷的农作物区域的高光谱数据为数据源,提出了一种基于条件随机场的高光谱遥感农作物精细分类方法,利用SVM分类器计算各类地物的概率,并定义为条件随机场的一元势函数以融合空间特征信息;将空间平滑项和局部类别标签成本项加入到二元势函数中,以考虑空间背景信息,并保留各类别中的详细信息。最后与传统的最小距离法和SVM算法进行比较。【结果】文章提出的方法较最小距离分类法、SVM传统方法相比,整体精度分别提高了16%和2%,除了C15类(葡萄园3)精度为72.32%与74.11%外,各类地物精度均在94%以上,各种"椒盐"噪声与分类混淆现象得到了改善。【结论】实验结果表明,该方法在农作物精细分类应用中具有较大优势。     

基于多分类器组合的遥感土地利用分类研究

为了从遥感影像中快速、高效地获取较高精度的数据,按照分类组合的思想,根据山西省太原市榆次区Landsat TM影像数据,将传统监督分类中分类性能较好的分类器作为基分类器,运用改进后的加权投票算法进行多分类器组合,用于研究区遥感影像土地利用/覆被数据分类.结果表明,多分类器组合的分类结果精度要高于单独的基分类器分类精度,两两分类器组合的分类精度要高于三分类器组合的精度.研究结果证实了多分类器组合的可行性和有效性,能够提高传统分类方法的分类精度.     

植被信息提取过程中ETM+遥感影像的分类方法

遥感图像分类是研究土地利用覆盖变化的基础。本文以南京市为例,采用监督分类与非监督分类相结合的方法,先以ISODATA非监督分类法获得初始训练模板,通过实地调查对模板进行调整,再在此基础上以最大似然法进行监督分类。研究结果表明,用改进的分类法提取植被信息,可以取得良好的分类效果,是进行植被信息调查较为理想的方法。     

基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别研究

为了保证人们对蔬菜的安全食用,研究了蔬菜叶片农药残留的无损检测方法。标准营养液无土栽培生菜样本,在成熟期按4种不同浓度,分别为1.250、0.830、0.600、0.375 mL/L,将氰戊菊酯农药雾状均匀喷洒至生菜叶片上,8 h后采集生菜叶片高光谱数据。采用标准归一化(SNV)算法对原始光谱进行预处理,分别利用基于非监督特征提取方法主成分分析(PCA)、局部保留投影(LPP)与基于监督特征提取方法线性判别分析(LDA)、局部保留投影(SLPP)对降噪后的光谱数据进行特征提取,统一选用支持向量机(SVM)作为分类器。利用相同的训练样本与测试样本进行分类试验,对生菜叶片农药残留浓度分类鉴别的结果为,PCA-SVM分类正确率为82.14%,LPP-SVM分类正确率为85.71%,LDA-SVM分类正确率为89.29%,SLPP-SVM分类正确率达到92.86%。结果表明,与非监督特征提取算法相比,监督特征提取算法由于充分利用了样本的类别特性,使得分类器对降维后的数据更加敏感,分类精度更高,其中SLPP-SVM的分类效果最好。     

基于对象的CHRIS遥感图像森林类型分类方法研究

高光谱遥感森林类型分类中采用传统基于像素分类方法精度较低,本文通过高光谱遥感影像的特征,采用面向对象的最近邻监督分类方法对高光谱CHRIS影像进行分类实验,首先对影像进行多尺度分割,然后将分割对象信息、形状特征及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像素的最大似然分类方法进行比较分析,结果表明,面向对象的最近邻法能够较好的识别森林类型,总精度为89.06%,kappa系数为0.82,而最大似然法分类精度为85.75%,kappa系数为0.79.其分类精度明显高于最大似然法,这表明该方法适合高光谱遥感影像分类,为今后的高光谱遥感森林类型分类能够起到技术参考和理论依据.     

基于无人机影像的高寒草地鼠害信息提取研究

【目的】草原鼠害是影响草原生态平衡的重要因素，基于低空遥感影像探索提取鼠害 信息的最佳方案和分辨率对解决草原鼠害意义重大。【方法】文章基于高分辨率无人机正射 影像，使用CART 决策树、支持向量机、最邻近、贝叶斯4 种监督分类方法对高原鼠兔和高原 鼢鼠两种鼠害进行分类并比较其精度，再使用不同飞行高度下获取的遥感影像提取鼠害信息。 【结果】在鼠兔鼠害信息提取中，基于决策树分类法的总体精度为89.00%，kappa 系数为0.79； 支持向量机分类方法的总体分类精度为92.00%，Kappa 系数为0.83；最邻近分类法的总体分类 精度为94.00%，Kappa 系数为0.87；基于贝叶斯分类法的混淆矩阵中得到的鼠洞的分类精度最 差，鼠洞的生产者精度与用户精度都在78.00% 以下。在鼢鼠鼠害信息提取中，基于决策树分 类结果的总精度为93%，Kappa 系数为0.86；支持向量机分类结果的总精度达到95%，Kappa 系数为0.90；最邻近法的分类结果的总精度达到97.00%，Kappa 系数为0.95；Bayes 分类法的总 体分类精度为98.00%，Kappa 系数达到了0.95。【结论】基于面向对象的最邻近分类法是高原鼠 兔鼠害信息提取的精度最优方法，基于面向对象的贝叶斯分类法是高原鼢鼠鼠害信息提取的最 佳方法。对于飞行相对高度分别为100 m、120 m 和200 m 的无人机遥感影像数据，随着飞行高 度的增大，影像的空间分辨率越低，其分类所需要的时间、分类精度和斑块数量均呈下降趋势。     

基于浅层学习方法的石漠化休耕试点区作物分类

【目的】应用浅层结构的机器学习分类器和高空间分辨率影像实现休耕区绿肥、粮食及经济作物快速准确分类。【方法】利用分辨率为5 m的RapidEye影像,以云南省石林县部分休耕试点区为研究区,使用Softmax浅层机器学习分类器对研究区内绿肥作物、水稻、玉米及烟草等4种典型作物进行遥感识别与空间信息提取,并以极大似然分类法为参照,通过地面样方数据验证该方法的精度。【结果】基于Softmax方法的4种典型作物分类的总体精度和Kappa系数分别为85.98%和0.815 7,比极大似然分类高4.59%和0.061 7;绿肥、水稻、烟草的生产者精度和用户精度均达到84%以上,玉米则低于75%,原因是绿肥、水稻、烟草3种作物种植较为集中,而玉米种植地块面积小且极为分散;绿肥与烟草错分问题较明显,影响因素为"同物异谱、异物同谱"。【结论】基于Softmax的浅层机器学习分类器提高了分类精度,文章研究结果可为使用浅层机器学习方法快速准确掌握休耕情况提供参考。     

基于蚁群优化的选择性集成数据流分类方法

基于集成学习的数据流分类问题已成为当前研究热点之一,而集成学习存在集成规模大、训练时间长、时空复杂度高等不足,为此提出了一种基于蚁群优化的选择性集成数据流分类方法,用蚁群优化算法挑选出优秀的基分类器来构建集成分类模型。该方法首先对所有基分类器采用交叉验证计算分类精度,同时采用Gower相似系数求出基分类器之间的差异性,然后把分类精度和分类器差异性作为分类器挑选标准,从全部基分类器中选出一部分来构建集成模型,最终挑选的基分类器不仅具有良好的分类精度,同时保持一定差异性。在标准仿真数据集上对构建的集成分类模型进行仿真试验,结果表明,该方法与传统集成方法相比在准确率和稳定性方面均有显著提高。     

基于空谱一体化的农田高光谱图像分类

为强化高光谱成像技术在近地农业方面的应用,以农田近红外高光谱图像为研究对象,利用高光谱成像技术,结合光谱分析方法和监督分类方法,对农田图像进行分类。针对高光谱图像数据量大、非线性等特点,采用主成分分析(PCA)和支持向量机(SVM)法建立农田图像分类器。在利用光谱信息分类的基础上,采用空谱一体化方法对光谱分类结果进行修正,去除孤立点和噪声的影响。基于支持向量机的总体分类精度为88.4%,采用空谱一体化方法的总体分类精度最高达89.7%,说明利用空间信息修正光谱信息可以提高近地农田对象的分类精度,为基于高光谱图像的近地农田识别提供理论依据。     

细菌分类学方法研究概况

对细菌分类鉴定中采用的传统分类法、数值分类法、化学分类法、遗传学分类法等多项分类技术作了详细的介绍和全面的总结,从而为临床和科研中选择和应用恰当的细菌分类鉴定方法提供参考依据。     

基于SVM的汉语动词短语分类算法研究

对SVM分类器进行了分析,提取了汉语动词短语的静态特征和动态特征,构造了动词短语的向量空间模型,提出了基于SVM的汉语动词短语分类算法.实验表明:与基于规则的分类方法比较,SVM方法大大减少分类器更新所需要的学习步骤和时间,是一种较好的分类算法.     

C5.0决策树Hyperion影像森林类型精细分类方法

以吉林省白河林业局为中心研究区,利用星载高光谱Hyperion数据并结合其他辅助数据,综合利用影像光谱特征、纹理特征、地形特征、典型地类和主要森林类型外业调查样本数据,探究针对C5.0决策树算法的高光谱影像土地覆盖类型多层次信息提取与森林类型识别的有效方法。在分析典型地物光谱特征的基础上,优选8种纹理特征,引入主成分分量及与主要森林类型空间分布相关的敏感地形因子,采用分层分类的策略,根据光谱特征将地类划分层次,在层次间建立基于C5.0决策树算法的决策树模型,对研究区的地类进行细分。为便于对比,以相同的策略采用支持向量机（SVM）分类器进行分类。最后,结合野外采集样本并参考高分辨率影像,采用分层随机抽样的独立检验样本对森林类型精细识别结果进行精度验证。结果表明:C5.0决策树算法可综合利用高光谱影像的光谱、纹理及其他辅助数据,自动寻找出区分各类别的最佳特征变量及分割阈值,运算速度快,占用内存较小且无需人为参与,其分类精度达到优势树种级别,总体分类精度达81.9%,Kappa系数0.709 8。