基于MESMA和RF的山丘区土地利用信息分类提取

探讨了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和随机森林(Random forest,RF)相结合的土地利用信息分类提取方法。以Landsat-8 OLI卫星遥感影像为主要数据,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA将影像分解为植被、不透水面和裸土3类组分,将生成的3类组分变量和基于光谱、纹理信息计算选取的20个特征变量组合后开展RF分类实验,将分类结果与相同特征变量下的支持向量机(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分类结果进行比较分析。结果表明:MESMA可以获得较为精确的组分丰度信息;RF分类结果优于相同特征变量下的SVM和MLC分类结果;在MESMA生成的组分信息变量参与分类后,3种方法的分类精度均有所改善,分别达90.50%、88.85%、86.35%,其中RF的分类精度改善最为显著;MESMA与线性混合分解(Linear spectral mixture analysis,LSMA)生成的组分信息变量相比,前者对于改善分类精度效果更为明显。MESMA对于提高影像分类精度起到一定积极作用,基于MESMA和RF的方法对中等空间分辨率影像山丘区土地利用信息分类提取精度较高,利用该方法开展遥感影像解译可为大尺度的土地利用监测和管理工作提供技术支持和理论参考。     

基于无人机高光谱遥感影像的防护林树种分类

树种信息对林业资源监测和管理具有重要意义,及时准确地掌握树种及长势状况是防护林工程建设与效益评价的基础。为研究利用无人机高光谱数据进行防护林树种分类的效果,选取典型区域使用Matrice600型六旋翼无人机搭载Rikola高光谱成像仪获取高光谱影像,基于支持向量机-递归特征消除算法（SVM-RFE）选取原始波段最佳组合,再结合纹理特征、植被指数和数理统计特征,使用随机森林算法对所有特征进行重要性评估并与分类精度相结合进行特征优化,进而构建高光谱影像全波段、原始波段最佳组合、全部特征变量、基于随机森林（RF）特征优化后特征变量4种分类方案,分别采用最大似然法（MLC）、支持向量机（SVM）、随机森林对防护林优势树种进行分类。结果表明：所提出的基于交叉验证的SVM-RFE算法选出的原始波段组合能更好地还原原始光谱特征;通过RF算法的特征重要性分析与分类精度相结合的方法可以有效选出重要特征,当使用全部特征的85%（包括17个光谱特征、3个纹理特征、5个植被指数和3个数理统计特征）进行分类时,总体精度最高为9593%（Kappa系数为0.9475）;所有特征中植被指数特征最重要,3种分类方法中RF算法分类总体精度（OA）最高。     

基于纹理特征和SVM的QuickBird影像苹果园提取

为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。     

基于随机森林的绿洲典型湿地信息提取

以塔里木河边缘的渭-库绿洲(渭干河-库车河绿洲)为研究区,采用在特征选择和分类提取方面具有明显优势的随机森林算法,对研究区内的湿地信息进行提取。基于多时相、光谱信息丰富的Landsat8 OLI数据生成包括光谱特征、植被和水体指数、盐分指数、纹理信息在内的4种特征变量;根据以上特征设计6种不同的提取方案,对绿洲内部的干旱区湿地信息进行提取并验证不同方案的提取精度,旨在选取最佳方案提高湿地信息提取的精度。结果表明:①多种特征变量的有效组合是提高湿地信息提取精度的关键,就不同特征对湿地信息提取的贡献度而言,光谱特征植被和水体指数纹理特征盐分指数;②基于随机森林算法优选的特征变量提取速度最快,效果最佳,总体精度为90.09%,Kappa系数为0.882 5。提取方法在挖掘特征变量的同时,保证了湿地信息提取的准确性,提高了运行效率。湿地提取结果对当地绿洲制定科学的水肥管理措施及进行干旱状况评估具有一定的现实意义。     

基于无人机遥感与随机森林的荒漠草原植被分类方法

荒漠草原是草原中最旱生的类型,属于草原的极限生态状态,也是气候变化和生态系统演变的预警区。利用无人机高光谱遥感技术快速、准确地提取荒漠草原草地植被类型,对动态监测草原生态安全和合理开发草地畜牧业具有重要意义。以无人机搭载高光谱成像系统采集内蒙古荒漠草原遥感图像,获得具有高空间分辨率和高光谱分辨率的图像;通过光谱连续统去除变换,增强草地植被之间的光谱差异,并构建植被指数;采用分步波段选择法选择荒漠草原植被的特征波段,实现高光谱数据降维;构建融合光谱特征、植被特征、地形特征和纹理特征等24个变量的随机森林分类模型,并与支持向量机（SVM）、K-最近邻（KNN）和最大似然分类（MLC）法进行比较。结果表明,在4种分类方法中随机森林分类算法分类效果最好,总体分类精度达到91.06%,比SVM、KNN和MLC等机器学习算法分别高7.9、15.61、18.33个百分点,Kappa系数达到0.90,比SVM、KNN和MLC算法分别高0.13、0.23和0.26。无人机高光谱低空遥感和随机森林算法的结合为荒漠草原草地植被分类提供了新途径。     

基于小波纹理和随机森林的猕猴桃果园遥感提取

为快速、准确地从高分影像中获取猕猴桃种植分布信息,提出了一种结合小波变换纹理分析和随机森林分类的QuickBird影像猕猴桃果园自动提取方法。首先,采用coif5小波对QuickBird全色影像进行多尺度小波分解,计算各子频带小波系数的能量特征作为纹理特征;然后,将小波纹理与光谱特征组合构建分类特征;最后,利用随机森林分类实现土地利用分类和猕猴桃果园空间分布提取。结果表明,小波纹理识别猕猴桃果园的效果明显优于光谱特征和其他2种纹理特征;光谱+小波纹理特征的分类精度最高,猕猴桃果园提取精度(Fk)和总体分类精度(OA)分别为95.30%和94.46%,比光谱+灰度共生矩阵纹理分类分别提高6.70%和2.88%,比光谱+分形纹理分类显著提高13.43%和6.98%;随机森林分类结果优于相同特征下的支持向量机、最大似然分类。本文提取的猕猴桃果园面积与目视解译结果的相对误差小于7%。此外,利用本文方法对同期QuickBird影像另一研究区的苹果园分布进行提取,结果表明,该方法对苹果园提取有较好的适用性。     

基于机载CCD和ALS伪波形数据的山区地表分类研究

为利用机载激光雷达(Airborne Li DAR scanning,ALS)、结合高空间分辨率影像进行土地利用分类,提出一种利用统计高程分布曲线生成的ALS伪波形,结合点云强度信息和CCD影像RGB 3波段数据对山区复杂地表进行分类的方法,并验证了该方法对山区复杂地形下典型地物的分类精度。通过安徽黄山地区研究区数据分类结果与相同区域基于光学图像的Globe Land30全球分类产品的对比,验证了该分类方法的可行性和适用性。利用伪波形结合强度信息和RGB信息生成的分类特征曲线,采用神经网络分类方法(ANN)将研究区内地物分为农田、森林、水体、村庄4类。结果表明,研究区分类总体精度达到95. 22%,Kappa系数0. 919 2,较同一区域、同等分辨率的光学数据分类产品(总体精度79. 56%,Kappa系数0. 661 8)精度显著提高。     

基于GF-1/WFV与MODIS时空融合的森林覆盖定量提取

森林作为陆地生态系统的重要组成部分,因其巨大的碳储量和固碳能力而备受关注,利用高分1号卫星的NDVI数据(GF-1 NDVI)可实现森林覆盖的定量提取。然而,由于受阴雨天气、运行成本等因素的影响,难以形成GF-1 NDVI时间序列数据,无法满足森林覆盖高精度提取的需求,为此,以河南省嵩山部分地区为实验区,应用STAVFM算法融合GF-1/WFV NDVI与MODIS NDVI,生成8 d步长的GF-1/WFV NDVI时间序列数据,在此基础上,提取NDVI特征并与GF-1/WFV的光谱特征进行组合,最后,采用SVM分类方法实现研究区森林覆盖的定量提取。研究结果表明,利用STAVFM算法生成的GF-1/WFV NDVI时序数据效果理想,很好地解决了GF-1 NDVI时序数据的缺失问题,由其NDVI特征与GF-1/WFV光谱特征构成的组合能够实现森林覆盖的有效提取,基于SVM分类后的总体分类精度为94.72%,与未融入NDVI特征的GF-1/WFV原始影像的分类结果相比,提高了4.90个百分点。     

基于Sentinel-1和Sentinel-2数据融合的农作物分类

基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support vector machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个百分点和4个百分点,SVM方法下的分类精度提高了6个百分点,Kappa系数提高了8个百分点。     

复杂环境中苹果树识别与导航线提取方法

为精准化管理果园，针对存在裸露土壤、遮蔽物、果树冠层阴影和杂草等复杂环境下难以提取导航线问题，通过无人机搭载多光谱相机获取苹果园影像数据后提取果树像元并进行全局果树行导航线提取。通过处理多光谱影像数据得到正射影像图(DOM)、数字表面模型(DSM)图像，选取并计算易于区分杂草与苹果树的归一化差异绿度指数（NDGI）、比值植被指数（RVI）分布图，构建DSM、NDGI、RVI融合图像后，综合利用过绿植被(EXG)指数和归一化差异冠层阴影指数（NDCSI）以阈值分割法剔除融合图像中土壤、遮蔽物、阴影等像元，降低非植被像元对果树提取的干扰。对比使用支持向量机（SVM）法、随机森林（RF）法和最大似然（MLC）法分别提取最终融合图像和普通正射影像中的苹果树像元，并计算混淆矩阵评价各识别精度。试验表明，MLC法对融合图像中果树的识别效果最优，其用户精度、制图精度、总体分类精度、Kappa系数分别为88.57%、93.93%、93.00%、0.8824；相对于普通正射影像，本文构建的最终融合图像使3种方法的识别精度均得到有效提升。其中，融合图像对RF法的用户精度提升幅度最大，为27.12个百分点；对SVM法的制图精度提升幅度最大，为9.03个百分点；对3种方法的总体分类精度提升幅度最低为13个百分点；对SVM法的Kappa系数提升幅度最大，为22.55%，且对其余两种方法的提升也均在20%以上。将本文得到的苹果树像元提取结果图像做降噪、二值化、形态学转换等处理后，以感兴趣区域划分法提取各果树行特征点，并以最小二乘法拟合各行特征点得到导航线，其平均角度偏差为0.5975°，10次测试整体平均用时为0.4023s。所提方法为复杂环境中果树像元和果树行导航线提取提供了重要依据。     

基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类。首先基于多时相Sentinel-1雷达和Sentinel-2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间。然后构建多核学习模型,实现多源、多时相特征的自适应融合。最后构建基于池的主动学习策略,通过引入训练样本的淘汰机制,进一步提升分类模型的泛化能力。试验结果表明,本文所提分类方法的总体精度为95.6%,Kappa系数为0.922,相较经典支持向量机、随机森林、K近邻、决策树、AdaBoost模型,多核学习模型精度提高5.7、12.1、11.4、22.3、10.3个百分点;且在相同分类精度下,主动学习较被动学习可减少一半以上的标签数据;同时相较仅使用单时相及单传感器遥感影像而言,精度分别提高3.7、12.7个百分点。结果表明,多核主动学习能够有效进行多传感器、多时相数据融合,并可以在小样本条件下取得更高的分类精度,从而为农田塑料覆被的遥感监测提供模型参考。     

基于资源一号02C高分辨率数据的农业区土地利用分类

利用最小二乘支持向量机良好的非线性划分能力,基于资源一号02C高分辨率遥感数据,结合图像形状、纹理特征等信息,对农业区土地利用类型进行快速分类提取,结果表明:资源一号02C高分辨率数据可以快速有效地实现土地类型划分,加入特征信息后的图像分类精度大幅度提高,而最小二乘支持向量机的分类结果也十分理想,总体分类精度达到82.53%,Kappa系数达到0.807 1,高于传统图像分类方法,为利用国产高分辨率卫星进行土地类型划分提供了快速可行的方法。     

结合Beltrami流和递归滤波的高光谱图像分类方法

提出一种结合Beltrami流滤波和域转换递归滤波的高光谱图像分类算法(BFRF-SVM)。分别利用Beltrami流对主成分分析(PCA)降维后的高光谱图像滤波方法和域转换递归滤波方法对全光谱波段进行滤波,两种空间信息进行线性融合后交由支持向量机(SVM)完成分类。实验表明,相比使用光谱信息、高光谱降维、空谱结合的SVM分类方法,以及边缘保持滤波和递归滤波以及形态学滤波特征方法,本文提出的BFRF-SVM方法对高光谱图像的分类精度有较大提高,验证了该方法的有效性。     

基于GEE云平台和数据融合的地表覆盖产品制作方法

地表覆盖产品是地理国情监测、生态系统评估、国土空间规划等活动的重要基础数据。GEE、PIE、微软行星云等遥感计算云平台具备丰富的数据源和强大算力。利用GEE云平台融合多套公开产品制作训练样本,可以显著降低产品更新的成本和周期,具有重要研究价值。本文以淮河流域为例,将欧洲航天局(ESA)和美国环境系统研究所(ESRI)存储在GEE平台上的2020年分辨率10 m地表覆盖产品作为训练样本数据源,选用Sentinel-1雷达和Sentinel-2多光谱影像构建特征空间,利用随机森林分类方法制作分辨率10 m的地表覆盖产品。为验证方法效果,进行了2组对比实验。实验1随机抽取1 116个公开产品类别一致的样点作为训练样本,并通过目视解译方式验证本文产品与多套公开产品的精度。结果显示,本文产品总体精度为80.35%,相较于公开产品的总体精度提升2.89～8.94个百分点,局部刻画也更加精细;在Sentinel-2基础上加入雷达影像,总体精度提高3.52个百分点,雷达影像辅助效果明显。实验2设置8组不同数量的训练样本,并分别以人工判读、ESA、ESRI、DW、GlobeLand30为参考数据源,研究...     

基于CBAM-U-HRNet模型和Sentinel-2数据的棉花种植地块提取

棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法...     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于Deep Lab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法。通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播。基于2018—2019年连续2年内蒙古自治区河套灌区沙壕渠灌域的无人机多光谱遥感影像,在2018年数据集上构建并训练模型,在2019年数据集上测试模型的泛化性能。结果表明,改进的Deep Lab V3+模型平均像素精度和平均交并比分别为93.06%和87.12%,比基于人工特征的支持向量机(Support vector machine,SVM)方法分别提高了17.75、20.8个百分点,比Deep Lab V3+模型分别提高了2.56、2.85个百分点,获得了最佳的分类性能,且具有较快的预测速度。采用本文方法能够从农田作物遥感影像中学习到表达力更强的语义特征,从而获得准确的作物分类结果,为利用无人机遥感影像解译农田类型提供了一种新的方法。     

基于局部保留降维卷积神经网络的高光谱图像分类算法

为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。     

基于时序光谱和高分纹理分析的制种玉米田遥感识别

根据制种玉米与其他作物在中高分辨率遥感影像上的光谱和纹理差异,利用多源遥感数据,以提取制种玉米种植田为研究目标,提出了作物多时相光谱特征分析的植被指数体系,多维度反映了作物不同光谱差异;在纹理检测前加入图像旋转不变处理,解决了遥感影像中作物田纹理方向问题;最后构建了多时相光谱特征和高空间分辨率遥感影像LBP-GLCM纹理特征的制种玉米田识别方法体系。以新疆霍城县为研究区,利用上述方法体系结合随机森林分类器,通过实验得到分类总体精度为90.57%,Kappa系数为0.79,制种玉米田分类结果用户精度为99.20%,制图精度为86.68%,基本满足对制种玉米田的识别需求。