基于Google Earth Engine的曲靖市烤烟种植区遥感提取

应用高分辨率的Sentinel-2A数据,提出了随机森林算法结合多特征的烤烟遥感提取方法.然后将支持向量机和分类回归树算法与随机森林算法进行了对比试验,3种分类器与光谱+地形+纹理+缨帽特征组合的平均验证精度分别为63％、88％和94％,随机森林分类器结合光谱+地形+纹理+缨帽特征组合的分类精度最佳,制图精度达到90％,用户精度为98％,总体精度为96％,Kappa系数为0.94.结果显示,研究区烤烟的最佳分类时相为4月下旬至5月下旬;随机森林算法结合光谱+地形+纹理+缨帽特征的方法能够精确地对研究区烤烟种植区进行遥感提取,为云南高原山区农作物提取提供技术参考.     

基于改进核函数的支持向量机时间序列数据分类

针对传统支持向量机(support vector machine,SVM)对时间序列数据分类,仅通过样本在空间中的几何距离判别样本的类别,提出了一种基于改进核函数的支持向量机算法(SVM_IK,SVM with improved kernel function)。该算法计算样本与空间基数据的时间序列互相关距离,将样本数据映射到新的特征空间中,实现对线性核函数改进,最终根据改进的线性核函数SVM算法对样本数据进行分类。算法通过25组UCR数据集的验证,实验结果显示与1-NN算法和传统SVM算法相比,SVM_IK算法对时间序列数据具有较好的分类效果。     

耦合时序特征的林分类型遥感识别

【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合Sentinel-2光谱特征和时间序列特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征在Google Earth Engine中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】（1）使用Sentinel-2时间序列光谱特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征的方案分类效果最好,总体精度为84.62%,Kappa系数为0.82;(2)在构建的5个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;（3）地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段B11和B12最重要,时间序列特征中4月份和10月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和Sentinel-2时间序列特征可...     

基于时序Landsat遥感影像枣树种植面积提取

基于不同特征时间序列数据集,使用动态时间规整(dynamic time warping,DTW)方法对时间序列遥感影像进行分类.基于时间序列Landsat 8影像数据,使用NDVI、EVI、第一主成分(principal component analysis 1,PCA1)3种特征数据集结合DTW算法,对比分析不同特征量对枣树的识别精度.结果表明:基于DTW(ND?VI)的时间序列特征数据集结合DTW算法能够得到较好的分类结果,基于时序DTW(EVI)特征量的方法次之,基于时序DTW(PCA1)特征量的方法的分类精度最低,总体精度分别为95.23％、93.73％、83.84％,Kappa系数分别为0.858、0.824、0.738.     

基于多时相 Sentinel-2 卫星数据的农作物分类研究

【目的】探究研究区农作物分类最佳时相;结合遥感指数探究一种有效的多时相分类方法,提取主要农作物种植分布情况。【方法】基于多时相Sentinel-2卫星数据,采用支持向量机的分类方法对不同时相进行分类,对比分类精度;融合时间序列的NDVI、MNDWI指数之后采用支持向量机的方法进行分类,之后分别利用MNDWI和CI指数结合决策树的分类方法提取水域和田埂。【结果】7月份的分类效果最好,总体精度达到91.05%,Kappa系数达到0.8518;通过时相数据不同组合的分类精度比较,采用3—10月NDVI数据叠加后分类的效果较好,总体精度达到92.25%,Kappa系数达到0.8736;对比3种不同分类方法,以支持向量机的分类结果精度最高,总体精度达到94.19%,Kappa系数达到0.9024。【结论】7月份是研究区农作物分类的最佳时相;多时相分类精度明显高于单景数据分类;结合多时相NDVI、MNDWI、CI 3种遥感指数进行分类可以有效提取研究区主要农作物的种植分布情况。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

基于GF-1号遥感影像的微小水体信息提取研究——以岔口流域为例

针对不同因素影响,山区微小水体提取效果不佳的问题,选用2016年9月1日GF-1号卫星遥感影像,运用NDWI、SWI决策树、SVM分类3种不同方法对位于黄土高原沟壑区的山西省岔口流域的微小水体进行了提取,并对提取效果进行视觉对比与精度验证。结果表明,相比中低分辨率遥感影像,高分辨率遥感影像对于山区微小水体的提取结果更好,精度更高,可运用GF-1号影像进行流域水体的监测、提取;影响流域水体提取的主要因素是亮色地物(主要为建筑物)和阴影;NDWI、SWI决策树、SVM分类3种方法中,NDWI方式提取的水体信息较弱,SWI决策树与SVM分类法精度较高,但SWI决策树法消除了建筑物、亮色地物的影响,并较明显地区分了阴影与水体,因此更适用于流域微小水体的提取。     

时间序列特征提取和分类器对农作物分类的影响研究

【目的】准确的作物空间分布是农业估产、作物长势和病虫害防控等农业遥感监测的重要基础信息。选择合适的特征和分类器对作物空间信息的提取有重要意义。【方法】文章基于北安市的Landsat 8时间序列数据探究了特征提取和分类器选择对作物分类的影响。首先,基于Google Earth Engine (GEE)平台提取光谱、植被指数、纹理和物候时序特征;其次,将不同特征及其组合输入最小距离法(Minimum Distance Classification,MDC)、朴素贝叶斯(Na?ve Bayes,NB)、K最近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF) 5种分类器比较精度;最后,计算分离性指数(Separability Index,SI)评估特征对识别作物的贡献度,辅助验证分类器的分类结果。【结果】研究结果表明:(1)4类特征中光谱特征分类精度最高,3种特征组合中光谱+植被指数精度最高,但相较于光谱特征精度提仅提高0.6%,说明时序光谱特征足以得到较好的作物分类结果,提取的其他特征对精度提升作用不明显;(2)通过比较5种分类器的精度均值和标准差,性能最好的是RF,其次是SVM,MDC的性能最差;(3)在特征分离性方面,光谱特征最好,其次是植被指数、物候和纹理特征。【结论】光谱时序特征结合RF分类器效率最高,能得到较好的作物识别效果。文章能为作物分类特征提取和分类器选择提供参考和依据。     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

基于GEE的多源数据耕地自动提取研究

为更好地保护耕地资源实现中国式现代化的重要粮食安全局面,提升耕地资源提取精度、自动化程度是必不可少的。针对目前使用单一遥感数据进行耕地提取时存在的不足,本文以淮南市为例,基于Google Earth Engine(GEE)平台,获取Sentinel-1和Sentinel-2图像并进行预处理利用Sentinel-1的VV、VH波段以及Sentinel-2的NDVI、NDWI、BSI等指数。加入研究区的高程、坡度和坡向信息后,使用支持向量机(SVM)和随机森林(RF)分类算法对影像进行土地利用类型分类,通过开运算的形态学处理提取耕地并做精度分析。结果表明：与仅使用单一光谱数据相比,引入SAR数据和高程数据后,SVM算法和RF算法的总体精度(OA)分别提高了0.06和0.16,其中RF算法精度更高,总体精度达到了0.89。此外,形态学处理可以消除一些非耕地的细小图斑,进一步提高了耕地提取精度,总体精度达到了0.93,Kappa系数达到了0.90。     

基于K-mer-SVM的piRNA预测

采用支持向量机(SVM)结合K-mer分布特征预测piRNA.利用多种生物的非编码RNA序列数据库,从中挑选出piRNA序列作为正样本,并以由该数据库构建的非piRNA序列作为负样本,将正样本和负样本构成的数据随机取出50%作为训练集,将剩余的数据作为测试集;提取正样本和负样本序列的K-mer分布特征构建特征矩阵;用SVM对其进行分类,实现piRNA预测.结果表明K-mer-SVM在准确率、正例覆盖率、MCC和F测度等分类指标上均明显优于K-mer-LDA,说明K-merSVM是更好的piRNA预测算法.     

基于多分类器集成的GF-2作物信息精细提取研究

【目的】将多种分类器的优点融合，以便提升遥感影像作物信息提取的精度。【方法】以渭库绿洲为研究区，利用国产高分2号(GF-2)数据和野外调查数据，基于提取的遥感识别特征制定不同分类方案，采用马氏距离(MsDC)、最小距离(MDC)、最大似然(MLC)、神经网络(NNC)、支持向量机(SVM)5种传统机器学习方法分别对6种特征组合方案的影像进行分类，然后选择基分类器，并应用多数投票法和保守投票法2种多分类器集成算法，对研究区农作物进行精细分类提取。【结果】(1)辅助特征的加入对于子分类器的精度提高明显。5种分类器中除了MLC,其余4种分类器都是在加入归一化植被指数特征(NDVI)和纹理特征后取得了最高精度。(2)基分类器中精度最高的是NNC-4(人工神经网络的第4种特征组合方案),OA达到83.54%,Kappa系数为0.77。(3)相比基分类器，多分类器集成方法能够在制图精度和用户精度两方面提高农作物的提取精度。并且保守投票法优于多数投票法，OA为85.89%,Kappa系数为0.80。(4)集成分类结果中除了棉花的识别精度与最优基分类器NNC-4相等，达到94.94%外，其他的农作物如...     

基于GF-2遥感影像的塑料大棚提取方法对比

为实现GF-2遥感影像在农业领域的有效利用,针对GF-2遥感影像提取塑料大棚,对比分析随机森林、CART决策树及支持向量机3种分类方法的应用,以GF-2遥感影像为数据源,以内蒙古赤峰市喀喇沁旗王爷府镇为研究区,通过潜在分割误差(PSE)、分割强度(NSR)、欧氏距离(ED)3个指标确定最优分割参数组合,利用随机森林(RF)算法筛选出参与分类的最优特征子集,采用随机森林、CART决策树、支持向量机3种分类器进行了塑料大棚提取对比分析。试验结果表明:1)基于PSE、NSR和ED最优分割参数选择方法,应用于面向对象连片塑料大棚特定地物提取的研究分割效果较好;2)通过RF算法分析包含光谱、纹理、形状及相邻关系等多种特征,得出特征个数与分类精度之间呈现先逐渐增大后减小的趋势,该方法在保证分类精度的同时,可有效删除冗余与不相关特征,以提高分类器性能;3)将采用最优特征子集的3种分类器进行对比,随机森林分类效果最好,分类正确率达到89.65%,表明该方法能有效提取GF-2遥感影像连片塑料大棚,为提取设施农业的应用提供参考。     

基于相似性分析的中低分辨率复合水稻种植面积测量法

 【目的】利用遥感技术获取大范围水稻种植面积是遥感技术在农业领域的主要应用方向之一。本研究的目的是探索利用多尺度遥感数据复合测量水稻种植面积的方法。【方法】以SPOT5数据的水稻识别结果作为样本,构建图像相似性指数,通过支持向量机（SVM）混合像元分解模型,对MODIS-EVI时间序列数据进行水稻的种植面积测量。【结果】通过江苏省邳州市的试验研究得出：（1）在野外经验支持下,从MODIS-EVI时间序列数据中构建的水稻种植相似性指数可以有效反映水稻在整个研究区的空间分布情况;（2）利用图像相似性选取训练样本,能有效地提高MODIS-EVI数据的水稻种植面积的测量精度,当图像相似性指数越小,即图像相似性越高,提取的水稻种植面积也越准确;（3）通过与随机样本测量结果对比分析,基于相似样本的测量方法有着更高的稳定性;（4）该方法在不同种植结构分区内有着相似的总量精度与像元精度变化规律,均能获得较高的测量精度。【结论】基于相似样本的水稻种植面积测量方法,有助于发挥MODIS长时间序列优势,提高水稻种植面积遥感测量精度和稳定性,可以作为替代随机选取样本的方法之一。     

遥感在作物分类中的应用

在提取作物种植分类信息方面,多时相和多光谱特征信息综合应用十分重要。环境与灾害监测预报小卫星影像具有较高的时间、空间分辨率,采用时间序列分析的方法提取作物种植分类信息优势显著。本研究以宁夏平罗地区作物为研究对象,利用HJ-CCD数据提取主要农作物分类信息,采用非监督分类、最大似然分类、决策树分类3种算法挖掘数据。研究表明,通过构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,能够有效进行农作物分类。     

基于Sentinel-2时序NDVI的麦冬识别研究

【目的 】 为掌握四川省重要中草药麦冬的种植面积,开展麦冬遥感识别及空间信息提取研究。 【方法 】 文章以四川省绵阳市三台县麦冬主要种植区为研究区,选取2020年11月至2021年5月共计6期Sentinel-2遥感影像,结合实地调查数据建立麦冬、油菜、小麦3种地类的样本数据集,分析该时期内麦冬、油菜、小麦的NDVI时序差异,基于随机森林算法构建麦冬提取模型。随后选取区分度最大的3期NDVI作为输入变量与以全6期NDVI作为输入变量进行麦冬提取精度对比。 【结果 】 （1） 麦冬与油菜、小麦的NDVI在11月、3月、5月差异较大;（2） 以6期的NDVI作为输入变量的麦冬种植信息提取总体精度为91.92%,Kappa系数为0.892;（3） 以3期的NDVI作为输入变量的麦冬种植信息提取总体精度为90.05%,Kappa系数为0.823 2,分类精度略低于6期NDVI全输入,但基于3期关键节点的NDVI时序数据能较准确提取麦冬种植信息。 【结论 】 该结果可为四川省麦冬遥感识别和种植区变化监测提供参考。     

基于Sentinel-2时序NDVI的麦冬识别研究*杨玉婷,董秀春,刘忠友,蒋怡,李宗南,刘泳伶

【目的】为掌握四川省重要中草药麦冬的种植面积,开展麦冬遥感识别及空间信息提取研究。【方法】文章以四川省绵阳市三台县麦冬主要种植区为研究区,选取2020年11月至2021年5月共计6期Sentinel-2遥感影像,结合实地调查数据建立麦冬、油菜、小麦3种地类的样本数据集,分析该时期内麦冬、油菜、小麦的NDVI时序差异,基于随机森林算法构建麦冬提取模型。随后选取区分度最大的3期NDVI作为输入变量与以全6期NDVI作为输入变量进行麦冬提取精度对比。【结果】(1)麦冬与油菜、小麦的NDVI在11月、3月、5月差异较大;(2)以6期的NDVI作为输入变量的麦冬种植信息提取总体精度为91.92%,Kappa系数为0.892;(3)以3期的NDVI作为输入变量的麦冬种植信息提取总体精度为90.05%,Kappa系数为0.823 2,分类精度略低于6期NDVI全输入,但基于3期关键节点的NDVI时序数据能较准确提取麦冬种植信息。【结论】该结果可为四川省麦冬遥感识别和种植区变化监测提供参考。     

基于多分类器组合的遥感土地利用分类研究

为了从遥感影像中快速、高效地获取较高精度的数据,按照分类组合的思想,根据山西省太原市榆次区Landsat TM影像数据,将传统监督分类中分类性能较好的分类器作为基分类器,运用改进后的加权投票算法进行多分类器组合,用于研究区遥感影像土地利用/覆被数据分类.结果表明,多分类器组合的分类结果精度要高于单独的基分类器分类精度,两两分类器组合的分类精度要高于三分类器组合的精度.研究结果证实了多分类器组合的可行性和有效性,能够提高传统分类方法的分类精度.     

基于Bi-LSTM模型的时间序列遥感作物分类研究

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例,以哨兵2号全年可用卫星影像为数据源,构建年时间序列NDVI数据集;采用循环神经网络构架,搭建针对结构化时序数据的双向长短期记忆网络模型（bidirectional long short-term memory,Bi-LSTM）,开展遥感作物分类,并评估模型的泛化能力;通过输入不同长度时间序列遥感数据,探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力,基于年时间序列NDVI数据的Bi-LSTM模型作物分类总体准确率达90.9%,Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现,对大多数作物来说,其分类精度随着数据时间序列长度增加而不断提高,冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征,因而利用生长季早期的时间序列影像即可获得较高的制图精度,而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆;双向循环神经网络模型能够同时考虑前向和后向的时间状态信息,可以学习作物不同阶段的光谱变化特征,在水稻、棉花、春玉米等易混淆作物的识别上表现优异;模型能够有效地把握样本总体上的变化趋势,在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列,为及时、快速的区域作物高精度制图提供了可行的思路。     

基于机器学习算法的河南省冬小麦面积提取研究

为了精准获取河南省冬小麦空间分布及面积数据,基于2003—2021年250 m MODIS-NDVI时间序列遥感数据集,通过设置不同的阈值条件获得高质量的样本数据,采用深度神经网络(DNN)、随机森林(RF)和支持向量机(SVM)算法,自动从NDVI时序数据中提取冬小麦特征,分别训练出非线性模型,在250 m尺度对河南省冬小麦分布和面积进行识别。结果表明,基于DNN算法的河南省冬小麦面积识别模型精确率为97.26%,总体一致性为97.97%;基于RF、SVM算法的精确率分别为91.51%和89.31%,总体一致性均在90%以下。和RF、SVM算法相比,DNN算法在精度上有明显的提升,能够更好地反映河南省冬小麦的时间变化趋势和空间面积分布。该研究说明,运用中等分辨率长时间序列影像结合DNN算法,在一定程度上可以更准确识别大区域的农作物信息。