基于CNN的无人机遥感影像质量评价

运用无人机的遥感影像来调查林地状态是一种有效的途径,为了进一步提升遥感图像质量的评价精度,笔者提出了一种基于卷积神经网络(convolutional neural network,CNN)的无人机遥感图像质量评价方法,主要包括图像采集与预处理、数据扩增、模型训练和测试4个阶段。首先对无人机采集到的遥感图像进行主观质量打分,分别获取同一区域不同阶段图像的质量分数;然后运用图像旋转和剪裁等方法对遥感图像进行数据扩增,将扩增后的图片和原始图片融合作为实验数据集;其次在Caffe深度学习框架中构建基于CNN深层特征的回归模型,并训练;最后,根据已建立好的深度回归模型和学习到的参数,预测无人机遥感图像的质量分数。结果表明,提出的方法可以取得较准确的评分效果,在保证客观打分的同时,能基本保持和人眼视觉的感受一致。     

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。     

基于多光谱遥感的松材线虫病受害木识别方法

将双光谱照相机安置于无人机的平台上,利用在其当中可以获得可见光以及红外线的遥感图像,采用加权支持向量分类算法可实现病害松树的识别。根据每个内容图像不同的特点,从双光谱相机中获取的可见光图像以及近红外图像的各颜色分量,将这些颜色分量作为相应像素点的颜色特征,中心像素点可以通过加窗图像块获得的灰度共生矩阵,每类样本可以利用权重系数分别为加权支持向量做出数据描述,进而实现多输出类别识别松树的状态,建立相关训练样本中心距离的权重函数可以确定权重系数。与传统的人工、航空和卫星遥感识别方法不同,利用无人机平台和双光谱相机获取遥感图像,具有可操作性强、费用低廉等优势。     

森林资源调查中Spot5卫星影像的处理方法

利用Spot5卫星进行森林资源调查时,首先要对遥感图像进行处理。文章介绍了处理环境对硬件和软件的要求。其处理过程包括影像配准、分辨率融合、影像拼接、色彩增强、分幅输出等。对其中的一些问题提出了个人见解。     

基于GF-2影像的面向对象植被信息提取研究

基于GF-2遥感影像,通过面向对象方法对长株潭城市群生态绿心区内具有代表性的区域进行植被信息提取,利用专业分割软件对遥感影像进行多尺度分割,采用ESP工具定量获取多尺度分割参数,最后通过隶属度函数对遥感影像分类进行植被信息提取,并进行精度评价。结果表明:采用面向对象的方法,从高空间分辨率遥感影像中挖掘出能提取植被的光谱、纹理、形状等特征,能实现植被信息的快速提取,提取总体精度达85.33%。     

靖州县积极提升林业管护现代化水平

靖州县位于湖南省西南部,县域面积约22.1万公顷,森林覆盖率74.93%,森林蓄积量1313.1万立方米。近年来,该县充分运用卫星遥感影像、GPS定位、网络监控、无人机、图像软件分析等信息化科技手段,建成了由卫星遥感影像变化监测、护林人员巡山定位监测、道路运输实时监控、无人机高清航拍监测四个信息系统组成的森林资源监测平台,有效提升了林业管护现代化水平,为实现全县林业高质量发展奠定了坚实基础。     

遥感和GIS技术在广东省湿地信息提取中的应用

在分析广东粤西湛江、雷州半岛区城CBERS-02遥感影像数据特征的基础上,利用遥感与地理信息系统软件处理遥感影像的方法,对图像数据进行几何校正和融合处理,采用遥感图像多源信息复合、人机交互解译与GIS技术相结合的解译方法,实现湿地信息的提取,提取的总精度高达83.5%,比单纯的采用监督分类精度提高20%,获得了理想的结果,为广东湿地环境可持续发展提供决策支持。     

无人机遥感技术在林业资源调查中的应用研究

由于传统固定采样调查工作劳动强度大,且无法准确反映林业资源空间分布状况,研究无人机遥感技术在林业资源调查中的应用。结合研究区概况,采用旋转翼无人机采集林业资源遥感影像,精加工处理遥感影像,消除几何变形误差,利用经验统计模型从遥感影像上提取有效林业资源信息。调查结果显示：海拔高度0～300 m是林业资源空间分布的主要区域;2015～2020年间,乔木林地、疏林地及竹林地覆盖率呈增长趋势,灌木林地覆盖率呈降低趋势。     

无人机监测松材线虫病的精度比较

利用无人机搭载可见光相机进行遥感拍摄,在430 m和700 m两个飞行高度下采集异常枯死松树遥感影像,将野外GPS采集的位置信息同ENVI遥感数据处理软件处理与解读数据信息进行比对。人工甄别和NDVI值提取枯死松树分别为6株与7株,数据有效率提取为85.71%;对无人机遥感获取的6株枯死松树地理位置信息进行实地验证,水平误差在0.86 m^4.20 m之间。表明无人机遥感基本实现了松材线虫病致死松树的精准定位,对于松材线虫病监测和后期除治具有重要意义。     

无人机遥感技术在森林火灾调查中的应用

概述了森林火灾调查的内容,从遥感影像采集、遥感影像判读、森林火灾面积计算3方面介绍了无人机遥感技术在森林火灾调查中的应用。在森林火灾调查中,应用无人机遥感技术进行高分辨率影像采集、判读,分类区划小班,统计受灾面积,可显著提高工作效率、降低工作强度、提升作业精度。     

采用Pci软件处理遥感影像研究

为了提高森林资源二类调查质量,辽宁省改变传统的地形图调绘方法,利用法国Spot5 分辨率为10 m多光谱数据与分辨率2.5 m全色数据进行融合后的遥感影像作为二类调查调绘的图面资料。利用Pci图像处理软件对spot5 10 m、2.5 m影像进行几何精校、正射校正(orthoengine)、融合处理(xpace)以及对融合后的遥感影像增强、拉伸、亮度、对比度的调整完成spot5的影像处理过程。     

无人机遥感监测技术在松材线虫病疫情监测中的应用探讨

基于无人机遥感的松材线虫病监测技术,能够及时获取多时态、多角度、多光谱和高精度的遥感图像,为决策者提供松材线虫病监测和防控数据支持,在松材线虫病防控上有着较大的发展空间。对松材线虫病无人机遥感监测技术的基本原理、遥感图像的采集、处理与解译研究进展以及应用现状等方面进行了阐述,提出了无人机遥感监测松材线虫病实际应用中存在的问题和不足,并就其在松材线虫病监测中的发展方向和应用前景进行了展望。     

无人机遥感在我国森林资源监测中的应用动态

文章分析了无人机遥感技术在森林资源监测中的应用特点,总结了获取无人机遥感影像的技术流程.从利用无人机遥感影像获取林木几何参数、提取森林生物量信息、监测森林病虫害和森林消防4个方面阐述了无人机遥感技术在我国森林资源监测中的应用动态.在讨论无人机遥感技术在林业应用中具备成本低、效率高等优势的基础上,对无人机遥感技术在我国森林资源监测中的应用前景作了展望.     

浅谈在 ArcGIS 中地形图的拼接方法

地形图在扫描过程中不可避免地会产生误差，这些误差使图像发生变形，为了使图像能满足实际应用，就必须对图像进行校正，拼接。通过Photoshop CS5的部分命令，初步校正扫描地形图，后期利用ArcGIS10软件对初步校正的地形图进行配准校正，提高了图形拼接效果和位置精度。     

基于无人机可见光遥感的单木树高提取方法研究

利用目前流行的高分辨率可见光无人机遥感影像生成树木冠层高度模型,采用分水岭分割算法提取单木树高的研究具有重要理论和实践意义。以位于云南省富民县的天然云南松纯林为研究对象,通过大疆Phantom 4 Pro无人机获取低空可见光遥感影像,利用Pix4D Mapper对无人机影像进行预处理及三维重建,生成三维点云,利用LiDAR360处理三维点云,构建DSM,DEM并生成CHM;采用分水岭分割算法对不同郁闭度条件下获得的CHM进行单木分割及树高提取,对提取结果进行精度评价。结果表明:分水岭分割算法能够准确分割CHM,利用无人机可见光遥感影像进行单木树高提取是可行的;将基于无人机可见光影像提取的树高值与野外实地调查得到的树高值进行对比,R²为0.893,RMSE为1.23m,估测精度为87.58%;同时,林分郁闭度会对单木树高估测产生影响,根据不同郁闭度条件下提取的3组样木树高与实地测量树高的决定系数(R²)分别是0.857,0.939和0.921,RMSE分别为1.450,1.097,0.896m,在低郁闭度林分内树高估测的精度显著高于高郁闭度林分。     

松材线虫病变色松树遥感监测研究进展

[目的]综合评述了松材线虫病变色松树遥感监测的数据和方法研究进展,并就星-机-地多源遥感数据协同监测变色松树提出展望。[方法]通过分析松材线虫病染病松树的生理生态特征和冠层光谱,综述遥感数据的获取、基于遥感数据的变色松树解译方法,讨论当前松材线虫病变色松树遥感监测存在的主要问题,并指出未来可能的研究方向。[结果]不同的遥感监测平台对于变色松树的识别各具其优势,地面调查具有高可靠性优势、卫星遥感具有多时相优势、无人机遥感具有高空间分辨率和高灵活性优势。其中以无人机遥感和高分卫星遥感为主的遥感技术的发展,伴随着遥感图像解译算法和计算机软硬件的改进,为松材线虫病疫区变色松树的快速定位和计数提供了新的手段。但新手段在变色松树监测过程中还存在着监测手段单一,定位位置偏差大、识别精度和识别效率低等问题。[结论]未来随着卫星数量的增多和无人机影像获取成本的减少,从多源遥感影像上采用人工智能算法快速定位出单株变色松树和疫区变色松树的计数将成为新的模式。     

基于FDCT与ELM的遥感影像湿地类型分类——以黄家湖国家湿地公园为例

以黄家湖国家湿地公园为例,利用高分辨率遥感影像数据,研究提出了一种基于FDCT与ELM的湿地类型分类方法。该方法利用湿地遥感影像的光谱特征、纹理特征、空间特征作为ELM的输入数据,将遥感影像进行FDCT变换分解,获得影像的高频曲波变换系数和低频曲波变换系数,选取高频部分曲波变换系数组合作为地物的纹理特征;采用连续可微的Sigmod函数作为学习函数。湿地类型识别实验结果表明,该方法能够快速实现湿地类型的自动分类,总体分类精度达到了86.7%,高于传统SVM方法 76.5%的分类精度,Kappa系数超过0.83,为湿地景观遥感动态监测奠定了较好的研究基础。     

基于FCM和分水岭算法的无人机影像中林分因子提取

【目的】研究高精度小型无人机获取林分调查因子方法,将林分调查因子在低空无人机影像上识别并提取出来,获取树高、冠径等测树因子,建立林分因子测量方法,实现经济、高效、快捷、精准的森林资源调查和监测,及时掌握森林资源及相关林分因子的时空变化特征。【方法】以东北林业大学城市林业示范基地樟子松人工林为研究对象,以多旋翼无人机影像为数据源,基于FCM聚类算法和分水岭分割算法以及形态学运算、阈值分割、图像平滑、灰度化、二值化等一系列数字图像处理技术,提取樟子松人工林林分因子。FCM聚类算法和阈值分割法用于提取树梢标记图像,分水岭分割算法对树梢标记图像进行迭代处理从而获得单木树冠分割图像,根据单木树冠分割结果提取单木特征进而计算各林分因子值。【结果】在林地提取中,根据影像的颜色特征绿度分割成功地将林地部分与非林地部分分离开来,确定单木树冠分割范围。在单木树冠分割中,阈值分割法和FCM聚类算法均可有效将树梢标记从林地图像中提取出来;将基于标记的分水岭分割算法用于单木树冠分割取得较好效果,大多数单木树冠被单独分割出来,但某些区域仍然存在一定的欠分割或过分割问题。在林分因子提取中,提取的林分因子包括林分郁闭度、林地面积、立木株数和平均冠幅,其中林分郁闭度的测量精度为96.67%,林地面积的测量精度为81.23%,立木株数和平均冠幅的测量精度与单木树冠分割中的树梢提取方法(阈值分割法和FCM聚类算法)及分水岭分割中的2个参数(形态学腐蚀的结构元素大小和中值滤波的窗口大小)有关。针对2种树梢提取方法,分别进行参数组合试验,结果显示2种树梢提取方法使用适当参数组合所得各林分因子测量精度均在80%以上,平均测量精度均在90%以上,其中阈值分割法的最高平均测量精度为94.49%,FCM聚类算法的最高平均测量精度为93.17%。【结论】利用无人机拍摄的人工林影像进行森林资源调查,将先进的计算机科学技术和无人机技术应用到林业领域中,可有效提高森林资源调查的效率和精度。本研究提出的林分因子提取方法适用于高郁闭度林分,测量精度满足实际需求。     

基于深度学习的小目标受灾树木检测方法

【目的】针对无人机森林图像中树木尺度小、生长密集以及分布不规律等问题,提出一种基于深度学习的小目标受灾树木检测方法,以准确识别和定位高分辨率无人机森林图像中的小尺度受灾树木。【方法】以辽宁省凌源县受红脂大小蠹侵害的油松林无人机图像为数据源,利用Label Img开源软件标注拍摄高度为180～240 m的图像,构建无人机森林图像数据集。设计小目标受灾树木检测框架,该框架在轻量级目标检测框架(SSD)基础上,首先从conv3_3开始构建预测模块,并根据图像中目标树木的尺寸删减预测模块,同时优化特征图上默认框生成方式;然后,通过特征增强模块将基础特征图转化为增强特征图,生成基础和增强预测模块;最后,利用基于默认框的双层损失函数训练检测模型以促进特征学习。【结果】基于深度学习的小目标受灾树木检测方法可实现无人机森林虫害远程监测,较准确检测无人机图像中细小密集的受灾树木。采用5组不同结构的SITD模型以及SSD、FSSD和RFBNet目标检测框架对无人机森林图像数据集进行训练和测试,以平均查准率(AP)和Precision-Recall曲线作为评价指标,试验选出最优SITD模型在测试集上的AP为92.62%,相比原始SSD300框架提升69.71%,且优于其他3种目标检测框架。【结论】基于深度学习的小目标受灾树木检测方法可实现对森林中受灾树木的自动化检测,能够简化林业有害生物监测流程,提升对森林虫害的预警能力。     

基于GF-1遥感影像湿地变化信息检测算法分析

湿地遥感变化信息检测并识别一直是遥感动态监测的一个技术难点。以东洞庭湖为研究区,2期GF-1遥感影像为研究对象,在数据预处理的基础上,将研究区分为芦苇、苔草、辣蓼与泥蒿、水体、泥滩地等6种类型。研究引进了NDVI植被指数波段与第一主分量波段(PC1)对传统的图像差值算法进行改进,提取出两期影像的变化信息,并与支持向量机的多时相影像分类后检测算法相比较。结果表明:(1)研究区遥感影像经过大气校正和图像配准等预处理之后,GF-1遥感影像变化检测的最佳波段组合为RGB=432;(2)利用支持向量机分类器对两期遥感影像进行分类时,样本选择的可分离度均在1.9~2.0之间,分类结果的总体精度为85.34%,Kappa系数为0.8,满足分类后比较算法提取变化信息的要求;(3)引进NDVI与第一主分量区分变化信息,并采用直方图积累区间确定变化阈值,信息增加的变化阈值设置为0.3,信息减少的变化阈值设置为0.2,Smooth Kernel Size设置为3,Aggregation Min Size设置为30,优化结果最佳。利用2期GF-1遥感影像提取湿地变化信息,分类后比较算法与改进后图像差值算法,图像差值法快速、直接提取变化信息,检测精度为89.6%,Kappa系数为0.9,且不受分类精度与分类样本一致性的限制,明显优于传统分类比较算法,是一种高效可行的方法。