基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支...     

基于面向对象的无人机遥感影像荒漠植被分类

荒漠植被分布稀疏且叶面普遍较小,导致影像中植被光谱特征较弱,分类难度较大.为提高荒漠植被分类精度,选取古尔班通古特沙漠为研究区,以无人机遥感影像和数字表面模型为数据源,采用面向对象的随机森林算法,在去相关拉伸光谱信息增强基础上对荒漠植被进行分类,分析去相关拉伸前后分类精度的变化.结果 表明:基于去相关拉伸并结合面向对象...     

基于GF-2影像对恰西国家森林公园的遥感分类

【目的】 选用面向对象的监督分类法,对研究区域的天山云杉林进行遥感分类,选取一种分类效果最佳的方法,为该区域的林地资源调查、动态监测评价提供依据。【方法】 基于高分二号(GF-2)遥感影像数据,借助ESP 尺度评价工具和目视解译相结合,筛选研究区各地物最优分割尺度,利用3种不同分类方法在此基础上进行遥感分类。【结果】 研究区内的水体、道路、其他用地、林地和草地的最优分割尺度,分别为390、372、316、296、246;其次在各地物最优分割尺度下,比较最邻近分类、结合矢量数据分类和阈值分类3种方法,经过精度评估发现,3种分类方法的 Kappa 系数和总体精度值分别为0.760 7、0.782 0、0.840 6和0.814 8、0.830 5、0.876 5。【结论】 阈值分类方法优于其他2种方法,选用更为优良的阈值分类方法引入解决该地区林地资源调查是可行的。     

应用可见光遥感影像的林区植被分割方法

为快速准确提取可见光遥感图像中的林区植被,降低林区复杂地物与不均匀的光照对提取效果的影响。采用无人机获取的林区可见光遥感图像,利用ArcGIS软件根据植被与裸地、道路以及光照均匀程度的不同占比进行裁剪,获得5个试验样区,分别利用多尺度分割、光谱差异分割和多尺度结合光谱差异分割方法对样区影像进行分割,应用最近邻分类方法分类并分析3种分割方法对分类精度的影响。研究结果表明：基于多尺度分割的分类精度整体优于光谱差异分割和多尺度结合光谱差异分割,植被分类总体精度分别为90.0%、93.0%、92.0%、89.0%、94.0%,Kappa系数分别为0.801、0.855、0.839、0.781、0.880。使用多尺度分割在林区植被提取时受环境影响小,可以有效提取林区植被信息。     

无人机可见光遥感影像的农作物信息提取及验证

为实现无人机遥感农作物类别的快速识别提供参考,以贵定县马场河乡马长河村部分耕地遥感影像作为研究对象,采用无人机采集地面农作物遥感影像,分析农作物之间纹理和色彩特征差异,对农作物的类型及面积信息进行提取和检验,获取不同种类农作物的种植基本信息。结果表明:利用色彩纹理特征组合对大豆、水稻和玉米种植信息的提取结果误差分别为7. 01%、9. 71%和1. 75%,提取效果较好。可为农作物分类提取提供参考。     

基于SPOT5遥感影像的小班区划技术

采用自主开发设计的森林资源规划调查系统,在大的地性线与已有林班线为边界控制条件下,对常用于森林资源调查的SPOT5遥感影像进行了多尺度、多层次逐级分割,获取了影像对象.同时,综合运用分割对象的光谱、空间特征和纹理特征形成分类规则,在此基础上进行小班区划,试验结果表明,该方法得到了较好的小班区划精度.     

面向对象的遥感影像植被信息提取技术研究

在阐述面向对象的遥感分类方法的基本原理和方法的基础上,对2006年武汉市洪山区的遥感影像数据中的植被进行了分类训练和精度评价。为了解决植被中存在的异物同谱的现象采用了阴影消除的方法,同时采用定量测定的方法提取影像中的植被。结果表明,采用面向对象的多尺度分割的植被信息提取精度明显高于非监督分类的分类精度,是一种行之有效的分类提取技术。     

无人机可见光遥感木麻黄人工林株数提取方法比较研究

以福建平潭岛木麻黄人工林为研究对象,对比研究基于无人机可见光遥感数据的株数提取方法,探讨多种方法在不同林龄木麻黄人工林株数提取的适用性。通过轻型旋翼无人机获取研究区可见光相片,经预处理生成无人机可见光正射影像（DOM）和冠层高度模型（CHM）;分别选取成熟林、幼龄林6块标准地区域,使用基于冠层高度模型的局部最大值方法（LMC）、基于正射影像的局部最大值方法（LMD）、基于正射影像的多尺度分割方法（MST）提取标准地株数;最后通过3种方法提取的株数和实测数据进行对比分析。结果表明： 3种方法中LMC总体提取精度最高,F_score为0.97,而LMD和MST总体提取精度明显降低,F_score分别为0.90、0.78; LMC方法对幼龄林和成熟林的株数提取精度相近,幼龄林和成熟林的F_score皆为0.97。 LMD方法在成熟林的株树提取精度略高于幼龄林,尤其2种林龄类型的P值相差较大,幼龄林RE：0.97、P：0.81、F_score：0.88;成熟林RE：0.94、P：0.89、F_score：0.91。 MST方法在成熟林的株树提取精度明显高于幼龄林,幼龄林 RE：0.88、P：0.67、F_score：0.76;成熟林RE：0.88、P：0.74、F_score：0.81。因此,3种方法中,LMC总体株数提取精度最高,且适用于不同林龄的木麻黄人工林株数提取,可以满足实时、快速提取木麻黄人工林株数的需求。     

基于无人机可见光影像的毛竹林郁闭度估测方法

【目的】由于毛竹Phyllostachys edulis的生长特点和经营特点,使得毛竹林郁闭度在毛竹林经营中尤为重要,只有保持适宜毛竹生长的郁闭度,才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法,可实现实时快速获取毛竹林的郁闭度。【方法】以普通旋翼无人机可见光毛竹林影像为研究对象,基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法,选取不同钩梢和郁闭度的样地36个,利用现有软件和MATLAB编程,对各样地的毛竹林竹冠区域进行快速提取,进而估算林分郁闭度,对比目视解译的郁闭度真值计算各方法的估算精度,利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。【结果】基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%,郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。【结论】基于多尺度分割的监督分类方法总体精度最高,估算绝对误差最小,...     

喀斯特石漠化地区遥感影像的决策树分类——以贵州省黔南州长顺县凯佐乡为例

喀斯待石漠化是在自然和人为因素相互作用下土地退化的现象.石漠化地区的遥感影像分类以往采用的是监督分类和非监督分类,但它们单纯地利用像元的亮度特征,分类精度低,往往不能满足实际的应用需要.决策树分类是一种新的遥感影像分类技术.以凯佐乡为研究对象,使用了ASTER影像数据、DEM和岩性数据,通过提取归一化植被指数、比值植被指数、地形坡度等数据建立分类规则,构建决策树.在ENVI软件支持下,获得了研究区的决策树分类影像.通过计算影像分类精度和Kappa系数.得到了以下结论：运用决策树分类法对石漠化地区遥感影像进行分类,可取得较理想的分类效果;实现了石漠化信息的自动化提取;若采用的遥感影像波段更多,DEM分辨率更高并减少数据处理中的误差将能够进一步提高分类精度.     

基于无人机可见光遥感影像的耕地精准分类方法研究

无人机可见光遥感具有使用成本低、操作简单、实时获取遥感影像、地面分辨率高等优势。提出了一种利用无人机可见光遥感影像进行耕地精准分类的方法,以广东省惠州市惠东县铁涌镇石桥村部分耕地的可见光遥感影像为研究对象,对耕地的面积信息、形状信息以及位置信息进行监测和提取,采用面向对象法对影像中两种基于可见光波段的植被指数、纹理信息、形状信息进行分析,研究出分类提取耕地信息的较佳方案。经过反复实验确定分割尺度45、合并尺度90为分割参数,同时利用波段信息和纹理信息对未种植作物耕地和其他地物进行分离。该方法总体精度为89.23%,Kappa系数为0.72。实验结果表明利用无人机可见光遥感数据对耕地进行分类虽然存在一些细碎地块被错提、误提的情况,但总体精度仍然保持在一个很高的水准,可以为耕地作物分类提供参考,为实现精准农业提供精准的数据基础。     

基于无人机遥感影像的沙糖橘果树提取方法研究

目的 通过无人机获取沙糖橘果园的遥感图像,快速提取果树分布位置,为果树的长势监测和产量预估提供参考。方法 以无人机拍摄的可见光遥感图像为研究对象,计算超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数和蓝绿比指数6种可见光植被指数,使用双峰阈值法选取阈值进行果树的提取。在使用光谱指数进行识别的基础上,结合数字表面模型作为识别模型的输入变量,进行对比试验。结果 相比使用单一光谱指数,结合数字表面模型提高了果树和非果树像元的提取精度,6次波段融合后的总体精度均大于97%。超红指数与数字表面模型结合后的总体精度最高,为98.77%,Kappa系数为0.956 7,植被信息提取精度优于其他5种可见光植被指数与数字表面模型结合后的提取精度。结论 数字表面模型结合可见光植被指数的提取方法能够更深层次地挖掘遥感数据蕴含的信息量,为影像中色调相似地物的提取提供参考。     

一种面向对象的人工草地遥感监测方法

城市绿化带动人工草地草需求量增大和经济效益提升,部分种植主体会选择种植人工草地草替代传统粮食作物,种植人工草地草会严重损害耕地质量,快速有效地监测在耕地上种植人工草地草很有必要.本研究通过面向对象的方法,利用高分辨率遥感影像来获取江苏省常州市新北区西夏墅镇东南部人工草地信息,研究影像分割的最佳分割参数、最优特征选取和分...     

应用无人机影像提取毛竹林立竹度

采用无人机航拍影像,依据毛竹冠幅几何特点,依据面向对象多尺度分割原理构建毛竹株数量识别单元,比对分析K邻近法(KNN)、支持向量机(SVM)、随机森林(RF)的提取效果,确定毛竹立竹度提取的最优算法.结果表明:1株毛竹几何形状趋近圆形,2株趋近于长椭圆形,3株以上近似于长条形,与图像中毛竹的冠层形状特征与毛竹识别单元类型具有一致性.验证结果KNN、SVM、RF提取立竹度总体精度平均值分别为90.70％、89.64％、94.56％,对应的Kappa系数分别为0.8597、0.8306、0.9456,其中RF的精度最高.整体上,基于毛竹立竹度识别单元的构建,结合RF分类方法比其他两类分类方法更具优势,实现了有效的毛竹林立竹度提取.     

基于多源遥感数据反演森林植被面积

选取清原县为研究区,基于多源遥感数据,形成一套不同尺度（以县-乡为经营单位）的森林植被提取方法。以土口子乡为例,应用ENVI EX4．8软件,采用面向对象的方法对乡内森林植被进行提取,然后基于此方法,采用协同反演TM森林植被面积的方法对清原县森林植被面积信息进行提取。结果表明：RapidEy影像分类精度达88．87％,Kappa系数为0．61;TM影像的分类精度达到92．41％,Kappa系数为0．89,具有较高的分类精度。所建立的森林植被提取方法可为林业部门对不同尺度森林植被类型面积进行监测提供参考。     

基于无人机高分辨率影像的农作物分类研究

农作物分类是精准农业中的重要技术之一.为探究多品类作物分类的有效方法,基于无人机高分辨率遥感影像,分别应用基于像元和面向对象分类方法建立了研究区内28类典型农作物分类模型,并采用总体精度、Kappa系数、用户精度、生产者精度对分析结果进行了评价.结果表明:基于像元的最小距离法、马氏距离法、最大似然法、神经网络法和支持向...     

基于无人机多光谱影像和随机森林的蔬菜识别

实时准确的蔬菜种植信息是实现水肥精准管理和产量准确估算的重要基础。对无人机多光谱影像进行分割,以光谱特征（spectrum features,SPEC）为基础,分别引入指数特征（index features,INDE）、纹理特征（grey-level co-occurrence matrix features,GLCM）和几何特征（geometric features,GEOM）构建8个分类方案（S1～S8）,使用随机森林算法进行分类并分析分类效果。结果表明,方案S5（SPEC+GLCM+INDE）的分类效果最好,总体精度和Kappa系数分别为92.75%和0.92。几何特征的引入降低了分类精度,而纹理和指数特征则与其相反;仅依靠光谱、指数和纹理特征仍难以有效区分白菜和包菜,为提高精度后续研究有必要引入植株高度等特征;在4大类特征中,重要性排在首位的是光谱特征,其次为指数特征。基于无人机多光谱影像和随机森林算法能获得较高的蔬菜分类精度,并能确认影响精度的重要特征,可为其他作物的精准识别提供借鉴。     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

基于无人机遥感的农作物自动分类研究

长期以来,我国农作物种植类型等重要农业统计数据,主要通过全面统计或抽样调查等传统方法获得,传统方法普遍存在调查工作量庞大、财力和物力耗费高、调查周期长等诸多缺陷.目前,遥感技术已经在农作物分类动态信息提取、作物分布制图中发挥了重要作用.但由于高分辨率的卫星重返周期长,特定时间的指定区域的数据无法保证,单一利用遥感进行农...