基于GF-2影像对恰西国家森林公园的遥感分类

【目的】 选用面向对象的监督分类法,对研究区域的天山云杉林进行遥感分类,选取一种分类效果最佳的方法,为该区域的林地资源调查、动态监测评价提供依据。【方法】 基于高分二号(GF-2)遥感影像数据,借助ESP 尺度评价工具和目视解译相结合,筛选研究区各地物最优分割尺度,利用3种不同分类方法在此基础上进行遥感分类。【结果】 研究区内的水体、道路、其他用地、林地和草地的最优分割尺度,分别为390、372、316、296、246;其次在各地物最优分割尺度下,比较最邻近分类、结合矢量数据分类和阈值分类3种方法,经过精度评估发现,3种分类方法的 Kappa 系数和总体精度值分别为0.760 7、0.782 0、0.840 6和0.814 8、0.830 5、0.876 5。【结论】 阈值分类方法优于其他2种方法,选用更为优良的阈值分类方法引入解决该地区林地资源调查是可行的。     

依据季相特征GF-2影像的植被分类

以国产GF-2卫星影像对北京市鹫峰国家森林公园主要植被类型进行面向对象分类,通过光谱、纹理、植被指数、季相特征属性的筛选并建立规则集,采用3种分类方法(四季时相知识规则结合CART决策树、四季时相的最邻近法、单季时相的最邻近法)进行植被类型分类。结果显示:3种分类方法的总体分类精度分别为85.6%、79.0%、60.1%。充分证明了在植被类型较复杂的区域内,利用GF-2影像多季时相特征,采用分层逐步分类法与多种分类方法相结合能够提高植被类型的分类精度,为国产高分遥感影像在森林资源监测与管理上的应用提供了技术支持。     

基于SPOT5遥感影像分类的抽样技术研究

以湖南省攸县为研究区,利用2009、2010年SPOT5影像,在抽样可靠性指标为95%的情况下,设计系统抽样方案、分层抽样方案和简单随机抽样,通过SVM进行图像分类,并结合2009年湖南省连续清查数据对方案进行精度验证,得到适合研究区的抽样方案。结果表明：3种抽样方案中,适宜攸县森林资源调查的最优方案为,以抽样间隔为4 km × 6 km (第Ⅰ层)、4 km × 4 km (第Ⅱ层)、4 km × 4 km (第Ⅲ层)进行的分层抽样,总体分类精度达到90.48%。其中,在系统抽样中,抽样间隔为4 km × 4 km和2 km × 2 km的方案总体精度均为88.10%,但前者训练样本数较少,表明在实际调查中,训练样本的数量与抽样的总体精度不是一直呈正相关。在分层抽样中,适合各层的最优抽样方案不一定相同,并且与系统抽样的最优方案也不一定相同。当抽样间隔相同时,分层抽样的总体精度要高于系统抽样的总体精度,但训练样本数少于系统抽样的训练样本数。所以在实际调查中,采用分层抽样较系统抽样,得到的精度较高,并且耗费的人力物力较少,较为高效。     

基于多源遥感数据的罗平油菜种植面积提取方法研究

基于GF-1 WFV和Landsat8 OLI遥感数据,采用面向对象的最邻近法和基于像元的最大似然法,提取罗平县油菜种植区域,并基于实地样本点构建混淆矩阵进行精度验证,比较提取的油菜种植面积的相对误差。结果表明：针对2种数据源,2种方法提取效果均较好。通过对比,采用面向对象的分类方法能更好地避免复杂山区混合像元错分及漏分问题,其在总体精度、Kappa系数以及油菜的生产者精度和用户精度等方面,均优于传统基于像元的分类方法,更适用于喀斯特山区的地物信息提取。在相同数据不同方法方面,采用最邻近法提取GF-1 WFV数据,所得油菜种植面积的相对误差仅为0.74%,精度远高于最大似然法提取该数据的相对误差(-7.37%);对于Landsat8 OLI数据,最邻近法提取的面积精度同样高于最大似然法。相同方法不同数据方面,最邻近法更适用于空间分辨率较高的GF-1 WFV数据,而最大似然法更适用于光谱信息更丰富的Landsat8 OLI数据。     

基于TM影像的喀什地区土地利用分类

以喀什地区为研究区,选取2010年9景TM影像为遥感信息源,利用支持向量机法对喀什地区的土地进行分类。最终分成7个类别,并用混淆矩阵对分类结果作精度评价,总体分类精度为85.28%,Kappa系数为82.79%。结果表明,利用支持向量机分类方法对TM影像进行喀什地区土地利用分类与制图是可行的,能较真实地反映该地区植被和土地利用的基本特征。     

基于SVM的多光谱影像与SAR图像融合地物分类研究

多光谱遥感图像反映了不同地物的光谱信息,而SAR图像则反映了地表不同地物的后向散射强度信息。通过二者结合,可以实现优势信息互补,提高遥感影像分类的精度。多光谱影像与单波段单极化SAR图像融合分类有2种策略：一种是将SAR图像作为一个波段加入多光谱影像中进行分类;另一种先把多光谱影像与SAR图像融合,然后对融合后的图像进行分类。以成都市使用支持向量机分类方法对2种分类策略下的分类精度进行验证。结果表明,后者分类精度要高于前者,同时2种分类方法的分类精度都明显高于单独使用多光谱影像的分类精度。     

多时相高分辨率遥感影像的森林可燃物分类和变化分析

目的本文针对国内外利用多时相高分辨率遥感影像进行森林可燃物分类研究匮乏的情况,探索高分辨率影像的分类方法,并研究多时相森林可燃物分类结果的差异,以及与海拔、坡度变化的关系。方法以鹫峰林场为研究区,针对鹫峰林场内植被状况及以往研究成果,主要依据植物群落、林型和燃烧特性划分可燃物类别,研究对比不同森林可燃物类型的光谱特征曲线,建立遥感图像与森林可燃物的联系。选用GF-1号5、8、10月的遥感影像为原始数据,利用EnMAP-box中的支持向量机(SVM)算法、随机森林(RF)以及基于CART的决策树分类方法进行森林可燃物分类,将可燃物类别最终划分为:针叶林、阔叶林、针阔混交林、灌木林和非林地5种类别,并分别对其特征进行描述,之后将最优分类方法应用到多时相的遥感影像中,并使用变化检测算法来确定非防火期(5—10月)森林可燃物类型之间土地面积的变化情况。同时,我们将数字高程模型(DEM)分为4类(1类(< 250 m)、2类(250~500 m)、3类((500~750 m)和4类(>750 m)),坡度分3类:缓坡(< 15°)、斜坡(15°~35°)、陡坡(>35°),并使用Jenks方法分别对海拔和坡度每个类别土地面积变化计算百分比,研究随着海拔和坡度变化,森林可燃物面积的变化规律。结果划分的5种森林可燃物类别的光谱特征具有很好区分性,SVM分类最为准确,取得惩罚参数(C)为1 000和核参数(g)为10使得SVM分类模型达到最优,其总体分类精度为91.88%,Kappa系数为0.89,精度相对RF和CART分别提高了2.72%和9.36%。非防火期内(5—11月)森林可燃物类型变化有一定的规律,针叶林、混交林属于中等稳定类别,没有显著变化,分别保持93.74%和94.87%不变。相比之下,阔叶林和灌木林发生了较大变化,分别发生14.64%和13.36%。随着海拔的增加和坡度的变化,森林可燃物类型土地面积也发生了变化,海拔500~750 m和坡度16°~35°的土地上面积变化最大,达到了20%以上。结论多时相高分辨率遥感影像的森林可燃物分类中,基于SVM分类方法能够将可燃物更好地分类,且随着时间、海拔和坡度的变化,森林可燃物面积的变化有一定的规律,5—10月阔叶林和灌木林在海拔500~750 m和坡度16°~35°变化最大。      

基于高分一号遥感影像的绿地信息提取

对高分一号卫星影像进行大气校正、几何校正、裁剪等,利用Libsvm 4.0在Matlab平台里编程进行交叉验证网格法寻优,最终获得支持向量机分类的最佳惩罚系数为45,不敏感系数为0.31。改进支持向量机分类器绿地分类精度为94.6%,该提取精度能满足高分辨率遥感影像在城市绿地动态监测。     

基于多源遥感影像的农作物分类提取

合成孔径雷达数据因其较强的纹理特征近年来被广泛应用于农作物分类的研究中.针对多光谱影像无法实现农作物的精确分类问题,本文选取鲁西南济宁市为研究区,融合了2020年4-9月的Sentinel-1 SAR数据和Sentinel-2多光谱数据作为数据源,提取光谱特征、纹理特征、双极化后向散射系数共52个特征变量,通过独立主成...     

基于决策树分类技术的遥感影像分类方法研究

采用决策树分类技术对遥感影像进行分类,阐述了决策树算法结构和原理,讨论了C4.5基本原理以及新技术Boosting方法,探讨了决策树在遥感数据分类方面的优势,从而提高了遥感影像的分类精度。     

一种基于SVM分类的多类识别方法及应用

支持向量机是借助于最优化方法解决机器学习问题的新工具,它主要应用于解决两类分类问题。在两类分类的基础上介绍了一种基于SVM的多类分类算法———一对一分类法,并将其用于中国茶叶的分类。以31个中国茶叶样品为试验材料,随机抽取8个茶叶样品为待测样品,其余的23个茶叶样品组成训练集。利用一对一分类法建立关于训练集的多类分类模型,把待测茶叶样品分为3类,预测结果显示茶叶识别完全正确;而用层次聚类法对预测样品分类,识别正确率只有87.5%。由此表明一对一多类分类方法在农业与生物科学研究领域的多类识别问题上将有很好的应用前景。     

基于支持向量机遥感图像融合分类方法研究进展

总结了近年来国际上图像融合以及支持向量机的应用的研究进展,分析了支持向量机用于遥感图像融合分类的趋势、优势以及目前存在的问题,指出了该研究领域的研究方向。     

基于EnMAP Box的遥感图像分类研究

采用2007年6月云南省勐腊县TM遥感数据,利用EnMAP box进行了支持向量机的图像分类研究,以网格搜索法寻找最优参数,在设定的范围内,求得了最优C和g参数,用此参数进行支持向量机的遥感图像土地覆盖分类。结果表明：SVM方法较最大似然分类方法具有较高的分类精度,特别是阔叶林和橡胶林的精度明显优于最大似然分类方法;对于面积较小的次要类型,2种分类方法的精度基本保持一致;SVM的总体精度相对于最大似然分类提高了119%。     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

基于旋转森林的Landsat-8影像森林植被分类

以黑龙江大兴安岭塔河林业局瓦拉干林场2013年的Landsat8 OLI影像为数据源,在光谱特征基础上,增加归一化植被指数、纹理特征和地形特征,得到3种特征组合(光谱特征和NDVI(F1);光谱特征、NDVI和纹理特征结合(F2);光谱特征、NDVI、纹理特征和地形特征结合(F3)),将旋转森林算法分别应用于3种特征组合下的森林植被分类,获得分类精度最高的特征组合;之后利用最佳特征组合将旋转森林与最大似然分类法和支持矢量机2种分类方法进行对比和精度验证分析。结果表明:利用旋转森林算法并结合光谱特征、NDVI、纹理特征和地形特征的特征组合分类精度最高,为87.54%,比F1和F2特征组合的精度分别提高了11.08%和3.39%。比较不同分类方法,旋转森林算法进行森林植被的分类精度比最大似然法和支持矢量机方法的分类精度分别提高了13.24%和5.39%。由于旋转森林算法稳定性好,在植被分类中受山地阴影的影响较少,因此在分类图中"椒盐"现象最少,图像更加清晰,分类效果最好。     

基于高分辨率遥感影像的农村房屋自动化识别

[目的]为了改善遥感影像分类算法对"同谱异物"的农村房屋与乡村道路的区分能力,提高房屋识别的空间平滑性与自动检测精度,为后续的农村宅基地遥感监测提供技术支撑.[方法]文章基于光谱-空间核函数集成支持向量机(光谱-空间核SVM)算法框架,发展了一种适于高分辨率遥感影像的农村房屋自动化识别方法.首先,对高分辨率遥感影像进行...     

支持向量机技术在遥感影像滑坡体提取中的应用

利用遥感影像,采用SVM技术,对灾害区域的滑坡体信息进行提取。通过实例证明了在遥感影像中利用支持向量机方法提取滑坡体的有效性和可行性。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

基于随机森林模型的陆地卫星-8遥感影像森林植被分类

以黑龙江省漠河县为研究区域,采用陆地卫星-8遥感影像为数据源,结合影像的光谱信息和数字高程模型辅助数据,分别采用最大似然分类法(MLC)和随机森林模型法(RFM)对研究区森林植被进行分类,并分析和评价光谱特征变量对模型的重要性、2种分类方法对森林植被类型分类的适用性。结果表明:随机森林分类方法的总体分类精度为81.65%、卡帕(Kappa)系数为0.812。与传统的MLC方法相比,RFM法均提高了3种森林类型的生产者精度和使用者精度,其中针阔混交林精度提高最多。通过分析特征变量的重要性,发现高程、归一化植被指数、红光波段、近红外波段、短波红外波段对模型分类精度有较重要的影响。说明随机森林模型方法结合多源信息是森林植被类型遥感分类的一种有效手段。     

基于LANDSAT遥感影像的太原市土地利用分类

以LANDSAT遥感影像为数据源,经过波段选择、拼接裁剪和监督分类等步骤,将太原市土地利用类型分为林地、疏林地、旱地、城镇用地、工交用地和水体六类,并且达到一定的分类精度.在此基础上,指出太原市土地利用中存在的问题,并提出了调整对策.