结合多尺度纹理特征的高光谱影像面向对象树种分类

目的基于机载高光谱影像的分类研究中，利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少，并且相关研究主要针对单一树种识别而不考虑多种树种，因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。方法利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况，采用分层分类的方法区分非林地、其他林地与有林地，对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量，包括独立主成分分析ICA变换光谱特征以及空间纹理特征，分析各树种的光谱反射率及所适合的纹理尺度，依据不同尺度纹理特征进行分层分类，比较不同特征利用支持向量机SVM分类的树种分类结果。结果结合单一尺度纹理特征的分类结果总体精度为87.11%，Kappa系数为0.846；结合不同尺度纹理特征的分类总体精度为89.13%，Kappa系数为0.87，相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中，纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度，尤其在其他阔叶树种和马尾松树种的分类中，制图精度较单一纹理尺度分别提高了5.48%和6.12%。结论利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势，提高了纹理特征在树种分类中的贡献率；综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法，使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的，能够满足机载高光谱影像树种精细识别的应用需求。      

基于无人机高光谱不同高度的地物快速识别研究

[目的]探究不同高度下地物的光谱特征变化以及不同时期、不同高度下地物的有效快速识别方法。[方法]以2016年8月7日200 m高空高光谱影像和2016年9月25日100、200、300 m高空高光谱影像共4景影像为研究对象,研究不同高度下地物的高光谱特征变化以及不同时期、不同高度下地物的分类精度。[结果]不同高度下,植被的光谱反射率差异显著,随着高度的升高,植被特有的特征如"绿峰"降低、"红谷"升高、"红边位置"出现"红移",在近红外范围内,光谱反射率降低;综合考虑人工参与程度、处理时间和分类精度等方面,基于ISODATA法可实现不同时期、不同高度下地物的快速识别研究。[结论]该研究结果为利用无人机高光谱遥感在其他领域的应用奠定了基础。     

基于CART决策树的自然保护区植被类型分布研究

目的针对保护区监测需求，充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势，提高保护区植被类型遥感监测的精度，为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区，主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先，对GF-1 WFV数据进行多尺度分割，将研究区划分为诸多区域性的分割对象；然后，以分割对象为基本单元，研究光谱特征、几何特征、纹理特征不同组合情况下，基于CART决策树分类的结果；最后，利用训练样本建立基于TTA的精度检验，并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中，形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好；当形状因子和紧致度固定时，研究区最佳分割尺度为40。精度检验结果表明，基于CART决策树的保护区植被类型分类结果整体精度均在83%以上，Kappa系数在0.80以上，优于最邻近分类法和支持向量机分类算法，其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高，总体精度为85.18%，Kappa系数为0.832 2，优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究，可有效辅助保护区监测工作。      

基于决策树的无人机高光谱遥感影像地物分类研究

高光谱影像由于其波段众多,传统的多光谱图像的信息提取方法不适合高光谱影像的处理。利用无人机搭载美国Headwall公司的最新纳米级高光谱成像光谱仪,采集广东省广州市增城区某处的高光谱影像,提取光谱数据,分析不同地物间光谱曲线特征和差异,采用决策树进行地物分类。结果表明:根据无人机高光谱数据中不同地物之间光谱特征曲线的差异,建立分类树,不仅可以大大减少分类处理的工作量,且分类效果良好,准确度高。     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

曹妃甸湿地典型植被光谱特征差异性分析

运用高光谱遥感技术分析地物特有的光谱特征可以有效地对地物进行识别。以河北省唐山市曹妃甸湿地为研究对象,使用SR2500便携式地物光谱仪测定了2种典型湿地植被——翅碱蓬[Suaeda salsa (L.) Pall.]和芦苇[Phragmites australis(Cav.)Trin.ex Steud.]的光谱特征,并对2种湿地植被的原始反射率光谱曲线和经过包络线去除法变换后的反射率光谱曲线进行研究。结果显示:由于包络线去除法的限制,在340~380 nm和716~1 020 nm波段范围内,分析芦苇原始光谱曲线更容易区分植被所处的生长期,在340~595 nm和710~920 nm波段范围内,分析翅碱蓬的原始光谱曲线更有利于区分所处的生长期,且2种植被生长旺盛期的反射率均高于生长末期。在508、550、678 nm处利用包络线去除法能够更好地区分芦苇不同生长阶段,在638、678 nm处利用包络线去除法能更好地区分翅碱蓬不同生长阶段。芦苇在绿光波段550 nm处出现明显的反射峰,而翅碱蓬在红光波段638 nm处出现明显的反射峰,这使得2种植被经过包络线去除处理后更好区分。在753~1 020 nm波段范围内,分析原始光谱曲线更适于区分芦苇和翅碱蓬,且芦苇的反射率高于翅碱蓬。     

基于光谱特征分异的玉米种植面积提取

玉米种植面积的准确获取是进行玉米长势监测和产量估测的前提与基础。在对Landsat-8/OLI影像进行辐射定标、大气校正、几何精校正和裁剪等预处理的基础上,基于典型地物光谱空间差异与物候特征的异同,选取具有代表性的4种植被指数[归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、绿度植被指数(GVI)]和近红外波段反射率,通过构建植被光谱特征指标阈值对不同地物进行识别和分类,最后获取玉米种植面积。结果表明,利用近红外波段反射率可以将农作物与其他地物区分开来,即当其反射率值大于0.37时,地物为农作物。对不同种类农作物识别时,选择NDVI0.86、DVI0.53、RVI13.00、GVI3 713.60作为分类阈值,可以将玉米与水稻和大豆区分,准确提取到玉米的种植面积。利用样本数据和当地农业部门提供的数据进行面积提取精度验证,总体精度为92.75%,说明基于多光谱特征指标建立分类阈值的方法可以准确提取玉米种植面积,该方法可以为江淮玉米种植区县域玉米种植面积的提取提供参考。     

滇中典型乔木植被高光谱特征

针对滇中乔木植被光谱研究较少问题,运用高光谱遥感技术提取分析植被的特征波段,补充滇中乔木光谱,以期能为遥感识别分类植被、监测乔木长势,以及植被反演等提供科学依据。利用SOC710VP地物光谱仪,对滇中的侧柏(Platycladus orientalis)、樟木(Cinnamomum longepaniculatum)、柳杉(Cryptomeria fortunei)3种植被进行反射光谱测定,分析3种植被的叶片光谱特征差异,使用光谱一阶导数和连续统去除处理其原始光谱。原始反射率曲线表明,400~420 nm柳杉的曲线呈下降趋势,区别于樟木和侧柏;侧柏、樟木、柳杉的反射率在700~760 nm存在显著差异。红边波段光谱一阶导数凸显了3种乔木植被特有的波峰波谷特征,侧柏的峰谷特征尤其突出,识别度更大。连续统去除变换能够突出3种乔木植被在可见光波段的吸收和反射特征差异,樟木和柳杉的连续统去除值在440~760、950~1 000 nm存在较大差异。通过比较3种植被的原始光谱特性和反射率,可以从一定程度上把3种植被区分开。光谱一阶导数和连续统去除变换可以突出3种植被原始光谱特征之外的特征,增加识别分类3种植被的特征波段,区分识别3种植被的效果更显著。     

福建将乐林场主要树种冠层光谱反射特征分析

【目的】对福建将乐林场主要树种的冠层光谱曲线进行分析,以建立和完善该地区森林树种光谱数据库,并对利用高光谱数据研究森林树种分类提供理论和技术支持。【方法】对实测的林场内5个主要树种(马尾松、杉木、毛竹、木荷和苦槠栲)的平均冠层反射光谱曲线,采用导数光谱、红边特征及将冠层光谱曲线转化到频率域的离散傅里叶变换方法进行分析,比较各树种冠层光谱曲线在空间和频率域上的差别。【结果】在可见光波段(480~700nm),毛竹和苦槠栲的冠层反射率高于其他树种;在近红外波段(720~920nm),苦槠栲、木荷、毛竹的冠层反射率明显高于马尾松和杉木,且苦槠栲木荷毛竹。一阶导数光谱对植被类型有很好的区分作用,可以将植被在可见光波段附近吸收谷的特征和在近红外波段的红边特征进行突出显示。冠层光谱的红边特征参数表现为木荷和苦槠栲的光谱曲线红边斜率较大,明显高于马尾松、杉木和毛竹;毛竹的红边位置明显低于其他树种。对树种冠层光谱的频谱分析结果得出,冠层光谱前12次谐波能量累计达到99%,原始光谱曲线冠层光谱在频域上也有可分性,前4次谐波的幅度谱可以将苦槠栲、木荷和毛竹区分出来。【结论】不同树种的光谱曲线在空间域和频率域都存在明显的差别,光谱曲线的红边参数和冠层光谱在频率域的幅度谱有助于定量化地区分不同的树种类型。     

基于WorldView2和GF-2的面向对象多指标综合植被变化分析

目的利用高分辨率卫星影像获取精确的植被变化信息对植被资源合理利用及可持续经营有重要意义。传统的基于像元的直接变化检测法容易产生椒盐噪声,而用面向对象分类法结果又严重依赖于分类精度。本文在分析现有算法优劣势基础上,力图找到一种针对高分辨率遥感数据进行植被变化检测的相对客观算法,并验证其有效性。方法基于现有的多指标综合变化分析算法（MIICA）,提出了面向对象的MIICA。本算法用准确率（P）和查全率（R）分析确定的最优分割参数对前后两期跨传感器影像进行统一分割,利用分割获得的对象影像进行特征参数提取,并用ROC曲线法选择合适的阈值进行变化信息提取并整合,最终获得植被变化位置及方向（植被增多或减少）。结果经与基于像元的MIICA及面向对象分类法的比较,本方法的生产者精度高于基于像元的MIICA,用户精度高于面向对象分类法,并且总体精度和Kappa系数分别达到了0.880和0.805。本方法能更好地反映植被变化的位置及形状,也能较准确地检测出一些面积微小的变化。结论面向对象的MIICA能弥补基于像元的MIICA和面向对象分类的缺点,提高检测精度,对存在高人为影响的森林公园或自然保护区植被变化分析、植被资源合理利用及可持续经营有重要意义。      

多种光谱指标构建决策树的水稻种植面积提取

合理选取不同光谱指标制定决策树规则,能有效提高决策树分类法提取水稻面积的精度。本研究以江苏省淮安市为例,选取30 m空间分辨率HJ1A和16 m空间分辨率GF1多光谱影像,在对不同地物样点像元光谱特征分析的基础上,选择地物光谱特征明显的GF影像计算NDVI、EVI、DVI和RVI,并提取影像近红外波段反射率,利用上述5种光谱指标确定不同地物分类阈值来对两景影像进行决策树分类,进而获取淮安市水稻面积和分布情况。结果表明,GF影像地物光谱特征较明显,有利于识别不同地物,可用来确定基于多种光谱指标分类的阈值范围。其中,水稻判别条件为NDVI0.70,0.25DVI≤0.45,0.53EVI≤0.80,RVI5.5且0.30ρNIR≤0.46。HJ影像和GF影像提取水稻面积的样本精度分别为87.29%和93.70%,GF影像比HJ影像的水稻面积提取精度提高了6.41个百分点,说明利用多种光谱指标构建决策树分类模型是一种有效提取水稻种植面积的方法。     

结合纹理信息Hyperion高光谱影像分类

高光谱遥感光谱特征明显,单纯利用其光谱优势难以达到影像分类精度要求,特别是区分植被精细类别。为了进一步提高Hyperion高光谱影像分类精度,研究加入包含区域亮度变化及结构特征的纹理信息,试图提高分类精度。以杭州市余杭区百丈镇为试验区,首先提取研究区道路、建筑物、农田、毛竹Phyllostachysedulis林、马尾松Pinusmassoniana林和栎类Quercus等7种类型的端元光谱,然后对端元进行线性光谱分离,利用二阶概率矩阵对线性光谱分离出的8个波段提取纹理特征,最终结合线性分离后的端元光谱实现分类。结果表明：纹理信息融入后分类结果较单源信息光谱角制图和单源信息支持向量机方法有明显的改善,建筑物精度分别提高了34．13％和17．16％,农田提高了19．71％和9．24％,马尾松则改善了27．09％和5．42％,栎类精度提高了近3．00％和10．00％,且一定程度上避免了椒盐效应。采用光谱与纹理信息结合的方法对Hyperion高光谱影像分类是可行的。分类过程中端元的提取、纹理分析时特征向量的组合及纹理移动窗口大小的选择对分类结果起重要的作用。图6表1参19     

利用决策树对TM遥感影像的分类研究

利用TM遥感影像对黑龙江省大庆市土地利用分类进行了研究。将地物分为8种类型,然后提取分析各种典型地物的光谱曲线,依据提取的光谱曲线建立了土地利用分类的决策树模型并进行了分类,最后对分类结果进行了精度评价。应用结果表明,该方法简单有效。     

基于多光谱影像和专家决策法的作物分类研究

[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kappa系数达到0.8311。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。     

基于卷积神经网络的高分二号影像林分类型分类

目的基于遥感影像的林分类型分类在现代林业中是一项重要的应用。本文试图构建一个基于高分二号（GF-2）影像林分类型分类的卷积神经网络（CNN）模型,探索CNN在遥感图像像素级分类这一领域的发展潜力。方法以GF-2卫星遥感影像为数据源,利用Tensorflow（一种开源用于机器学习的框架）构建4种不同图像斑块大小（m = 5,7,9,11）为输入的CNN,同时以传统的神经网络模型——多层感知器（MLP）为基准,比较不同图像斑块大小下的CNN分类图的分类效果和分类精度。结果实验分类结果表明:CNN（m = 9）得出最高的分类精确度,总体精度比MLP和CNN（m = 5,7,11）分别高出10.91%和6.55%、1.3%、2.54%。分类图的可视化结果也表明CNN（m = 9）更好地解决了“椒盐现象”与过度平滑后的边界不确定性问题。结论CNN能够在利用高分影像光谱特征的同时充分挖掘影像的空间特征,从而提高分类精度,同时在利用CNN基于遥感影像分类时,根据数据源以及地物的特点选择合适的图像斑块大小作为输入是提高分类精度与分类效果的关键措施。      

基于高光谱影像的舟曲曲瓦沟树种识别

正确识别舟曲地区沟内森林树种是进行植被保护的基础,也为准确计算泥石流发生的降雨阈值提供参考.利用HYPERION高光谱影像,采用基于纯净像元指数（PPI）的端元提取方法,提取了6类端元,用波谱特征拟合方法（SFF）、波谱角分类（SAM）方法和二进制编码方法（BE）识别出核桃、矮灌木、橡树、刺柏、冷杉和灌木蒿.同时利用基于最小噪声分离（MNF）的最小能量约束法（CEM）分离出各自的分布范围.     

基于实测高光谱数据的太湖湖滨带典型植被分类

湖滨带是湖泊生态系统与陆地生态系统的连接枢纽,对陆地生态环境的稳定有着积极的作用,利用植被高光谱特征识别湖滨带植被生长与分布状况对滨岸生态系统的管理和研究具有十分重要的意义。以太湖湖滨带(宜兴段)为研究区域,利用Field Spec3 Hi-Res便携式地物光谱仪测量5类典型植被冠层光谱;在利用S Golay滤波对异常光谱数据进行剔除的基础上,采用光谱微分法与植被指数法构建光谱特征;应用人工神经网络法结合因子分析法对典型植被进行分类提取。结果表明:(1)利用S Golay滤波方法能够较好地平滑噪声,保留其真实光谱特征;(2)在利用原始反射率、植被指数、一阶光谱微分、二阶光谱微分的4种分类组合中,二阶微分数据的神经网络分类精度最高,原始分辨率分类精度最低;(3)在不同植被类型的分类中,4类分类组合方法对夹竹桃的分类效果最好,对柳杉的分类效果最差。     

基于多光谱影像和专家决策法的作物分类研究

[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kap-pa系数达到0.831 1。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。     

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。      

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。