特征优化结合随机森林算法的干旱区植被高光谱遥感分类方法

针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）等传统特征优化算法和广义正态分布优化算法（generalized normal distribution optimization,GNDO）、原子搜索算法（atom search algorithm,ASO）、海洋捕食者算法（marine predators algorithm,MPA）等特征优化算法与随机森林（random forest,RF）图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D（ZY1-02D）高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度（overall accuracy,OA）提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类 OA提升了1.32～2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和 Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。     

结合ZY-1 02D光谱与纹理特征的干旱区植被类型遥感分类

高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法（Generalized Normal Distribution Optimization,GNDO）的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-1 02D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元（30、50、100、150、200）基础上,分别利用遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）、灰狼优化算法（Grey Wolf Optimization,GWO）以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林（Random Forest,RF）方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示：蓝波段（400～450 nm）、红边波段（700～750 nm）和红波段（600～650 nm）对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集（GNDO200）获得了最高的总体分类精度（80.44%）;随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集（GWO200+TEX）获得了最高的总体分类精度（82.86%）。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。     

矿山恢复治理区植被物候与健康状况遥感监测

矿山恢复治理区植被物候与植被健康状况可以定量评价恢复治理工程实施效果,以往矿山恢复治理遥感监测多侧重于监测植被覆盖变化,忽略了对恢复治理区域植被物候特征和健康状况的评估。该研究使用时间序列哨兵2号影像,基于Savitzky-Golay滤波、动态阈值、曲率曲线等方法,以黑龙江省七台河市一玄武岩采石场及周边区域为例,分别提取了恢复治理区和正常耕作区玉米出苗期、拔节期、抽雄期、成熟期、物候期间隔长度等遥感物候指标,研究恢复治理区和正常耕作区玉米生长状态的差异。同时,提取并对比恢复治理区和正常耕作区植被红边位置指数(REIP)、归一化植被指数(NDVI)、绿色归一化植被指数(GNDVI)、陆地叶绿素指数(MTCI)、特征色素简单比值指数(PSSRA)、倒红边叶绿素指数(IRECI)、改进的叶绿素吸收指数(MCARI)和植被覆盖度(FVC)等遥感指标值,评估各遥感指标区分恢复治理区作物的能力和诊断矿山恢复治理区作物健康程度的可行性和敏感性。结果表明:1)相较正常耕作区,恢复治理区玉米关键物候期推迟,出苗期、拔节期、成熟期分别推迟了5～12、9～12和21～22 d,恢复治理区作物生长状态的差异随着作物生长阶段的推移逐步显现;2)恢复治理区和正常耕作区REIP、NDVI、GNDVI、PSSRA、IRECI和FVC等遥感指数值有明显差异,其中GNDVI指数反映恢复治理区作物的整体光谱特征更稳定,PSSRA指数对于区分恢复治理区和正常耕作区作物光谱特征差异最敏感,这种差异受两区域玉米作物叶绿素含量、叶面积指数和叶片含水量等生理信息差异的综合影响。该研究可为矿山恢复治理效果快速评估提供一种技术思路。