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Fisher判别的层次分类法的森林遥感影像分类

通过Fisher判别法得到的混淆矩阵计算分类评价指标构建层次分类树模型,提出了一种基于Fisher判别的遥感影像森林地类层次分类法。利用杭州市部分地区的森林资源清查样地数据和Landsat8遥感影像数据进行试验,并与最大似然分类、支持向量机和随机森林分类的结果进行比较。结果表明:基于Fisher判别的层次分类法总分类精度为79.45%,比最大似然分类、支持向量机和随机森林分别高了12.33%、21.00%和10.50%,kappa系数为0.756 8,比最大似然法、支持向量机和随机森林分别高了0.145 5、0.256 4和0.126 4;基于Fisher判别分析方法的层次分类法模型中,层次分类树的节点依次是建设用地—水体—农地—竹林—阔叶林—针叶林—针阔混交林;基于Fisher判别的层次分类法中一个模型只能分出一个类别。     

基于遥感的塔河林业局森林可燃物类型划分

应用监督分类法中的最大似然法(Maximum Likelihood Classification)以及遥感图像对塔河林业局森林可燃物类型划分的结果为:天然落叶松林、人工落叶松林、樟子松林、针阔混交林、阔叶林、难利用地等几种类型,并绘制了可燃物类型分布图,经分类精度检验,总体分类精度为72.90%。同时,对不同可燃物类型的特点进行了分析。     

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％。     

运用植被指数时序特征对落叶松人工林分类

为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。     

基于高分二号数据的小麦快速识别与精度分析

针对目前高分二号(GF-2)卫星遥感数据在农业领域应用较少,尤其是在农作物识别方面应用缺乏的现象,以GF-2 4 m多光谱遥感影像为数据源,在河南省北部小麦主要种植区域濮阳县,采用监督分类方法(包括支持向量机、人工神经网络和最大似然法)进行小麦种植空间分布信息的快速提取和精度分析。结果表明,3种分类方法对小麦的识别结果非常相似,生产者精度均在96%以上,以支持向量机法最高;用户精度均在98%以上,以最大似然法最高; Kappa系数三者比较接近,均在0. 80以上;总体精度均在82%以上,以最大似然法最高,达85. 15%;错分误差在2%以下,漏分误差在3%左右,对地物的识别误差总体以最大似然法最低,尤其对小麦、水体、光伏电站的识别精度非常高。综合考虑,在采用GF-2进行小麦识别时,建议采用最大似然法。     

基于树种分类的高分辨率遥感数据纹理特征分析

遥感图像尤其是高分辨率（1~4 m）遥感图像在树种分类方面有着广阔的应用前景。利用主成分分析法对遥感数据去相关分析,然后通过对纹理提取过程的分析,探讨不同移动窗口大小对纹理特征的影响,以期为中山陵园风景区的森林调查提供依据,分类方法为经典的最大似然分类器。根据不同移动窗口大小的纹理因子相关性和对保持纹理信息丰富度的影响,来选择合适的窗口大小及纹理因子组合,以对树种分类精度的提高程度为评价标准。研究结果表明,利用窗口大小为19 19下的纹理信息可有效提高分类精度,总精度达到66%,Kappa系数达到0.59,比单纯的光谱信息最大似然法图像分类精度高,其中均值与均匀性、对比度、偏斜度纹理因子组合为最佳纹理组合,能有效减少数据冗余。高分辨率遥感数据纹理信息的运用为树种分类识别时的特征选择提供了有利技术参考。图4表3参19     

面向Sentinel-2A影像的大理市土地利用分类方法适用性研究

  目的  获取更高效、准确的土地利用自动分类方法,为后续的高原山区土地利用分类研究提供理论支撑。  方法  选取中国典型的高原山区云南省大理市为研究区域,以Sentinel-2A影像为对象,提出一种面向对象特征的决策树分类方法,并将此方法分类结果与传统的ISODATA法和最大似然法土地利用分类结果进行对比。  结果  ①面向对象特征的决策树方法分类结果在空间分布和各地类的面积统计方面都优于ISODATA法和最大似然法,与研究区实际土地利用面积数据更为接近;②在大理市,最大似然法在水体和林地的提取上适用性较好,而面向对象特征的决策树分类方法在农田、草地、建设用地和其他这些地类的区分上适用性更强,且在冰川积雪的提取上也有更好的提取效果;③相比与传统的ISODATA法和最大似然法分类结果精度,面向对象特征的决策树分类方法可进一步提高分类精度,总体分类精度可达90.20%,Kappa系数为87.95%。  结论  相较于传统的分类方法,先粗分类再进一步细分类的分类思想,可避免区域之间的混淆问题。面向对象特征与决策树相结合的组合分类方法在高原山区有着更好的适用性,可以有效提高高原山区分类精度。图3表7参26     

基于ENVI4.5的土地利用覆被信息监督分类对比研究——以海南省屯昌县为例

选取海南省屯昌县作为试验区,以2005年土地利用现状图和2008年经校正的SPOT影像为数据,利用ENVI4.5中的监督分类提取了影像中的耕地、园地和林地信息,并对提取精度进行比较分析。结果表明,平行六面体法在提取耕地信息方面的精度最高,可以达到85.60%,最小距离法在提取园地信息时可以实现82%的精度,最大似然比分类法提取的林地信息精度在80.38%。"异物同谱"和"同物异谱"现象是也是影响分类精度的主要原因。     

基于无人机可见光影像的毛竹林郁闭度估测方法

  目的  由于毛竹Phyllostachys edulis的生长特点和经营特点，使得毛竹林郁闭度在毛竹林经营中尤为重要，只有保持适宜毛竹生长的郁闭度，才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法，可实现实时快速获取毛竹林的郁闭度。  方法  以普通旋翼无人机可见光毛竹林影像为研究对象，基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法，选取不同钩梢和郁闭度的样地36个，利用现有软件和MATLAB编程，对各样地的毛竹林竹冠区域进行快速提取，进而估算林分郁闭度，对比目视解译的郁闭度真值计算各方法的估算精度，利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。  结果  基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%，郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。  结论  基于多尺度分割的监督分类方法总体精度最高，估算绝对误差最小，能够满足快速、准确提取并估测毛竹林林分郁闭度的要求，且适用于不同经营类型的毛竹林。图2表6参28     

高分辨率遥感影像林地类型精细识别

以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法（MLC）和支持向量机法（SVM）]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

基于GF-2遥感影像的葡萄大棚信息提取

随着设施农业的不断发展，快速准确获取农业大棚的空间分布和种植面积有助于农业经济增长模式调整，实现农业资源的高效利用。以2017年5月的GF-2遥感影像 为数据源，在构建最优特征空间的基础上，采用面向对象随机森林分类方法开展南方丘陵地区葡萄大棚信息提取。结果表明：①利用尺度评价工具ESP和邻域差分绝对值与标准差比RMAS结合的方法可以实现特定地物目标的最优分割尺度选择，分割效果良好；②通过Gini指数进行特征选择能减少数据冗余，提高分类精度，在优选的15个特征变量中，光谱特征占有绝对优势，其次是纹理特征和几何特征；③基于最优特征子空间的随机森林模型能有效提取葡萄大棚的分布信息，总体精度高达92.5%，F值为0.91，其面向对象的精度评价指数GTC为0.12。 结果表明，该方法对基于GF-2影像的南方丘陵区域葡萄大棚信息提取具有较大的应用潜力，并可为其他地区的农业大棚信息提取提供较好的解决思路。     

基于GF-2遥感影像的葡萄大棚信息提取

随着设施农业的不断发展,快速准确获取农业大棚的空间分布和种植面积有助于农业经济增长模式调整,实现农业资源的高效利用。以2017年5月的GF-2遥感影像 为数据源,在构建最优特征空间的基础上,采用面向对象随机森林分类方法开展南方丘陵地区葡萄大棚信息提取。结果表明：①利用尺度评价工具ESP和邻域差分绝对值与标准差比RMAS结合的方法可以实现特定地物目标的最优分割尺度选择,分割效果良好;②通过Gini指数进行特征选择能减少数据冗余,提高分类精度,在优选的15个特征变量中,光谱特征占有绝对优势,其次是纹理特征和几何特征;③基于最优特征子空间的随机森林模型能有效提取葡萄大棚的分布信息,总体精度高达92.5%,F值为0.91,其面向对象的精度评价指数GTC为0.12。 结果表明,该方法对基于GF-2影像的南方丘陵区域葡萄大棚信息提取具有较大的应用潜力,并可为其他地区的农业大棚信息提取提供较好的解决思路。     

基于面向对象和随机森林模型的杭州湾滨海湿地植被信息提取

湿地植被在湿地生态系统中起着无可替代的作用,其空间分布在很大程度上反映了滨海湿地的开发利用、生态环境特征和健康状况。以杭州湾南岸为研究区,以QuickBird影像和野外调查数据为数据源,基于面向对象原理在确定最优分割尺度的基础上采用随机森林模型,对滨海土地利用分类,并精确提取湿地植被。结果表明:面向对象和随机森林相结合的方法可以有效提取杭州湾5种湿地植被类型和6种土地利用类型,分类总体精度达86.90%,Kappa系数达到0.85,5类滨海湿地植被的用户精度均达到85%以上,更有海三棱藨草Scirpus mariqueter的用户精度达到100%,充分说明了基于面向对象分割和结合随机森林模型方法适用于滨海湿地植被信息的精确提取。     

基于纹理特征的Spot绿地信息提取研究

城市绿地信息是城市园林(生态、城市)规划的重要信息,地物的几何结构和纹理信息更加明显的高分辨影像为获取更详细的绿地信息提供了可能。本文采用Spot卫星影像,以福建省泉州市鲤城区为例,借助Matlab和ERDAS图像处理软件,在详细分析研究区绿地不同类别纹理差异的基础上,利用统计和小波分析的方法提取绿地纹理特征,并将其引入基于光谱分类的最大似然法进行绿地信息的提取分类,相比直接用面向象元的监督分类的分类结果,其分类总精度由原来的76.5%提高到了80.2%,Kappa系数由原来的0.7023,提高到了0.7484,而且绿地类别被更详细地分成了一般绿地,农田,自然林地。不同绿地类别的分类精度明显提高,表明纹理特征在遥感绿地信息提取方面的有效性和本研究方法的可行性。本文是根据研究区特点,引入纹理特征提高绿地信息提取分类精度方法的探讨,更广泛的应用和精度的提高有待于进一步的完善研究。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于不同分类器的农用地分类提取

【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。     

基于支持向量机的TM遥感影像土地利用/覆盖类型监测

基于TM遥感数据和林业二调数据,对云南省宜良县北古城镇进行土地监测和土地利用分类,利用ArcGIS和ENVI软件对原始影像数据进行裁剪,运用支持向量机(SVM)监督分类方法,将研究区的土地利用类型分为农地、建筑用地、水域、针叶林、裸地6个类别,并且达到一定的分类精度,以图像的形式直观地展示研究区的土地覆盖类型,并以林业二调数据为ROI(感兴趣区域)来验证分类精度。在此基础上,指出了研究区土地利用中存在的问题和生态结构的变化,并提出了调整对策。