基于特征优选的GF-6 WFV影像主要粮食作物提取

针对高分六号（GF-6）宽幅多光谱影像具有红边波段的特点,构建一种基于特征优选的GF-6 WFV影像主要粮食作物提取方法。首先从预处理后的GF-6影像中提取光谱特征、植被指数、水体指数和红边指数特征,然后利用递归特征消除算法进行特征优选来构建最优特征集,最后基于最优特征集和机器学习算法对影像进行分类从而提取主要粮食作物。以江苏省南通市如东县为研究区,采用6种方案进行粮食作物提取试验,并探讨不同特征、不同分类模型对小麦、水稻和玉米3种粮食作物提取精度的影响,结果表明,利用GF-6 WFV影像可以准确提取主要粮食作物,尤其在红边波段和红边指数上主要粮食作物与其他地物间具有较高的可分性;利用最优特征集和XGBoost算法对影像进行分类的精度最高,在小麦和水稻、玉米提取试验中比未采用红边特征时的分类精度分别提高了3.08、5.58个百分点。     

应用面向对象结合多时相哨兵-2A影像特征优选的毛竹林分布信息提取

提出一种面向对象及随机森林特征优选的分类方法，为毛竹林分布信息提取提供参考。依据多时相哨兵-2A(Sentinel-2A)卫星数据提取光谱特征、植被指数及红边植被指数特征、纹理特征共69个特征；设计8种特征组合方案，方案1～5为多时相方案，其中方案1——光谱特征波段；方案2——光谱特征波段+植被指数特征+红边植被指数特征；方案3——光谱特征波段+纹理特征；方案4——光谱特征波段+植被指数特征+红边植被指数特征+纹理特征；方案5——光谱特征波段+植被指数特征+红边植被指数特征+纹理特征+特征优选；方案6、7和8为3个单时相影像分类，将其分类结果与其他多时相方案进行对比。采用随机森林算法进行特征优选的毛竹林分布信息提取。结果表明：(1)多时相Sentinel-2A数据的短波红外波段特征、红边波段特征及红边植被指数特征在分类时重要性程度高，对毛竹林分布信息提取贡献度大；(2)使用随机森林面向对象的分类方法能够有效的减少“椒盐现象”;(3)所有特征参与并由随机森林算法特征优选的方案5对毛竹林的分布信息提取效果最佳，总体精度为85.94%,Kappa系数为0.785 2,表明随机森林算法能够进行...     

县域尺度上基于GF-1PMS影像的冬小麦种植面积遥感监测

为探究县域尺度上基于高分一号卫星(GF-1)PMS影像进行冬小麦遥感监测的可行性及精准性,以河南省滑县为研究区,遴选2015年2月上旬GF-1 PMS影像6景,对影像进行辐射定标、FLAASH大气校正、NNDiffuse融合、几何精校正、地图投影转换等预处理后,在外业调查和样本分析的基础上构建一种新的冬小麦决策树分类模型,模型第1层决策方案中NDVI0.311的像元为冬小麦,得到冬小麦的粗分类结果;在此基础上进行第2层决策分类,以进一步提高冬小麦的分类精度,分类方案为第1波段地表反射率0.146、第2波段地表反射率0.148、第3波段地表反射率0.135、第4波段地表反射率0.250的像元为冬小麦。对分类结果进行形态学滤波处理,以消除或减少分类结果中孤立的像元。分别基于决策树分类模型与ENVI软件自带的IsoData非监督分类模型,对比分析GF-1PMS影像和同时期Landsat-8OLI影像在冬小麦面积提取上的精度。结果表明:基于新构建的决策树分类模型,2015年滑县冬小麦种植面积为115 715.81hm2,混淆矩阵检验总体精度为99.62%,Kappa系数为0.99;PMS影像提取冬小麦的混淆矩阵总体精度比OLI影像高出9个百分点。说明县域尺度上基于单时相GF-1PMS影像在冬小麦收获前提取冬小麦种植面积是可行的,提取精度较高。     

基于WorldView-Ⅱ数据的呼和浩特市绿化树种光谱特征分析

基于高分辨率遥感数据的树种光谱特征分析对树种识别具有极其重要的意义。以呼和浩特市World View-Ⅱ影像为数据源,分析11个树种及草类的影像光谱特征。研究结果表明:各树种及草类均在近红外1和近红外2波段有较高的反射率,而在红光和红边波段有较低的反射率;在绿光、红边、近红外1、近红外2波段,草类的反射率均值明显高于其他树种,在红边、近红外1、近红外2波段,草类可与大多数针叶树种区分开来;各树种及草类在海岸、蓝、绿、黄波段可分性不大,在红、红色边缘、近红外1、近红外2波段可分性较大。     

输电线路下行林区优势树种的冠层光谱特征分析

通过对安徽省池州市青阳县输电线下行通道的优势树种进行光谱测量与分析,以建立优势树种光谱库,为输电线通道下行林区的树种精细分类提供理论和技术支持。利用便携式光谱仪对研究区6个优势树种的冠层光谱数据进行采集,并生成平均冠层反射光谱曲线,经过导数变换、植被特征参数(蓝边、黄边和红边)分析及冠层光谱的可分性研究,进而分析出不同树种的不同波段光谱特征差异。结果表明,在原始光谱可见光波段毛竹冠层反射率高于其他树种;而在近红外波段,栎树的冠层反射率高于其他树种。6个树种的蓝边位置、黄边位置及红边位置存在差异较小,毛竹的蓝边斜率最大;杉木的黄边斜率最大;栎树的红边斜率和红边面积均为最大。通过可分性研究可知,原始光谱在550 nm、900 nm及一阶导数光谱在718 nm处,有助于精细区分不同树种类型。     

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。     

基于水稻特征波段的决策树分类研究

以滁州市为例,结合水稻物候的特征波段,选用反映水稻物候期时相的TM数据,并基于多特征波段,构建CART决策树分类提取水稻种植面积。结果表明,植被指数、湿度因子、绿度因子、纹理特征等多特征参与CART决策树分类能够提高总体精度。基于光谱信息、植被指数和纹理特征的决策树分类的总精度比以最大似然法进行的监督分类方法提高了6.942 1百分点,Kappa系数提高了0.110 4。合理选用作物物候期数据及其遥感影像的特征波段能够有效降低分类误差,为地形复杂地区获取作物种植面积提新的方法。     

旱区糜子农田冠层高光谱反射特征研究初报

高光谱遥感监测技术能快速获取作物冠层相关参数信息,是实时监测作物长势的重要技术。为探索不同糜子品种的冠层光谱反射特征,试验研究了不同品种和不同栽培密度条件下糜子冠层光谱反射率,并分析了其红边特性。结果表明,不同品种糜子的光谱反射率在总体上呈现一致的变化趋势,在各波段存在不同的差异;不同密度梯度下,最大密度处理D3的光谱反射率在350~1 000 nm波段略大于其他处理,其余波段差异不显著;从开花期到灌浆后期,光谱的红边位置出现"蓝移"现象,红边幅值减小。     

基于高空间分辨率卫星影像的新疆阿拉尔市棉花与枣树分类

【目的】 枣树和棉花是新疆地区的两大优势作物。利用高空间分辨率遥感影像对作物进行识别,更加快速、准确地获取枣树和棉花的种植面积及其分布区域,以利于相关部门政策的制定及农作物的精确管理。【方法】 本文以新疆阿拉尔市主要农作物为研究对象,运用基于像素与面向对象的遥感影像分类方法,通过比较光谱角制图（SAM）、支持向量机（SVM）、CART决策树（DTs）、随机森林（RF）这4种机器学习算法在高空间分辨率卫星影像分类中的作物识别精度,探究影像获取时期（2016-05-10、2016-09-07、2016-10-08）及面向对象的信息提取技术对作物分类精度的影响。【结果】 5月份影像（即棉花覆膜期影像）作物分类精度最高,10月份影像次之,9月份影像最差;与基于像素的作物分类方法相比,面向对象的作物分类方法可以使各时期的作物分类总体精度得到一定提高（除SAM之外）,各时期分类精度分别提高了4.83%、7.77%、7.22%,最高分类精度分别为93.52%（2016-05-10）、85.36%（2016-09-07）、88.88%（2016-10-08）,均实现了较好的作物分类效果。【结论】 5月份（棉花覆膜期）影像对棉花和枣树分类效果最好,该时期的棉花被地膜覆盖,且枣树表现出明显的植被光谱特性,两种作物生长早期呈现出差异化的光谱特征,因此棉花和枣树的遥感识别应在作物生长早期进行;面向对象的分类方法可以综合运用光谱、纹理及空间信息,特别是纹理信息的加入,可以取得比基于像素方法更高的分类精度,且提供一种高效提取田块边界的手段,对当地农田信息化管理具有重要应用价值。在棉花和枣树识别过程中,纹理特征的重要性高于光谱和空间特征,红光和绿光波段在所有波段中对棉花和枣树的识别贡献最大。     

毛竹林HJ-1HIS专题信息的响应与识别

受目标地物分布地形影响和高光谱的可达10-2λ的光谱敏感性响应等因素影响,高光谱影像中存在严重的信息重叠现象,增加地物的识别难度。通过分析毛竹林与马尾松、杉木、硬阔、经济林等主要森林类型在HJ-1 HIS影像中的光谱相似性、可分性,确定出可适用于毛竹信息提取的高光谱波段,并比对毛竹专题信息提取精度。结果表明,毛竹与马尾松、杉木、硬阔、经济林4种森林类型的原始光谱曲线规律基本一致,光谱差异较小;光谱变换后,在波长753~765 nm和908~917 nm处,各森林类型间光谱差异明显,毛竹与其他森林类型在第1、2、5、9、10、45、59、60、61、109、110、111、112、113、114、115等波段具有较好的可分性,这些波段可用于毛竹专题信息的提取,所选特征波段组合的图像较原始图像的分类总精度提高12.61%,提取竹林面积共计34 117 hm~2。     

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。     

倒伏胁迫下冬小麦冠层光谱及红边特征

倒伏已成为影响小麦减产的主要因素之一,实时监测倒伏胁迫对小麦生长具有重要意义。通过人工模拟不同倒伏级别处理,利用光谱观测数据,分析了倒伏冬小麦光谱和红边参数变化特征。结果表明,倒伏小麦冠层光谱反射率较正常小麦整体增高,近红外波段比可见光波段增加明显,且倒伏级别越大反射率越高,表明冬小麦受倒伏胁迫后,冠层光谱对其响应敏感;倒伏小麦红边位置发生蓝移,红边幅值和红边面积则呈增大趋势。因此,可利用高光谱技术实现对冬小麦倒伏的实时监测。     

基于Sentinel 2A/B时序数据的黑龙港流域主要农作物分类

黑龙港流域是中国季节性休耕的试点区域,利用遥感技术及时、准确监测该区域的农作物种植结构,对于精准评价休耕政策的实施效果具有重要意义.本研究以黑龙港流域南部区域为研究对象,采用2019年1-12月的21景Sentinel 2A/B为数据源,构建3种植被指数的时序数据集,结合作物典型时相多光谱数据,采用随机森林法提取研究区内冬小麦、夏玉米、棉花、大蒜、蔬菜等农作物信息,并结合野外调查数据对分类结果进行验证,对比分析不同特征参数提取农作物信息的精度.结果表明,归一化差值红边指数(NDRE1)+典型时相多光谱数据(S20831)取得了最高的总体精度和Kappa系数,其值分别为87.27％和0.85.采用归一化差分植被指数(NDVI)+S20831,冬小麦-夏玉米、大蒜-夏玉米2种双峰型轮作农作物的用户精度最高,分别为94.92％和86.41％.采用S20831+NDRE1,蔬菜及棉花2种单峰型农作物的用户精度最高,分别为91.95％和91.67％.因此,在黑龙港流域农作物的精细分类研究中,结合Sentinel 2A/B植被指数时序数据与典型时相多光谱数据进行分类的精度较高,可用于该区域农作物种植结构监测及休耕政策执行效果评价.     

基于光学与雷达遥感的山地油菜分布提取研究

通过对Sentinel-2光学影像主成分特征波段、植被指数和多时相Sentinel-1 SAR不同极化散射特征波段构建多种地物特征影像集组合,基于支持向量机分类(SVM)算法对重庆市合川区2019年产季冬油菜分布进行识别提取精度分析.结果表明:植被指数可以大幅度提高油菜作物分布提取的制图精度,基于红边波段的植被指数要比传统的近红外波段对改善油菜提取的制图精度更加有效,制图精度提高4.5%;在一定程度上,多时相极化SAR数据VV-VH特征组合可以替代光学影像用于丘陵山地地块破碎地区油菜种植分布信息的提取,油菜制图精度提高15.74%,融合绿熟期油菜作物光学特征和同期SAR散射特征的波段组合因冠层角果含水量增加,油菜作物雷达散射特征加强,油菜制图精度由46.07%提高到66.29%,总体精度提高到60.40%.在光学影像主成分特征与多时相SAR散射特征下,油菜制图精度提高到70.79%,用户精度提高至85.14%,总体精度提高10%左右.在西南多云雾地区,以时间序列SAR数据为主导,光学影像为补充的方法用于西南丘陵山地作物种植信息提取是一种较为可靠的方法,可为我国西南地区农作物信息提取提供参考.     

基于波段组合优化光谱指数的冬小麦LAI估算

叶面积指数（LAI）是表示植被利用光能状况和冠层结构的一个综合指数,与作物产量密切相关。高光谱遥感数据具有连续、高光谱分辨率等特点,为估算农作物生理生化参数和冠层结构参数提供了重要手段。为挖掘高光谱数据估算LAI的最优波段组合以及提高估算精度,以冬小麦作为研究对象,野外实测不同生长阶段（起身、拔节、开花阶段）的冠层高光谱数据,并对其进行不同数学变换处理,包括原始光谱、一阶导数光谱和连续统去除。利用3种不同预处理的冠层高光谱数据构建30种常用植被指数和4种优化光谱指数,比较常用植被指数与优化光谱指数对冬小麦LAI的响应,建立估算冬小麦LAI的单变量和多变量回归模型,对其进行精度验证,并筛选出最优估算模型。结果表明,随着生育期的推进,可见光波段范围内,冬小麦冠层光谱反射率较低、吸收较强,LAI对连续统去除光谱的影响较大,呈负相关;近红外波段范围内不同生育期间的差异较大,随着LAI的增大,冠层光谱的红边位置出现了“红移”现象;基于一阶导数的优化植被指数（NDSI和RSI）与LAI相关系数达到0.8;从估算模型来看,基于一阶导数的RSI_{（627 nm, 774 nm）}单变...     

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。     

基于高分二号影像结合纹理信息的茶园提取

为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。     

概率神经网络的水稻种植面积遥感信息提取研究

为了提高水稻种植面积遥感信息提取精度,将根据水稻生长期所选择的多时相遥感影像经过大气校正和几何校正后,实施单波段统计、主成份变换和比值变换,选出最佳组合波段,通过分析概率神经网络(probabilistic neural network,PNN)的学习算法和基本结构,对最佳组合波段影像实现PNN模型分类,并将其分类结果与反向传播(back propagation,BP)神经网络模型和最小距离法的分类结果进行比较.结果表明:PNN模型比最小距离法的分类精度高出近6个百分点;PNN模型比BP模型的分类精度高出近13个百分点;对于水稻种植面积提取精度,PNN模型比最小距离法的结果高出15个百分点.从本次试验可知,PNN模型是一种有效的遥感影像分类方法,在作物种植面积提取方面将具有独到的功效.     

基于无人机多光谱影像和随机森林的蔬菜识别

实时准确的蔬菜种植信息是实现水肥精准管理和产量准确估算的重要基础。对无人机多光谱影像进行分割，以光谱特征（spectrum features，SPEC）为基础，分别引入指数特征（index features，INDE）、纹理特征（grey-level co-occurrence matrix features，GLCM）和几何特征（geometric features，GEOM）构建8个分类方案（S1～S8），使用随机森林算法进行分类并分析分类效果。结果表明，方案S5（SPEC+GLCM+INDE）的分类效果最好，总体精度和Kappa系数分别为92.75%和0.92。几何特征的引入降低了分类精度，而纹理和指数特征则与其相反；仅依靠光谱、指数和纹理特征仍难以有效区分白菜和包菜，为提高精度后续研究有必要引入植株高度等特征；在4大类特征中，重要性排在首位的是光谱特征，其次为指数特征。基于无人机多光谱影像和随机森林算法能获得较高的蔬菜分类精度，并能确认影响精度的重要特征，可为其他作物的精准识别提供借鉴。     

融合主被动遥感影像的冬小麦种植面积提取研究

为了快速、准确地获取作物分布信息,探索使用主动遥感影像（Sentinel-1A）和被动遥感影像（Sentinel-2）提取冬小麦空间分布的可行性。首先,根据冬小麦的物候特征,合成冬小麦全生育期的Sentinel-1A影像;并依据各类地物的NDVI（归一化植被指数）时序曲线合成一期高质量的冬小麦越冬后Sentinel-2影像。其次,设计Sentinel-1A影像、Sentinl-2影像和融合Sentinel-1A与Sentinl-2主被动遥感影像3种分类方案,然后在Google Earth Engine(GEE)云平台上基于随机森林算法对冬小麦进行分类。结果表明,基于全生育期Sentinel-1A影像的冬小麦用户精度和生产者精度分别为83.15%和86.44%,提取结果中存在较多的“椒盐”噪声;基于冬小麦越冬后Sentinl-2影像的冬小麦用户精度和生产者精度分别为87.98%和84.75%,提取精度较使用全生育期Sentinel-1A影像有所提高,但分类结果受“异物同谱”的影响,产生许多错分;融合主被动遥感影像的冬小麦用户精度和生产者精度分别为96.57%和95.48%,相较于仅使用单...