基于TM的混合分解模型提取水稻种植面积研究

基于传统混合分解模型判读获取端元的可行性,采用实地感兴趣区与分类结果建立混淆矩阵检验分类精度的方法确定选取端元的可行性,在端元选取精度可行下分别采用波谱角分类法、最大似然分类法和混合像元线性分解法分别提取沈阳市水稻种植面积,并将其结果、传统监督分类获得的结果分别与调查的基础数据相比较,结果表明:采用确定端元选取可行性的方法具有实用性,可推广使用;基于此端元获得3种分类方法中的混合像元线性分解法得到的分类结果与收集到农业部门的数据最接近,误差在2.29%。混合像元分解模型提取中等分辨率影像作物面积,可解决传统遥感分类方法不考虑亚像元下的分类问题,进而提高分类的精度。     

基于决策树和混合像元分解的玉米种植面积提取方法

Landsat 8影像具有较高空间分辨率和时间分辨率,长时间序列Landsat 8-NDVI曲线反映农作物的物候历、种植模式和种植结构信息,是精确提取玉米种植面积的理想数据源。基于时序Landsat 8-NDVI影像提取玉米种植面积的方法中,决策树方法快速、高效,可通过多阈值限定进行分类,但由于混合像元问题,如果阈值设置过宽,提取面积偏大;阈值设置过窄,提取面积偏小;混合像元分解通过计算端元组分丰度可以排除异质地类干扰。因此,以时序NDVI为数据源、耦合使用2种算法是精确提取作物种植面积的有效方法。本研究基于时序Landsat 8-NDVI,提取河北省保定市大田玉米的种植面积。首先,分析典型作物区的NDVI曲线特征,并构建决策树从而初步提取早播夏玉米、小麦夏玉米和春玉米的分布范围。然后,根据端元平均NDVI波谱曲线,进行3种玉米混合度分解,进而根据玉米丰度比例精确提取玉米种植面积。精度评价结果表明:利用本方法提取的玉米种植区总分类精度在98%以上,Kappa系数在0.97以上;所提取的玉米种植类型主要是夏玉米,春玉米种植主要集中在涿州市中部,这与实地调查结果一致。上述定量和定性的评价结果表明该方法可用于快速、精确提取玉米种植面积。     

基于双边滤波和空间邻域信息的高光谱图像分类方法

提出了一种基于双边滤波和像元邻域信息的高光谱图像分类(BS-SVM)算法。该方法首先利用双边滤波器提取经主成分分析降维后的高光谱图像空间纹理信息,然后通过设计一种高光谱像元邻域信息来构建高光谱的空间相关信息,最后将2种空间信息融合后与光谱信息结合,形成空谱信息(空间信息和光谱信息)后交由支持向量机完成分类。实验结果表明,相比单纯使用光谱信息的支持向量机的分类方法以及基于Gabor滤波的空谱信息结合分类方法,所提出的BS-SVM方法分类精度有较大幅度提高,充分证明了该方法的有效性。     

基于随机森林算法的农耕区土地利用分类研究

基于随机森林算法,采用多季节、多时相光谱信息、纹理信息和地形信息进行分类研究,选出最佳分类方案对农耕区土地利用信息进行提取,并利用随机森林算法对所有特征变量进行降维,将降维后的变量分别用于随机森林、支持向量机和最大似然分类法,分析不同分类方法对农耕区土地利用类型提取的适用性。研究结果表明:基于随机森林算法的多源信息综合分类方案进行土地利用信息提取效果最佳,总体精度85.54%,Kappa系数0.835 9;利用随机森林算法进行特征选择可以在有效降低数据维度的同时保证分类精度;3种分类方法中,随机森林算法总体分类精度81.08%,分别较支持向量机和最大似然法高9.46%和5.27%。利用随机森林分类法结合多源信息能够有效对农耕区土地利用类型进行分类,为土地类型的划分提供了快捷可行的方法。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。     

基于NDVI-NSSI空间与HSV变换的成熟期农作物遥感识别

成熟期农作物的识别在农作物种植面积估算、农业生产及产量统计方面具有重要作用。为提供一种简便的成熟期农作物遥感识别方法,利用Sentinel-2A数据,以安徽省滁州市凤阳县为研究区,通过归一化植被指数(Normalized difference vegetation index, NDVI)与归一化光谱分离指数(Normalized spectral separation index, NSSI)构成的空间,提取光合植被、非光合植被、裸土的纯端元,由像元三分模型,得到非光合植被覆盖度及成熟期农作物的空间分布。为进一步提取研究区内具有相同成熟期的冬小麦与油菜,利用油菜开花期Sentinel-2A数据,由Hue saturation value(HSV)图像变换方法,分别提取出成熟期冬小麦与油菜。与地面观测数据和辅助数据相比,提取的成熟区冬小麦、油菜的总体精度为95.34%,Kappa系数为0.904,高于支持向量机方法(总体精度91.66%,Kappa系数为0.813)与决策树方法(总体精度92.39%,Kappa系数为0.838)的提取精度。结果表明,NDVI-NSSI空间与HSV变换相...     

基于混合像元分解的分蘖期水稻基本苗数量估测方法研究

基本苗数量是反映水稻健康水平的重要依据,在分蘖期精准估测水稻基本苗数量可以指导后期的施肥量,从而调控水稻的最佳分蘖数。同时,对水稻长势监测和产量预测具有非常重要的意义。针对传统田间人工统计基本苗数量耗时长、成本高等问题,以江苏大学附属农场镇江润果农场分蘖期水稻为研究对象,利用大疆无人机（M600 Pro型）搭载多光谱相机（Rededge-MX型）获取水稻分蘖期多光谱数据,对原始图像进行图像拼接、辐射校正、几何校正等预处理操作,根据像元纯度系数提取土壤端元和植被端元,建立波谱库,然后按照完全约束最小二乘法的方法执行混合像元分解,构建植被覆盖度和水稻基本苗数量的回归模型。该研究方法获得的模型决定系数R2为0.891,均方根误差RMSE为4.6株/m2。而传统的像元二分法模型（基于NDVI、VDVI和GNDVI植被指数计算植被覆盖度）,其决定系数R2为0.834、0.744、0.642,其RMSE为5.7、7.1、8.4株/m2。试验结果表明,基于完全约束最小二乘法的混合像元分解模型评价指标均优于像元二分法模型。本文基于混合像元分解方法有效提高了水稻基本苗统计精度,并且生成了水稻基本苗数量反演图,可以直观统计基本苗数量,为分蘖期水稻补苗、间苗提供指导。     

基于无人机可见光影像的新疆棉田田间尺度地物识别

针对无人机采集影像时不同地物最佳分辨率难以确定的问题,运用大疆M600Pro型无人机获取棉花蕾期可见光影像,结合地面调查采样数据,利用神经网络（Artificial neural networks,ANN）、支持向量机（Support vector machines,SVM）和随机森林（Random forest,RF）3种监督分类算法进行田间地物识别。分析不同分辨率（1.00、2.50、5.00、7.50、10.00cm）下对地物的识别精度,并结合算法运行时间,从分辨率、算法精度和运行时间上找到适合南疆田间尺度棉花田块地物识别的最佳分辨率和最优算法。试验结果表明：当空间分辨率为1.00cm时,SVM对地物的识别精度最高,总体精度与Kappa系数分别为99.857%和0.997。随着空间分辨率的降低,总体精度和Kappa系数呈下降趋势。当分辨率为2.50cm和5.00cm时,采用RF算法,运行时间最短,土地、棉花和滴灌带可获得较好的识别精度,总体精度与Kappa系数分别可达99.252%和0.986以上。当空间分辨率大于5.00cm时,总体精度和Kappa系数下降,滴灌带制图精度（Producer''s accuracy,PA）和用户精度（User''s accuracy,UA）下降最大。空间分辨率小于5.00cm的图像能够很好地识别蕾期棉花地的典型地物,可为进行田间地物类型及其分布状况的识别提供指导。     

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。     

农用地分等中土地利用系数与经济系数的探讨-以广东省惠州市惠城区为例

农用地分等是根据农用地的自然属性和经济属性对农用地的质量优劣进行的综合评定.土地利用系数和土地经济系数是农用地等别计算中两个重要参数,它们的计算与确定直接影响农用地利用等指数和农用地等指数.为此,以惠州市惠城区为例,探讨了两系数的计算方法,并对土地利用系数等值区和土地经济系数等值区的划分方法进行了分析.     

基于TM遥感影像的哈尔滨市城郊土地利用变化分析

基于1989和2001年两个时期的LandsatTM假彩色合成影像,在遥感与GIS支持下分析了1989～2001年哈尔滨市城郊土地利用变化态势.研究表明:土地利用转换趋势表现为天然湿地、草地减少,城市建设用地增加,耕地内部水田和旱地略有增加;天然湿地和草地减少已带来土地退化等严重负面效应.     

基于高分辨率遥感影像分类的城镇土地利用规划监测

城镇土地利用规划是城镇化健康有序推进的基础,规划实施监测是其实施的保障。遥感和GIS相结合的方法可快速监测城镇土地利用规划实施情况,保障土地利用规划实施的动态管理。利用0.5 m分辨率的World View-2卫星遥感影像,采用面向对象的影像分析方法,针对基于知识规则分类特征选取及阈值确定难点,将CART决策树与面向对象分类方法结合,实现参与分类最优对象特征的选择以及特征阈值的自动确定。在分类基础上,对每个规划图斑计算地类规划实施完成率,实现对土地利用规划实施过程进行监测评价。最后,以北京市房山区某区域为研究区,进行了试验验证。结果表明:最终分类总体精度达0.89,Kappa系数为0.87,表明构建的分类算法基本能满足城镇土地利用规划监测的需求。研究区东北部土地利用规划实施情况比西部好,公共绿地、水域等地类需重点调查监测,同时二类居住用地的建筑密度偏高,绿化率偏低。     

土地利用/覆被深度学习遥感分类研究综述

基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题.近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域.相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本.基于深度学习在土地利用...     

土地利用分类粒子群优化概率神经网络半监督算法

针对以往土地利用监测大都采用监督分类算法,成本较高、错分漏分严重且受人为因素影响较大的问题,提出了一种粒子群优化概率神经网络的半监督分类算法.该算法通过粒子群优化算法优化分类器的参数,提高分类器的精度,运用香农熵选择高置信度的样本扩展初始训练样本集,将大量未标记的样本扩展到训练样本集中,减少了初始标签样本的数量,节约了...     

土地利用方式对平原-丘陵-湿地交融区水资源的影响

近年来三江平原的平原-丘陵-湿地交融区土地利用方式变化显著,造成地下水水位下降、水资源紧缺等问题,然而揭示该区土地利用方式变化对水资源影响的报道较少,且难于精准描述地表、地下、湿地和绿水等水资源量时空变化。本文联合基于格子波尔兹曼法的分布式TOPMODEL和湿地水流运动模型构建平原-丘陵-湿地交融区水文模型,利用GIS和RS技术,结合地学信息图谱与空间自相关方法,分析了挠力河流域土地利用方式变化及其对水资源量影响。结果表明:根据耕地面积变化和动态度分布得1990—2013年间挠力河流域草地和林地面积变化不大,旱地面积轻微下降;挠力河流域中部与北部区域生产条件优越的未利用地和旱地转为水田;土地利用方式变化对水资源影响由强到弱的顺序为灌溉水田抽取地下水量、绿水储量、径流深、绿水流量、补给地下水量;水稻田不同生育期蒸发量不同,造成了挠力河流域5—6月期间绿水流量增加、绿水储量减少、径流深减少、补给地下水量增加和灌溉水田抽取地下水量增加等趋势,7—8月期间这一增加趋势逐渐减弱,8月后这一趋势结束;水田密集区域绿水流量大,绿水储量和径流深减少,而补给地下水量和灌溉水田抽取地下水量增加。     

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。