基于高分一号与Landsat 8卫星影像的库尔勒市香梨种植面积识别研究

库尔勒香梨是一个地域性极强的名优特优品种,是库尔勒地区乃至全国最优异的地方梨品种之一,利用遥感技术快速、准确获取库尔勒市香梨的种植面积、长势等信息,可为政府管理部门制定各种决策提供数据支持。本研究利用高分一号(GF-1,分辨率2 m和16 m)、Landsat 8(分辨率30 m)2015年4—10月的库尔勒市遥感影像,依据地面调查建立的感兴趣区域(ROI),采用5种不同方法进行监督分类,通过识别精度比较筛选出最佳识别方法,并对库尔勒市的香梨种植面积进行识别、提取。结果表明,GF-1影像数据的最佳识别月份为8月,最佳识别方法是最大似然法,识别精度为95.94%;Landsat 8影像数据的最佳识别月份为10月,最佳识别方法也是最大似然法,识别精度为94.43%。因此,选择利用8月份的GF-1影像数据提取库尔勒市的香梨栽植面积,经最大似然法进行监督分类,最终解译面积为2.827万公顷,与实际统计资料相比,识别精度96.45%,说明利用该方法监测库尔勒市的香梨栽植情况可行。     

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。     

基于高分遥感数据的昌吉市棉花面积识别研究

本文探讨了如何利用高分遥感数据大范围快速提取棉花种植面积。本研究以昌吉市为研究区,基于高分一号(GF-1)遥感影像,利用实地调查的2015年昌吉市作物种植信息,选取不同的监督分类方法,加入耕地掩膜,分析得出昌吉市棉花识别的最佳识别时相以及最佳识别方法。结果表明,棉花与其他种植作物分离程度最好月份为7月,棉花种植面积最佳识别月份为7月,支持向量机分类方法总体精度最高,总体精度为95.24%,Kappa系数0.935。棉花种植面积提取以小于6个像元为最小图斑时结果最佳。高分一号遥感影像7月以支持向量机分类法解译出的2015年昌吉市棉花面积为15 974 hm2,棉花面积提取精度为95.79%。     

基于高分二号数据的小麦快速识别与精度分析

针对目前高分二号(GF-2)卫星遥感数据在农业领域应用较少,尤其是在农作物识别方面应用缺乏的现象,以GF-2 4 m多光谱遥感影像为数据源,在河南省北部小麦主要种植区域濮阳县,采用监督分类方法(包括支持向量机、人工神经网络和最大似然法)进行小麦种植空间分布信息的快速提取和精度分析。结果表明,3种分类方法对小麦的识别结果非常相似,生产者精度均在96%以上,以支持向量机法最高;用户精度均在98%以上,以最大似然法最高; Kappa系数三者比较接近,均在0. 80以上;总体精度均在82%以上,以最大似然法最高,达85. 15%;错分误差在2%以下,漏分误差在3%左右,对地物的识别误差总体以最大似然法最低,尤其对小麦、水体、光伏电站的识别精度非常高。综合考虑,在采用GF-2进行小麦识别时,建议采用最大似然法。     

基于多源遥感特征融合与卷积神经网络(CNN)的丘陵地区水稻识别

为探究卷积神经网络(CNN)算法和多源遥感优选特征数据融合对丘陵地区水稻种植区的识别效果和适用性,以江西省上高县为研究区,利用Sentinel-2与GF-1遥感影像数据,对研究区晚稻种植区域进行识别。选取影像波段特征、植被指数、纹理特征及地形特征等分类特征,用分离阈值法(SEaTH)筛选出对各类别分离度较大的特征变量。基于Sentinel-2优选特征数据、GF-1优选特征数据、Sentinel-2与GF-1优选特征融合数据,使用CNN分类算法进行晚稻识别,同时用支持向量机(SVM)、最大似然法(MLC)分类算法进行对比。结果表明,Sentinel-2与GF-1优选特征融合数据在CNN分类算法下对水稻的识别效果最好,总体精度、Kappa系数分别为96.19%、0.93,结合野外调查数据进行验证,实际验证精度达94.69%。由研究结果可知,Sentinel-2与GF-1优选特征融合数据在CNN分类算法下对丘陵地区水稻识别具有较好的效果和适用性,是丘陵地区水稻遥感识别的有效手段。     

高分辨率遥感影像林地类型精细识别

以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法（MLC）和支持向量机法（SVM）]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

基于对象的CHRIS遥感图像森林类型分类方法研究

高光谱遥感森林类型分类中采用传统基于像素分类方法精度较低,本文通过高光谱遥感影像的特征,采用面向对象的最近邻监督分类方法对高光谱CHRIS影像进行分类实验,首先对影像进行多尺度分割,然后将分割对象信息、形状特征及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像素的最大似然分类方法进行比较分析,结果表明,面向对象的最近邻法能够较好的识别森林类型,总精度为89.06%,kappa系数为0.82,而最大似然法分类精度为85.75%,kappa系数为0.79.其分类精度明显高于最大似然法,这表明该方法适合高光谱遥感影像分类,为今后的高光谱遥感森林类型分类能够起到技术参考和理论依据.     

基于浅层学习方法的石漠化休耕试点区作物分类

【目的】应用浅层结构的机器学习分类器和高空间分辨率影像实现休耕区绿肥、粮食及经济作物快速准确分类。【方法】利用分辨率为5 m的RapidEye影像,以云南省石林县部分休耕试点区为研究区,使用Softmax浅层机器学习分类器对研究区内绿肥作物、水稻、玉米及烟草等4种典型作物进行遥感识别与空间信息提取,并以极大似然分类法为参照,通过地面样方数据验证该方法的精度。【结果】基于Softmax方法的4种典型作物分类的总体精度和Kappa系数分别为85.98%和0.815 7,比极大似然分类高4.59%和0.061 7;绿肥、水稻、烟草的生产者精度和用户精度均达到84%以上,玉米则低于75%,原因是绿肥、水稻、烟草3种作物种植较为集中,而玉米种植地块面积小且极为分散;绿肥与烟草错分问题较明显,影响因素为"同物异谱、异物同谱"。【结论】基于Softmax的浅层机器学习分类器提高了分类精度,文章研究结果可为使用浅层机器学习方法快速准确掌握休耕情况提供参考。     

基于HJ-1 CCD影像的玉米种植面积估算研究

本研究以HJ-1 CCD影像为主要数据源,风云三号(FY-3)和高分一号(GF-1)影像为辅助数据源,选取作物种植结构复杂的菏泽市为研究区域,采用多时相NDVI阈值剔除法与监督分类相结合的分类方法,以土地利用类型和训练样本区数据作为辅助,提取出菏泽市玉米种植面积和分布区域,并检验其精度。结果显示:在复杂的作物混合种植区可以利用HJ-1 CCD影像提取出玉米种植面积和分布信息,总体分类精度为90.2%,面积总量精度为91.7%。本研究为其他区域利用HJ-1卫星影像提取作物种植面积提供了参考。     

基于中分辨率影像湿地离散水体提取研究——以新疆阿勒泰科克苏湿地为例

首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类,以选出最佳的分类模型;然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征,并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集,利用选出的最佳分类模型对特征集进行离散水体提取,对其精度检验结果进行对比。结果表明,对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度,Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知,Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上,对于离散水体信息提取具有积极效果。     

基于中分辨率影像湿地离散水体提取研究——以新疆阿勒泰科克苏湿地为例

首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类，以选出最佳的分类模型；然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征，并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集，利用选出的最佳分类模型对特征集进行离散水体提取，对其精度检验结果进行对比。结果表明，对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度，Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知，Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上，对于离散水体信息提取具有积极效果。     

基于环境卫星影像的水稻种植面积提取方法研究

以环境卫星为数据源对泰兴市水稻面积进行提取,选择水稻与其他作物光谱差别最大的时期作为水稻识别的最佳时期,在利用影像原始光谱信息的基础上,分析和提取多种分类特征,运用支持向量机法、CART决策树法和最大似然法进行分类,提取水稻面积。结果表明支持向量机的分类精度最高,总体精度为80.38%,Kappa系数为0.74。说明当样本量较少时,支持向量机可以更好地利用多源信息,具有更高的分类精度。     

基于GF-1影像的冬小麦面积提取及年际变化动态监测

为探讨国产高分一号(GF-1)卫星影像在作物面积提取中的适用性,以冬小麦主产区山东省菏泽市为研究区域,利用GF-1卫星携带的多光谱宽幅相机(WFV)16米遥感影像为主要数据源,以菏泽市土地利用类型和野外地面调查数据作为辅助,采用决策树分类法和监督分类—最大似然分类法相结合的方法,通过分区解译方式,分别提取出菏泽市2014和2015年冬小麦种植面积和分布区域,并利用地面样方数据对分类结果进行精度验证,同时开展年际变化动态监测分析。结果表明:以GF-1/WFV 16米影像为主要数据源,将多源信息引入决策树和监督分类模型,进行种植结构复杂地区冬小麦种植面积遥感估算的方法是可行的。GF-1/WFV 16米影像在作物面积遥感监测业务运行中具有较大的开发应用潜力。2014和2015年菏泽市冬小麦位置提取精度分别达到96.5%和96.7%,面积总量提取精度分别达到96.8%和95.0%;遥感提取的两年冬小麦种植面积均略小于官方提供的统计数据,但两者呈现出的变化趋势一致,即菏泽市两年间的冬小麦种植面积呈减少趋势。     

基于基本竞争型神经网络的TM影像分类研究

【目的】针对传统遥感图像分类方法精度低的缺点,运用基本竞争型神经网络模型对TM影像进行分类研究。【方法】在考虑TM影像光谱信息和地表结构变化信息的基础上,应用经过基本竞争型神经网络训练后的分类器对TM影像进行分类研究,并与利用最大似然法的分类结果进行比较。【结果】研究区TM影像采用基本竞争型神经网络进行分类的总体分类精度和Kappa系数分别为89.1%和0.873,而采用最大似然法分别为70.6%和0.646,前者的分类精度明显高于后者。【结论】基本竞争型神经网络的分类结果明显优于最大似然法的分类结果。     

面向对象的荒漠绿洲区高分一号遥感影像信息提取技术研究

为了更加快速、准确的提取出荒漠绿洲区土地利用类型,采用面向对象的分类方法,利用e Cognition软件对荒漠绿洲区磴口县高分一号遥感影像进行多尺度分割,并对分割尺度、颜色、形状、紧密度和光滑度等参数设置进行多次的试验,最终确定了荒漠绿洲区高分一号遥感影像信息提取的最佳分割尺度与分类规则。对研究区高分一号影像也采用最大似然法分类法进行分类,分类精度为78.65%,kappa系数为0.6984,面向对象分类方法的分类精度为92.51%、kappa系数为0.8767,荒漠绿洲区面向对象的分类方法提取精度明显优于最大似然法。     

基于Landsat8和高分一号影像的沙湾县作物种类识别研究

本研究探讨了如何利用中分辨率遥感影像实现县域作物快速识别的方法。以沙湾县为研究区,基于Landsat8和高分一号遥感影像,利用实地调查的2016年沙湾县作物种植信息,建立解译标志,加入耕地掩膜,选取不同的监督分类方法,对沙湾县作物识别的最佳识别时相、最佳识别方法以及最佳数据源进行研究。结果表明:Landsat8影像与高分一号影像分别在7月与9月可分离度与总体精度最高;通过六种分类方法对比,均为支持向量机分类法分类精度最高,Landsat8影像总体精度91. 22%,Kappa系数0. 916,高分一号影像总体精度88. 23%,Kappa系数0. 876,Landsat8影像分类整体精度略高于高分一号影像;对于两种数据源,棉花、玉米、小麦和其它作物分类总体精度均达到88. 23%以上,证明使用中分辨率遥感影像对县域作物进行识别是可行的。     

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...     

基于递归纹理特征消除的WorldView-2树种分类

利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.841 0,比基于光谱特征的总体精度和Kappa系数高12.32%和0.143 6。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。     

基于递归纹理特征消除的WorldView-2树种分类

利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.8410,比基于光谱特征的总体精度和Kappa系数高12.32%和0.1436。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。