基于随机森林算法构建Hyperion影像云和云阴影掩模

遥感数据的判读应用不可避免地要受到云和云阴影的干扰,这导致影像中地物信息不完整,给后续影像解译和处理带来障碍。采用最佳波段指数方法筛选出经过预处理的Hyperion高光谱影像最佳波段组合,达到波段去相关、信息含量最大并减少运算量的目的。基于不同地物类型的光谱曲线,采用随机森林算法提取Hyperion影像中云和云阴影信息,建立相应的掩模。研究结果表明,基于经验阈值的决策树分类精度达96.36%,随机森林算法的分类精度达98.86%,Kappa系数为0.951 2,具有更好的分类效果。利用随机森林算法建立高光谱影像云和云阴影掩模,由于随机森林算法是建立在多个决策树分类器结果基础上,避免了单一决策树分类器带来的误分类现象,较好地去除了云和云阴影对遥感解译的影响。     

基于GEE平台广西桉树快速提取研究

为进一步提高基于遥感影像森林(人工林)植被信息提取的工作效率,基于Google Earth Engine(GEE)平台,以Landsat8 OIL影像为实验数据,利用监督分类、支持向量机、最大熵模型、随机森林以及根据试验区实际构建的决策树分类方法对试验区桉树人工林种植面积进行提取,并对各方法进行了比较,在此基础上利用决策树法提取了广西地区桉树种植面积,并利用无人机影像与Google Earth Pro历史影像对实验结果进行了验证。实验过程及结果表明:利用GEE平台可以高效快速地提取遥感植被信息。在以上5种方法中,决策树分类方法取得最好的效果,其试验区桉树提取总体精度与Kappa系数分别达到0.82,0.85;同时,利用决策树提取的广西桉树种植面积与统计资料的面积统计结果具有较好的一致性。说明构建的决策树分类方法对大区域、复杂山区植被覆盖信息的快速提取具有参考意义。     

联合Sentinel-1和Sentinel-2数据反演森林蓄积量

为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度.本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息.根据不同特征组合分别建立支持向量机回归(Support Vector Regress...     

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。     

基于Sentinel-2A数据的森林覆盖变化研究

【目的】利用Sentinel-2A卫星重访周期短和波段信息丰富的特点,精确高效地获取森林覆盖变化信息,提高森林覆盖变化监测的时效性和精度。【方法】采用Sentienl-2A遥感影像作为数据源,以沅江市为研究对象,结合实地调查数据,选取地物训练样本,利用各地物的光谱指数特征和纹理特征来构建决策树模型进行地物分类,光谱指数包括NDVI、NDWI、NDBI和光谱反射曲线,纹理特征包括均值、方差、信息熵和对比度。对沅江市2016年8月1日和2017年5月18日的两期Sentinel-2A遥感影像数据进行地物分类,计算各地物面积并将两期分类结果中的森林覆盖区域提取出来,分析森林覆盖变化情况。【结果】1)利用光谱指数特征结合纹理特征构建决策树模型对沅江市进行地物分类,其地物总体分类精度为83.62%,Kappa系数为0.825 7,森林制图精度为84.28%,森林用户精度为82.43%,比最大似然法的总体分类精度提升了11.27%,Kappa系数提高了0.133,森林制图精度提高了10.59%,森林用户精度提高了9.58%。2)在2016年8月1日至2017年5月18日期间沅江市森林面积减少了771 hm~2,有854 hm~2森林变为耕地,589 hm~2森林变为芦苇地,412 hm~2森林变为建设用地,105 hm~2森林变为水体。另外,有636 hm~2耕地、257 hm~2芦苇地、243 hm~2建设用地和53 hm~2水体变为森林。【结论】基于Sentienl-2A遥感影像数据,利用光谱指数特征和纹理特征构建决策树模型进行分类,能够有效提升地物分类精度;同时能够提高森林覆盖变化监测的时效性和精度,较为准确地分析森林覆盖变化情况,可为洞庭湖流域地物分类和森林覆盖变化监测提供决策支持。     

基于多种分类器组合的森林类型信息提取技术研究

遥感图像分类是遥感应用系统中的关键技术,提高遥感图像的分类精度是发展遥感技术重点,采用多分类器组合的算法对黑龙江塔河县森林类型进行分类。根据黑龙江省森林资源调查技术规定及研究区二类调查数据制定分类系统,最终的分类级别为针叶林、阔叶林和针阔混交林。通过分析TM数据的原始波段和NDVI、BI等植被指数提取各分类类型的光谱特征。选择最小距离法、最大似然法、马氏距离法对研究区进行分类,计算出各分类器的精度。在分类器组合的过程中采用信息熵方法确定组合分类器中各分类器的权重系数,利用组合后新的分类器对研究区进行分类。结果表明:多分类器组合的分类精度达75.59%,比单分类器精度提高了3.85%,对阔叶林、针阔混交林、针叶林3种分类类型的分类精度分别达82.32%、66.45%、75.49%,比单分类器进度分别提高了2.87%、4.82%。4.10%。     

基于高分二号遥感数据的森林自然度等级划分

以地面样点为基础的森林自然度评价方法很难获得区域范围森林自然度等级,针对该问题,提出了利用高分遥感卫星影像数据,划分区域范围森林自然度等级的方法。以湖北竹山县九华山林场为试验区域,在选取研究区典型样地的基础上,结合高分二号(GF-2)遥感影像数据的特点,从GF-2影像上提取遥感光谱、纹理等特征并结合地形特征,采用随机森林算法在大尺度范围对九华山林场森林自然度等级进行分类研究。结果发现:以GF-2数据为基础提取的植被指数、光谱、纹理等特征与地形特征结合,采用随机森林算法可较好地划分森林自然度等级,总体分类精度高达93.97%,Kappa系数为0.91。对森林自然度等级影响最重要的6个特征因子为高程、坡向、坡度、纹理均值、光谱主成分变化分量和归一化植被指数(NDVI)。结果表明,基于遥感影像提取的特征和地形特征结合进行森林自然度等级划分的研究方法具有可行性,为大面积区域的森林自然度等级划分奠定基础。     

基于多源遥感数据的森林蓄积量估测研究——以北方孟家岗林场为例

以北方孟家岗林场的落叶松人工林为研究对象，引入遥感技术作为一种更高效、适用于大区域的遥感监测方法，利用Sentinel-1和Sentinel-2遥感数据，提取光谱特征、纹理特征、植被指数和后向散射系数等特征指标，基于Pearson相关系数和距离相关系数这两种特征选择方式，结合KNN、SVR和RF等3种机器学习模型，开展了6种人工林蓄积量估测方案的对比。研究表明：遥感数据源对模型的估测精度影响最大；以单一Sentinel-1数据作为来源的模型估测精度最低，而基于Sentinel-1和Sentinel-2综合数据的估测模型精度最高，其中RF回归模型结合DC特征重要性评价方案获得了最佳的蓄积量估测结果，R_RMSE和R²分别为22.94%和0.59。利用特征选择的方式结合多源遥感数据可以有效提升模型精度和泛化能力，得到更优的人工林蓄积量估测结果，为森林资源的保护、管理和可持续利用提供科学依据。     

崂山林场林分生物量遥感反演估算研究

以Landsat TM影像和高分一号影像为数据源,结合外业实测数据,利用遥感影像和实测数据建立崂山林场生物量多元线性反演模型,比较分析不同数据源下反演出的模型精度,估测了崂山林场森林生物量。研究发现,利TM遥感影像作为数据源的崂山林场森林生物量反演模型平均精度为77.12%。高分一号遥感数据反演的生物量模型平均反演精度达到80.75%,高于TM数据源下的生物量反演模型精度。分别根据TM遥感影像和高分一号遥感影像林分生物量估测模型,估测的崂山林场2009年的林分生物量为401185.62t,2013年的林分生物量为402485.44t。     

基于多时相Sentinel-2影像和SNIC分割算法的优势树种识别

【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engine(GEE)云计算平台上利用多时相Sentinel-2多光谱数据提取波段反射率特征和光谱指数特征,采用SNIC和支持向量机(SVM)机器学习分类方法,实现面向对象的优势树种识别,并分析不同时相数据组合对优势树种识别精度的影响。【结果】多时相数据组合的分类精度明显高于各季节单时相数据。对比不同多时相数据组合分类结果,春、秋2个季节时间序列组合数据的分类精度与多季节组合数据结果相近,总体精度分别为94.5%、95.0%和95.8%。【结论】基于多时相Sentinel-2影像和SNIC分割算法的面向对象分类方法能够快速、准确识别优势树种,多季节组合数据的分类结果最优,春、秋2个季节时间序列数据也能获得较好分类结果,总体精度与最优结果差距较小。     

基于CART决策树方法的遥感影像分类

以云南省香格里拉县为研究区域,构建一种基于CART遥感影像的决策树分类方法.对遥感影像采用主成分提取、植被信息提取、纹理信息提取等方法,并结合试验区主要地物类型训练样本,采用Landsat 5 TM影像数据、DEM数据以及遥感处理软件ENVI为平台进行影像分类,并将结果与最大似然分类结果作比较.结果表明,基于CART遥感影像决策树分类精度优于最大似然分类,有较好的分类效果.     

基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。     

基于机器学习森林生物量反演的哨兵数据精度对比

选取美国弗吉尼亚州东南部和北卡罗来纳州东北部的迪斯默尔沼泽作为研究区,基于Sentinel-1雷达数据和Sentinel-2光学数据,在对影像特征因子提取的基础上,采用随机森林构建生物量反演模型,对比分析了森林地上生物量反演精度。结果表明：基于Sentinel-2影像的随机森林模型的R²、RMSE分别为：0.707、39.521 t/hm²;基于Sentinel-1影像的随机森林模型R²、RMSE分别为：0.601、38.536 t/hm²。从整体来看,不同的变量参与到模型建模最终导致的精度各不相同,基于Sentinel-2影像建模的精度总体上高于基于Sentinel-1影像建模的精度。     

基于Sentinel-1A和Landsat 8数据的区域森林生物量反演

【目的】结合主被动遥感数据,为基于不同遥感数据源、建模算法的亚热带森林生物量建模分析提供新思路。【方法】以湖南省郴州市桂东县2014年Landsat 8 OLI影像、2014年Sentine-1A影像、2014年43块森林资源连续清查固定样地数据为主要信息源,借助于ENVI、SNAP、R等软件,分别采用主动式遥感(Sentinel-1A数据)、被动式遥感(Landsat 8 OLI数据)、主被动相结合(Sentinel-1A数据结合Landsat 8 OLI数据)3种数据集和多元线性回归、随机森林、人工神经网络、袋装算法等4种模型,进行区域森林地上生物量特征变量选取、参数建模、模型精度评价、生物量空间制图。【结果】1)在特征变量选择上,红波段(B4)、红外波段(B5)反射率及纹理特征,归一化植被指数(NDVI),交叉极化(VH)后向散射系数及其纹理特征,在森林生物量反演中具有重要作用;2)4种遥感估测模型精度比较分析表明,无论是单一数据源还是二者结合,随机森林算法预测精度最高,人工神经网络、袋装算法次之,多元线性回归最低;3)3种不同数据源的遥感估测综合精度,按照由高到低的顺序排列,主被动结合被动式遥感主动式遥感;4)桂东县森林生物量平均值为53.68 t/hm2,生物量高( 90 t/hm2)的林分面积比例只有16.03%,主要分布在海拔较高、坡度较陡的东南、西南部。【结论】Sentinel-1A和Landsat 8数据的结合在估测森林生物量方面具有重要作用。     

基于随机森林的大姚县TM遥感影像分类研究

随机森林(Random Forest)是一种组合多棵决策树分类器的新的分类算法。以楚雄州大姚县为例,采用Landsat-TM数据,通过最大似然、支持向量机、随机森林3种分类器进行分类对比研究。结果表明,支持向量机和随机森林的分类精度明显优于最大似然法,两者分类精度相差不大;在分类时间上,最大似然法明显比随机森林和支持向量机快,支持向量机最慢。综合分析,随机森林算法表现更优,它在保证分类精度的前提下,也能保证一定的时间效率,更适宜实际生产应用。     

基于FY4遥感数据的森林火灾判别研究

【目的】为提高森林火灾监测的时效性,利用我国新一代静止气象卫星FY4的遥感数据,研究对森林火灾监测的技术和方法。【方法】以贵州省为研究区,利用FY4遥感数据,对FY4的14个波段进行火点样本的波段特征、波段间相关系数、波段组合OIF指数计算,并对判别森林火灾相关的云、水体、林地、火点4类地物进行光谱特征分析,采用支持向量机对OIF指数排名前10的波段组合进行地物分类精度验证,筛选出最适合进行森林火灾判别的波段组合。构建最小距离模型、马氏距离模型、支持向量机以及决策树模型进行森林火灾判别,利用中国森林防火网森林火灾数据,以判别精度(D)、多分误差(M)、漏分误差(O)为模型的评价指标,对4个模型进行精度验证,筛选出最优的森林火灾判别模型。【结果】1)筛选出最适合进行森林火灾判别的波段组合是(B7,B8,B12),其支持向量机地物分类精度为99.21%,Kappa系数为0.855,是进行森林火灾判别地物分类精度最高的波段组合,与最优波段组合筛选结果一致。2)4个模型的森林火灾判别精度都超过了85%,其中决策树模型判别森林火灾的精度为100%。【结论】基于FY4遥感数据决策树模型的构建,提高了森林火灾监测的时效性,对保护森林资源、减少人民生命财产损失具有重要的意义。     

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。     

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。     

基于面向对象方法的GF-2影像桉树信息提取对比分析

为研究不同面向对象分类方法对GF-2影像桉树信息提取的可靠性,以广西平朗乡为研究区,首先对GF-2影像做多尺度分割处理,然后采用贝叶斯(Bayes)、决策树(DST)、K最近邻法(KNN)、支持向量机(SVM)、随机森林(RDT)等5种分类器进行分类提取,最后对提取结果进行混淆矩阵精度分析。结果表明:在这5种分类方法中,支持向量机方法的精度最高,总体精度达86.4%,Kappa系数为0.73,贝叶斯方法的精度最差。可见GF-2影像可以作为桉树信息遥感监测的数据源之一,且支持向量机分类方法是桉树提取的较优选择。     

基于XGBoost的高分二号影像树种识别

树种分布是森林资源监测的一个重要指标,也是遥感影像在森林资源监测应用中的难点之一。基于国产高分二号卫星影像数据、森林资源二类调查数据、DEM数据,结合光谱、纹理、指数及地形因子等多种特征,比较支持向量机、随机森林和XGBoost等3种分类算法,根据分类精度选择最优算法(即XGBoost)进行特征筛选,对龙泉市的阔叶树、马尾松、杉木和毛竹等4种主要优势树种进行分类。结果表明:采用XGBoost分类模型的分类总精度为83.88%,Kappa系数0.78,较支持向量机和随机森林分类方法有明显提高。经特征选择后,虽未明显提高树种分类精度,但可以减少特征的冗余,为小样本数据下特征的选取降维提供了一定的参考。