林隙主被动遥感协同自动识别

【目的】研究林隙主被动遥感协同自动识别方法,为进一步量化林隙特征提供技术支持。【方法】以真彩色航空正射影像(0.2 m)和机载Li DAR(3.7点·m-2)为主被动遥感数据源,选取东北典型天然次生林——帽儿山实验林场东林施业区为研究区进行面向对象林隙识别。在面向对象分类过程中,通过对比3种分割方案(航空影像分割、Li DAR数据分割、航空影像Li DAR协同分割)、10种尺度(10~100,步长为10)确定最优分割方案及尺度参数。在最优分割结果基础上应用航空影像的光谱特征、Li DAR数据提取的高度特征及共同特征,应用支持向量机分类器(SVM)进行林隙识别。【结果】3种分割方案的最优尺度均为20;所有尺度均是基于Li DAR数据分割ED3modified(0.52±0.11)低于基于航空影像分割(0.58±0.07)与航空影像Li DAR协同数据分割(0.58±0.07)。在Li DAR数据最优尺度(20)下,采用光谱和高度共同特征的主被动识别与单独采用光谱特征的主动识别及单独使用高度特征的被动识别相比,分类精度分别提高36.71%和8.17%。【结论】3种分割方案中,基于Li DAR数据分割结果最好;使用主被动遥感协同自动识别进行林隙分类时精度最高(OA=87.73%,Kappa=0.81)。     

高空间分辨率影像与SAR数据协同特征面向对象林分类型识别

【目的】研究对象特征对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象林分类型识别的影响,评价2种数据协同林分类型识别的适宜性,为多源遥感影像结合面向对象分类技术提供科学依据。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,选取福建省三明市将乐县将乐国有林场为试验区进行杉木、马尾松和阔叶林面向对象分类。在面向对象分类过程中,采用基于QuickBird多光谱波段分割、基于Radarsat-2数据分割和QuickBirdRadarsat-2协同分割3种分割方案,每种分割方案采用10种尺度(25～250,步长为25),应用QuickBird遥感影像和Radarsat-2数据提取的光谱、地形、高度和强度4方面32个特征指标,进行4种不同特征组合,运用支持向量机分类器进行面向对象林分类型分类,利用混淆矩阵计算的生产者精度、用户精度、总精度和Kappa系数4个指标对分类结果进行精度评价。【结果】所有组合的分类精度(Kappa系数)均随着尺度增大表现出先增加后降低的趋势,且以只使用单一光谱特征的分类精度最低,依次低于光谱+地形两特征和光谱+地形+高度三特征的分类精度,引入强度后的四特征组合分类与三特征组合无明显差异。QuickBirdRadarsat-2协同且在最优尺度参数为100时,结合对象光谱、地形、高度和强度四特征组合进行面向对象林分类型分类精度最高(OA=86%, Kappa=0.86)。【结论】高空间分辨率遥感影像(QuickBird)与SAR数据(Radarsat-2)协同最优尺度多特征组合进行面向对象林分类型分类优势明显,在光谱和地形特征中引入高度特征可进一步提高分类精度。本研究结果可提高面向对象分类中的特征选择效率和科学性,能够为其他影像的面向对象分类技术提供较好的参考依据。     

基于高光谱和激光雷达数据的林分类型识别

【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。     

分割尺度对面向对象树种分类的影响及评价

【目的】研究分割尺度对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象树种分割与分类的影响,进而评价2种数据协同树种分类的适宜性。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,在面向对象分类过程中采用3种分割方案(单独使用QuickBird遥感影像分割、单独使用Radarsat-2数据分割和QuickBirdRadarsat-2协同分割),每种分割方案采用10种分割尺度(25~250,步长为25),应用修正的欧式距离3(ED3_(modified))评价分割质量。对于3种分割方案采用各自特征及二者共同特征,分别应用支持向量机(SVM)分类器进行面向对象树种分类。【结果】在10种分割尺度上,QuickBirdRadarsat-2协同分割和单独使用QuickBird遥感影像分割的ED3_(modified)明显低于单独使用Radarsat-2数据分割获得的ED3_(modified)。QuickBirdRadarsat-2协同分割以分割尺度100进行分割的质量最好(ED3_(modified)=0.34)。3种分割-分类方案在小尺度上分类总精度(OA)较低,随着尺度增大,OA也再提高并在某个尺度达到最大值,之后OA随尺度增大而降低。QuickBirdRadarsat-2协同分割-分类在分割尺度100获得了最高分类精度(OA=85.55%;Kappa=0.86)。单独使用QuickBird遥感影像分割-分类在分割尺度150获得了最高分类精度(OA=81.11%;Kappa=0.82),单独使用Radarsat-2数据分割-分类在分割尺度125获得了最高分类精度(OA=66.67%;Kappa=0.68)。OA与ED3_(modified)高度相关(R~2=0.73)。【结论】在所有尺度(25~250)上,QuickBirdRadarsat-2协同使用的分割质量和分类精度高于单独使用其中一种数据源的分割质量和分类精度,相比单独使用Radarsat-2数据优势更加明显。分割尺度对面向对象树种分类结果有着重要影响。匹配良好的分割和参考对象能够得到更高精度的分类结果,同时,轻微的过度分割或分割不足不会明显影响分类结果。     

结合光学与雷达影像多特征的热带典型人工林树种精细识别

【目的】结合Sentinel-2光谱特征、纹理特征和Sentinel-1雷达后向散射特征,开展光学与雷达影像协同人工林树种分类研究,评价不同数据源和不同特征在树种分类中的作用,获取最优分类策略,为热带典型人工林树种精细识别提供新的技术途径。【方法】获取Sentinel-2光学影像43个光谱特征,将优选的Sentinel-2光谱特征与Sentinel-2纹理特征、Sentinel-1雷达后向散射特征组合,采用随机森林分类算法对研究区橡胶林、油棕林和桉树林进行精细提取,并评价不同特征对人工林树种识别的贡献。【结果】1)选择重要性排名前17的Sentinel-2光谱特征参与分类时,OOB score达最高值0.947 2,其中Sentinel-2的蓝波段、红边和近红外波段及其相应的植被指数在树种识别中重要性较高; 2) Sentinel-2纹理特征和Sentinel-1雷达后向散射特征对于不同树种均具有一定差异性,可作为树种分类的有效特征; 3)仅利用Sentinel-2光谱特征对橡胶林、油棕林和桉树林的区分度有限,生产者精度和用户精度的调和平均值(F1)分别为0.70、0.74和0.61;结合光谱特征、纹理特征和后向散射特征,3种人工林的分类精度达到最高,F1均大于0.80,同时其他地物的分类精度也有较大提高,总体分类精度为0.85,Kappa系数为0.83。【结论】Sentinel-2光学影像的光谱特征是树种识别的重要基础,Sentinel-2光学影像派生的纹理特征及由Sentinel-1雷达影像提取的后向散射特征可为不同人工林树种识别提供有益补充。考虑到Sentinel-2和Sentinel-1较高的时间分辨率和空间分辨率,同时结合其光谱特征、纹理特征和后向散射特征对热带典型人工林树种进行精细识别具有极大潜力。     

基于高分辨率遥感影像多维度特征的树种识别方法研究

以北京市西山试验林场为研究区域,利用Worldview—2影像构建各树种的光谱特征、地形特征、植被指数特征、纹理特征以及形态特征,建立关于山地森林树种识别的知识。采用基于像元和面向对象的方法进行树种识别分类。在基于像元的分类方法中,选择决策树分类和支持向量机分类;在面向对象的分类方法中,选择基于边缘检测的方法分割影像,用最近邻法分类。决策树分类的总体分类精度为65.62%,Kappa系数为0.588 9;支持向量机分类的总体分类精度为62.42%,Kappa系数为0.552 8;面向对象的分类方法总体分类精度为64.27%,Kappa系数为0.580 2。     

湿地类型遥感影像分割最优尺度选择

影像分割是面向对象分析方法中的重要步骤和关键技术,分割尺度又是影像分割的核心问题,目前对于分割尺度的定量评价,国内外尚未建立统一的评价体系。以东洞庭湖为研究区,以高分一号卫(GF-1)卫星影像为研究对象,探索不同湿地类型的最优分割尺度。利用GF-1全色和多光谱融合后影像,采用归一化后方差均值与Moran’I指数构建全局评分指数,得到不同湿地类型的最优分割尺度,结果表明:最优分割尺度的大小与湿地分布的破碎程度直接关系;基于相同的有效影像特征以及波谱阈值,进行分层分类以及规则分类,分层分类的总体精度为89.62%,高于规则分类的总体精度为84.43%,说明分割尺度对分类精度有较大影响。     

基于支持向量机的Landsat-8影像森林类型识别研究

以吉林省汪清林业局天然林区为研究区,利用Landsat-8 OLI_TIRS多光谱遥感影像,结合森林资源野外调查数据,提取森林类型纹理、光谱特征参数,作为支持向量机的输入量,利用K-折交叉验证法确定最优核函数,识别森林类型,确定最优分类结果,评价分类精度,并与仅利用波段光谱特征的SVM分类结果进行精度对比。结果表明:利用纹理和光谱特征进行分类,构造SVM进行森林识别是可行的。惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数构造的支持向量机分类精度最好,总体分类精度可达89.58%,Kappa系数为0.87,单一分类精度中,阔叶林针叶林针阔混交林。只利用光谱特征的分类结果精度为81.26%,结合光谱和纹理特征的规律,能够提高分类精度。     

基于快鸟的多尺度景观模糊分析城市绿地

以25像元和150像元的目标分割值生成小尺度和大尺度的快鸟影像景观目标层,利用知识分类提取出绿地信息,计算分析城市绿地6种景观参数,并利用模糊数学方法构造景观综合指数,研究探讨多尺度城市绿地景观特征。结果表明:多分辨率分割方法能有效产生两种绿地景观尺度;小尺度景观指标大多大于大尺度景观指标,符合景观学规律。     

多源遥感信息提取桉树人工林

针对桉树人工林在遥感影像上与自然林光谱差异小难以区分的问题,研究选取Quickbird,Landsat 8,数字高程模型(DEM)等多源遥感数据,利用决策树加面向对象的分类方法提取桉树林。在多时相Landsat 8提取兴趣区域(ROI)基础上,利用最优尺度(ESP)工具计算研究区最优分割尺度进行分割,然后在高分辨率遥感影像上进行灰度共生矩阵分析,选取最佳纹理参量,最后结合光谱、DEM、SLOPE信息,选择相应参数构建分类决策树,利用面向对象方法提取桉树林。最后对桉树提取结果进行精度评价,使用该方法与用Quickbird、利用TM提取精度分别为89.7%,83.1%,69.8%。表明本方法能够综合多源遥感信息,可以快速、较高精度地提取桉树人工林,具有一定的应用价值。     

雷竹冠层叶片反射光谱特征及其对叶片水分变化的响应

[目的]研究雷竹冠层叶片反射光谱特征及其水分敏感波段,筛选与叶片水分指标相关性较高的光谱指数,为雷竹叶片水分的非破坏性估算提供参考。[方法]以重要笋用竹种雷竹为研究对象,通过自然失水法研究叶片反射光谱对叶片水分变化的响应特征,以常用反射光谱指数对叶片水分指标进行相关性检验,对不同反射光谱指数与叶片相对含水量进行了回归方程拟合。[结果]雷竹叶片含水量与其光谱反射率在近红外区呈负相关关系;光谱反射率敏感性分析表明,在1 400～1 600、1 800～2 000 nm波段附近,光谱反射率对叶片水分变化较其他波段敏感;不同光谱指数与叶片水分指标的相关性分析及回归方程拟合结果表明,在所选光谱指数中水分胁迫指数MSI(R_(820)/R_(1600))、比值指数SRI(R_(1300)/R_(1450))与叶片相对含水量的拟合效果较好。[结论]雷竹叶片水分含量与其光谱反射率在近红外区,尤其1 400～1 600、1 800～2 000 nm波段附近呈负相关关系,水分胁迫指数MSI(R_(820)/R_(1600))、比值指数SRI(R_(1300)/R_(1450))对雷竹叶片相对含水量的估算精度较其它光谱指数更高。     

综合应用多源遥感数据的面向对象土地覆盖分类方法

【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。     

基于多特征优选的无人机可见光遥感林分类型分类

【目的】以无人机可见光遥感影像为数据源实现竹林、针叶林和阔叶林的分类识别,扩展无人机可见光遥感数据在森林资源调查中的应用范围。【方法】利用无人机获取仅包含红、绿、蓝3个波段光谱信息的航拍影像,经预处理生成空间分辨率为0.1 m的数字正射影像图(DOM)和数字表面模型(DSM),从DSM和DOM中提取包括高度特征、光谱特征、常见的可见光植被指数、HSV颜色分量、HSV颜色分量基础上提取的纹理特征以及扩展的形态学多属性剖面(EMAPs) 6类特征;采用递归特征消除随机森林算法(RF_RFE)优选特征子集,根据不同类型特征和优选特征子集设置8组试验,使用随机森林分类器(RFC)进行林分类型分类,运用目视解译获得的地面真实影像建立混淆矩阵评价分类结果。【结果】1)单独利用光谱特征进行林分类型分类效果不理想,总体精度为65.68%,Kappa系数为0.53;以光谱特征为基础单独引入其他特征进行林分类型分类,除植被指数外,其他特征均可提高总体分类精度; 2)采用递归特征消除随机森林算法优选出11个特征,包括5个EMAPs特征、3个HSV纹理特征、1个高度特征、1个植被指数和1个HSV颜色分量,11个特征组合获得8组试验中最高分类精度,总体精度为81.05%,Kappa系数为0.73; 3)将多特征优选方法应用于不同分辨率的可见光无人机影像上均取得较好分类结果,其中分辨率为0.3 m时分类精度最高,总体精度为82.46%,Kappa系数为0.75。【结论】递归特征消除随机森林算法综合多类型特征中最有利于林分类型分类的特征,从而提高分类精度,研究结果可为无人机可见光遥感数据在森林资源调查中林分类型信息的提取提供参考。     

面向对象分类方法在森林采伐遥感监测中的应用

利用多尺度分割技术和面向对象分类方法对SPOT5遥感数据进行土地的分类及森林采伐信息提取。在面向对象的图像分析中,采用图像分割——基于规则的分类——基于分类的分割的多尺度分割方法,在综合最优分割尺度下,用最邻近分类器对SPOT5影像进行分类;采用两期图像特征比较,提取森林采伐区信息,并结合二类调查成果和伐区设计资料,使用交互式补充判读和修正。结果显示:研究区各地类的分类精度都在85%以上,对森林采伐图斑判读的加权综合正判率达到90.8%,其中皆伐图斑个数正判率92.8%,非皆伐图斑个数正判率83.3%。利用多期高分辨率遥感图像可以进行森林采伐监测,研究结果为提高森林采伐限额监测效率、采伐区识别准确度和面积估算精度提供了有效途径。     

面向对象CART决策树方法的湿地遥感分类

[目的]以北京地区为例,对大区域多类型湿地信息提取方法进行研究。[方法]采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。[结果]利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10%～20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。[结论]对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。     

基于改进转换分离度特征选择规则的土地覆盖分类比较

【目的】提出一种考虑样本概率的可分离距离与波段相关系数结合的特征选择方法,以提高土地覆盖分类的正确率。【方法】以中亚热带区域的福建省将乐县为研究区,从Landsat-8 OLI影像中获取植被指数和纹理特征,利用改进方法和传统方法选择出最佳特征,通过比较最佳特征参与下植被类别的可分离值,判别2种方法在特征选择时的准确度;采用支持向量机分类方法(SVM)分别对原始光谱和改进方法选择的最佳特征进行分类,探索最佳植被指数和纹理特征在提高地区土地覆盖分类中的作用。【结果】改进可分离性判据在避免选择冗余波段的同时,能准确选择出具有更高区分度的特征;对于植被指数和纹理特征,单一特征均不能使植被类别可分性达到最大,而2个特征组合可明显提高植被类别的可分性;比值植被指数及小窗口的反差、协方差和二阶矩纹理特征比同窗口其他纹理对提高研究区植被分类精度具有更重要的价值;植被指数加入原始光谱并没有明显提高研究区的整体分类精度,而纹理特征与原始光谱结合对提高植被分类精度相当有价值,最佳植被指数、最佳纹理特征和原始光谱结合可取得最佳分类结果,整体分类精度提高7.41%,Kappa系数(OKA)提高8.5%。【结论】基于改进转换分离度特征选择规则的土地覆盖分类方法能平衡所有类别间的可分性,较好避免选择相互冗余的特征,从而保证选择出具有较高的多类别可分性且冗余较小的特征,提高类别分类的正确率。     

基于高分辨率遥感影像的植被分类方法比较

以新疆库车市东部绿洲-荒漠过渡带为研究对象,利用GF-2号遥感影像为主要数据源,在野外调查的基础上,采用基于像元的监督分类和分层次多尺度分割的面向对象分类方法对研究区植被信息进行准确识别。结果表明:1)监督分类与面向对象的分类结果大体一致,两者的总体分类精度均可达到94%以上,Kappa系数大于0.93,都体现出了较高的分类精度;2)与监督分类相比,面向对象的分类方法在总体分类精度上提升了3.79%,Kappa系数提高了0.032,具有更好的分类效果和分类精度。通过确定最优尺度分割,面向对象的分类方法可更为准确地提取研究区植被信息,为合理评价区域土地荒漠化状况提供科学依据。     

基于特征优选的面向对象毛竹林分布信息提取

【目的】提出一种基于Relief F特征优选的面向对象分类方法,为解决面向对象森林资源遥感分类提供参考。【方法】以SPOT5高分辨率遥感影像为数据源,以浙江省安吉县山川乡为研究区,通过影像分割,选取8个地物类别的370个对象样本,并设置SPOT5影像每个波段的8个灰度共生矩阵纹理、每个波段及NDVI的平均值和标准差等42个对象特征。利用Relief F算法对设置的42个对象特征进行优选,采用面向对象的最近邻方法提取研究区毛竹林分布信息。为了比较基于最优特征的面向对象的分类结果,另采用CART决策树方法在相同的分割参数和训练样本前提下,通过样本构建决策树分类规则,对研究区进行分类并提取竹林信息。【结果】1)通过Relief F特征优选方法对分类特征进行优选,大幅提高了毛竹林样本的分类精度,与特征优选前相比,毛竹林样本分类精度由68%提高到88%,优选的红波段均值、绿波段均值、红波段均质纹理、红波段熵纹理和NDVI植被指数均值5个特征能够精确地提取研究区毛竹林分布信息,其用户精度和生产者精度分别达到97%和95%;2)基于CART决策树面向对象的研究区毛竹林用户精度和生产者精度均低于基于最优特征的最近邻分类结果,主要原因是CART决策树中毛竹林、针叶林和阔叶林之间的误分相对较高。【结论】Relief F算法特征优选时注重特征的分类能力,筛选的特征参与面向对象分割提取的毛竹林分布信息高于同类研究,可为面向对象多尺度分割森林资源遥感分类时特征的选取提供一个更为科学合理的方法。     

天山云杉林无人机可见光影像树冠信息提取方法研究

高精度轻小型无人机森林树冠参数信息提取方法是森林资源监测和生态功能评估的重要基础。以新疆山地森林优势树种天山云杉为研究对象,在南山实习林场采集积雪背景下无人机遥感影像并进行预处理,对比分析3种方法(以光谱为特征空间的面向对象法、以光谱+纹理为特征空间的面向对象法、随机森林法)提取天山云杉林树冠参数信息的精度。结果表明:3种方法提取天山云杉林分郁闭度精度均高于93%,其中以光谱为特征空间的面向对象法最优,精度可达93.73%;3种方法自动提取单木树冠面积与目视解译结果的R~2均大于0.91,虽然随机森林法的统计指标最优,但面向对象法可获得完整的单木树冠闭合曲线,故以光谱+纹理为特征空间的面向对象法效果较优;面向对象法的最优分割尺度为29,纹理特征的加入会导致郁闭度提取精度降低0.66%,但会优化单木树冠面积提取效果。     

机载激光雷达和航空数码影像单木树高提取

用激光雷达(LiDAR)数据和航空数码影像相结合进行单木水平树高反演.对研究区的LiDAR点云数据进行滤波和分类,根据地形特点、地表植被状况以及其他地类的分布,采用Tin Filter滤波算法提取地面回波点和植被回波点.用面向对象的方法对高空间分辨率(25 cm)的航空数码影像进行单株木检测.通过多尺度、树冠模式的分割创建影像对象和类层次,用最邻近距离和成员函数法进行影像对象的分类,并基于分类结果进行再分割.对分割后的树冠多边形进行边缘优化,以准确识别单株木.将植被回波点和影像分割后得到的树冠多边形进行叠加,计算多边形内的LiDAR数据最大高程差值,与实测树高进行相关分析,建立单木树高估测回归方程,平均估测精度为74.89%.