基于DOM及LiDAR的多尺度分割与面向对象林隙分类

为研究分割尺度对航空正射影像(DOM)与LiDAR数据协同面向对象林隙分割与分类的影响,以东北典型的天然次生林帽儿山实验林场东林施业区为试验区,对DOM与LiDAR数据进行多尺度分割与面向对象林隙分类。分割过程中,采用基于DOM分割、基于LiDAR数据分割、DOMLiDAR协同分割3种分割方案。每种分割方案采用10种尺度。在每种尺度应用两种数据提取的光谱和高度两种特征,采用支持向量机分类器(SVM)进行林隙分类。研究结果表明:3种分割与分类方案分类精度随尺度的增大整体呈现下降的趋势,与ED3(Modified)趋势相反。基于LiDAR数据在尺度参数10获得了最优分割结果。在所有尺度上(10~100),基于LiDAR数据分割与分类精度高于其他两种数据源的分类精度,相比单独使用DOM优势更加明显。基于LiDAR数据分割与分类方案在尺度参数10时获得了最高分类精度(Kappa系数为80%)。3种分割与分类方案最优尺度的分类精度显著高于其他尺度分类精度。分割尺度对面向对象林隙分类结果有重要影响。     

基于无人机遥感的高潜水位采煤沉陷湿地植被分类

为了掌握采煤沉陷湿地植被的类别和空间分布,促进矿区土地利用、管理和修复,以山东省济宁市东滩煤矿3304工作面为研究区,以无人机多光谱影像为数据源,分别采用面向对象的分类方法和监督分类方法对研究区湿地植被进行分类。基于优选的面向对象尺度分割参数,确定分类规则后构建面向对象分类模型,对湿地植被进行分类,生成植被分布图。同时,利用野外获取的322个采样点进行精度验证。结果表明:与基于像元的监督分类方法相比,面向对象分类方法显著提高了影像分类精度。监督分类方法总体精度为44. 3%,Kappa系数为0. 4;面向对象分类方法总体精度达到84. 2%,Kappa系数为0. 8。该研究为采煤沉陷区湿地调查与开采沉陷影响下地表植被空间分布规律研究提供了方法与基础数据。     

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。     

基于无人机遥感与面向对象法的田间渠系分布信息提取

针对目前农田灌排系统识别研究中遥感影像分辨率不足,难以提取田间毛渠且对无水或少水灌排沟渠识别不足等问题,以内蒙古河套灌区磴口县坝塄村为研究区域,利用固定翼无人机搭载520~920 nm多光谱相机进行航拍试验,采用基于面向对象法的特征组合分层分类的提取方法对获取的高分辨率单幅多光谱影像数据进行解译,采用分割阈值为65、合并阈值为90的遥感影像最佳分割参数。利用含水田间毛渠和无水、少水田间毛渠在光谱、几何、空间关系等特征参量中表现出的与其它地物的特异性,建立不同分类层次的规则提取田间毛渠分布信息。提取结果表明,由于水体对近红外波段光谱的强烈吸收,含水毛渠提取效果很好,精度达到97.8%;无水、少水田间毛渠提取精度为75.7%。无人机遥感技术和面向对象法的特征组合分层分类方法为灌区田间渠系识别提供了一种新途径。     

基于无人机可见光与激光雷达的甜菜株高定量评估

甜菜株高可用于估算根系生物量、指示水分胁迫,还可作为甜菜氮含量和产量的有效指示因子,是育种者和农田管理者评估大田甜菜生长状态的重要参数。本研究以186个不同基因型的大田甜菜为研究对象,探究无人机分别搭载可见光(RGB)相机与激光雷达(Li DAR)系统对大田作物株高估算的精度差异,并与田间测定值进行比较。结果表明,基于无人机Li DAR系统估算的株高与实测值的相关性高于无人机搭载RGB相机估测的相关性。进一步对点云进行分层分析,比较点云在冠层内分布的差异,结果表明,对于作物生长后期群体冠层封闭时,无人机Li DAR系统相较于无人机搭载RGB相机系统能重建更为完整的冠层三维结构。     

基于无人机遥感的灌区土地利用与覆被分类方法

为研究无人机可见光遥感技术在灌区土地利用和覆被分类中的有效性,以河套灌区五原县塔尔湖镇为试验区域,用TEZ固定翼无人机搭载索尼A5100型相机进行航拍试验。应用Agisoft Photo Scan软件对无人机遥感系统获取的可见光高分辨率原始单张影像数据进行拼接处理。除目视提取的特殊用地与水域及水利设施用地外,通过试误法确定分割尺度300、形状权重0.4、紧致度权重0.5为无人机遥感影像数据的最佳分割参数。通过对剩余各地物在光谱、形状、纹理特征参量中表现的特异性,分别建立决策树、支持向量机、K-最近邻分类规则集提取土地利用类型试验。结果表明,支持向量机能较准确地提取各地物的特征,总体精度为82.20%,Kappa系数为0.765 9;决策树分类方法的总体精度为74.00%,Kappa系数为0.667 5;K-最近邻分类方法的总体精度为71.40%,Kappa系数为0.610 7。采用支持向量机结合决策树分类法创建的决策树模型,可以将总体精度提高到84.20%,Kappa系数达到0.790 0。因此无人机可见光遥感技术可以用于提取灌区土地利用类型,但存在农、毛渠错分为交通运输用地的情况,渠系的提取还需进一步研究。     

小麦倒伏信息无人机多时相遥感提取方法

采用两期无人机可见光遥感图像,对灌浆期冬小麦倒伏图像特征及倒伏信息提取方法进行研究。从增强图像空间域方面,对图像进行二次低通滤波,获取地物散点图,以散点存在明显分界线为判定标准,选出小麦倒伏信息提取的单特征,对两单特征线性拟合构建倒伏小麦两时期提取特征参数F_1和F_2,再以两特征参数相似性构建综合特征参数F_3。将特征参数结合K-means算法提取冬小麦倒伏信息,整体精度(OA)达86. 44%以上,Kappa系数达0. 73以上,倒伏信息提取精度(F)为81. 07%以上,因此综合特征参数可作为两个时期冬小麦倒伏信息提取特征参数。分别用本文方法、支持向量机、神经网络法和最大似然法提取验证区域倒伏小麦信息,经验证,本文方法提取小麦倒伏信息整体精度(OA)达86. 29%以上,Kappa系数达0. 71以上,倒伏信息提取精度(F)达80. 60%以上;其他3种常用方法提取的整体精度(OA)为69. 68%～87. 44%,Kappa系数为0. 49～0. 72,倒伏信息提取精度(F)为65. 33%～79. 76%。结果表明,本文方法整体精度和倒伏信息提取精度均高于目前常用分类方法。因此,综合特征参数与K-means算法对冬小麦在灌浆期倒伏信息提取具有一定的准确性和适用性。     

基于多源遥感数据的输电线走廊树种分类

针对目前树冠提取中受背景影响和易出现过度分割的问题,首先,采用可见光差异植被指数和双边滤波对传统的单木树冠分割方法进行了改进;然后,以单木树冠为对象提取多维特征,并利用XGBoost算法进行特征重要性排序和特征选择;最后,使用随机森林、支持向量机、人工神经网络3种非参数分类器,设计了12种分类方案,进行了单木树种分类和精度评价。结果表明,改进的单木分割方法可以有效提高树冠提取精度,得到的树冠分割精度在80%以上;将Li DAR数据和航空正射影像相结合,采用XGBoost算法进行特征选择后,使用ANN分类器的分类方案精度最高,总体精度为86.19%,说明多源数据协同作用和特征选择可以提高树种分类精度,在单木尺度上ANN分类器对现有树种类型的分类能力最强。     

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。     

基于面向对象分类法的农田识别提取

【目的】利用中低分辨率遥感影像,精确获取县域尺度的农田分类结果,提供一定的方法参考。【方法】兹以中等分辨率的Landsat8 OLI遥感影像数据为数据源,采用面向对象的CART决策树分类法,对垫江县的农田进行了识别与提取,并与基于像元提取的最大似然法分类结果进行精度对比。【结果】(1)与最大似然分类法相比,CART决策树分类法的精度更高,总体精度和Kappa系数分别达到88.8%和0.85,对于旱地和水田的制图精度高达90%以上;(2)在分割尺度的确定上,使用eCognition软件中的ESP工具能快速的确定最优分割尺度,提升了效率和科学性;(3)县域尺度上,面向对象分类法对中等分辨率影像数据进行遥感提取也具有一定的适用性。【结论】基于Landsat8 OLI遥感数据的面向对象分类法能够实现县域尺度低成本高精度农田分类的需要,也为缓解精度和成本、空间分辨率和提取方法的矛盾提供了一定的参考。     

基于Sentinel-2A遥感影像的潍坊市冬小麦种植面积提取研究

为准确、高效、自动化的提取大尺度范围冬小麦种植面积,利用Sentinel-2A卫星影像进行试验,提出一种基于中等分辨率影像的面向对象结合深度学习的遥感冬小麦提取方法。利用面向对象分类法和随机森林分类算法对2021年潍坊市冬小麦种植面积及种植区域进行提取和结果对比,证明面向对象分类法在提取冬小麦种植面积时的可行性和有效性。此外,利用面向对象方法得到的二值分类图像作为标签图像,基于TensorFlow框架,利用U-Net构建深度学习神经网络模型,使用训练得到最优模型提取2017—2021年潍坊市冬小麦种植面积。使用实地调查数据对分类结果进行精度验证,并对潍坊市近五年冬小麦种植面积进行年际变化分析。该分类方法的总体分类精度达93.1%,Kappa系数为0.91。本研究方法可为大范围的冬小麦种植指导和农业结构调整提供科学、可靠的依据。     

基于多目标遗传随机森林特征选择的面向对象湿地分类

以多时相Landsat8影像和SRTM DEM为数据源,对南瓮河流域进行了面向对象湿地分类。为削弱高维特征集对分类精度的影响,提出一种多目标遗传随机森林组合式特征选择算法(MOGARF)进行特征集优化。利用Relief F算法对完整特征集进行特征初选,再以基于随机森林的封装式多目标遗传算法进一步提取优化特征集。将所得特征集结合随机森林分类法提取湿地信息。并将结果分别与基于完整特征集和仅采用Relief F算法及Boruta算法提取的优化特征集的3种随机森林分类结果对比。试验结果表明,采用MOGARF算法特征选择后,特征维度降低至原来的10%,且分类精度最高,总体精度为92.61%,比其他分类方案提高0.35%~1.94%,Kappa系数为0.907 5,袋外误差为7.77%,比其他分类方案降低0.91%~1.48%。利用MOGARF特征选择的随机森林分类法是湿地分类的有效方法。     

基于多时相无人机影像的高郁闭度森林采伐生物量估算

为准确估算森林采伐生物量实现森林碳汇的精准计量，针对采用单一时相可见光无人机影像估算高郁闭度森林采伐生物量较困难的问题，基于伐区采伐前后多时相可见光无人机影像，研究森林采伐生物量高精度的估算方法。以福建省闽侯白沙国有林场一个针叶林采伐小班为试验区，采集分辨率优于10 cm的采伐前后多时相可见光无人机影像，采用动态窗口局部最大值法得到高精度的采伐株数与单木树高信息，再基于采伐后无人机影像，运用YOLO v5方法检测并提取伐桩直径信息，根据胸径-伐桩直径模型来估算采伐木胸径信息，再利用树高和胸径二元生物量公式估算采伐生物量，以实测数据进行验证。根据动态窗口局部最大值法获取株数与平均树高精度分别为96.35%、99.01%,运用YOLO v5方法对伐桩目标检测的总体精度为77.05%,根据伐桩直径估算的平均胸径精度为90.14%,最后得到森林采伐生物量精度为83.08%,结果表明这一新方法具备较大的应用潜力。采用采伐前后多时相无人机可见光遥感，可实现森林采伐生物量的有效估算，有助于降低人工调查成本，为政府及有关部门进行碳汇精准计量提供有效的技术支持。     

长白落叶松单木参数与生物量机载LiDAR估测

采用黑龙江长白山地区长白落叶松人工林LiDAR数据和野外调查补充样地数据,利用树冠高层模型和三维点云分割相结合的方法实现单木识别,选择逐步回归分析法进行单木参数和生物量估算。结果表明：机载LiDAR估测的长白落叶松单木参数与实测数据具有较好的相关性,单木树高、冠幅、胸径和地上生物量的R2分别为0.8732、0.6335、0.7903和0.7992;平均拟合精度分别为88.34%、83.46%、85.11%和86.19%;幼龄林、中龄林、近熟林和成熟林的单木平均生物量分别为25.12、94.08、117.74、279.33kg。     

基于多物候特征指数的冬小麦分布信息提取

以往的冬小麦分布信息提取研究大多基于单个物候期或单个植被指数,未考虑不同物候期特征及不同物候期之间的联系导致分类精度较低。为提高提取精度,本文基于冬小麦播种期、越冬期、生长期及成熟期选取相应特征指数,提出一种多物候特征指数的冬小麦识别方法,并对2020年焦作市的冬小麦面积进行提取。通过对不同物候期、不同分类方法下的结果进行对比,结果表明：在物候期的选择上,加入越冬期后,随机森林与支持向量机分类的总体精度与Kappa系数呈现不同程度的提升,均方根误差(RMSE)分别减小19.3%和9.8%,提取冬小麦面积的误差百分比分别降低8.64、4.42个百分点。在不同分类方法上,随机森林相较于支持向量机、最小距离,分类的总体精度与Kappa系数更高。相较于支持向量机,随机森林分类的RMSE减小19.6%。相较于单一特征指数,基于随机森林的多物候特征指数分类的总体精度,Kappa系数更高,RMSE为1.84×10³ hm²,比单一特征指数减小33.6%,提取冬小麦面积的误差百分比减小7.14个百分点。     

LiDAR单木分割辅助的无人机影像CNN+EL树种识别

为研究激光雷达单木分割辅助条件下无人机可见光图像树种识别应用潜力,提出联合卷积神经网络（CNN）和集成学习（EL）的树种识别方法。首先利用同期无人机激光雷达数据和可见光影像数据进行单木树冠探测并制作单木树冠影像数据集;其次引入ResNet50网络并结合引入有效通道注意力机制、替换膨胀卷积、调整卷积模块层数搭建出4个卷积神经网络,使用ImageNet大型数据集进行模型预训练,加载预训练参数进行模型初始化并利用制作的单木树冠影像数据集训练出5个不同的分类模型;最后通过相对多数投票法建立集成模型。实验结果表明,单木探测总体精度达到83.80%,集成学习的训练精度、验证精度、独立测试精度分别达到了99.15%、98.34%和90.15%,较ResNet50网络提高了4.23、3.04、9.09个百分点,独立测试精度较随机森林分类最优结果高32.31个百分点。激光雷达单木分割辅助条件下利用卷积神经网络和集成学习策略能够充分提取无人机图像特征用于树种识别。