基于CART决策树的自然保护区植被类型分布研究

目的针对保护区监测需求，充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势，提高保护区植被类型遥感监测的精度，为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区，主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先，对GF-1 WFV数据进行多尺度分割，将研究区划分为诸多区域性的分割对象；然后，以分割对象为基本单元，研究光谱特征、几何特征、纹理特征不同组合情况下，基于CART决策树分类的结果；最后，利用训练样本建立基于TTA的精度检验，并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中，形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好；当形状因子和紧致度固定时，研究区最佳分割尺度为40。精度检验结果表明，基于CART决策树的保护区植被类型分类结果整体精度均在83%以上，Kappa系数在0.80以上，优于最邻近分类法和支持向量机分类算法，其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高，总体精度为85.18%，Kappa系数为0.832 2，优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究，可有效辅助保护区监测工作。      

湿地高分辨率遥感影像的变化检测

【目的】研究高分辨率遥感影像的湿地动态检测,为湿地资源的可持续发展提供信息支撑。【方法】充分利用面向像元和面向对象两种方法的优势和特点,结合多变量变化检测（MAD）,提出对MAD变量的面向对象后分类方法（OB-M方法）。【结果】基于MAD变换的差异影像集中了两期影像的变化信息,基于像元差异影像的面向对象后分类方法能成功的检测多时相遥感影像的几何配准误差、单时相阴影、光照季节变化等“伪变化信息”,成功提取变化/未变化信息。【结论】比较传统的面向对象分类后比较和MAD方法,提出的OB-M方法能较好地提高湿地变化/未变化信息检测的精度。     

多端元光谱解混模型的改进及对植被盖度的反演

以扎龙自然保护区为研究对象,运用分层的面向对象分类法与多端元光谱解混算法相结合反演该地区的植被覆盖度。结果表明:分层降低了场景复杂度,面向对象分类法与多端元光谱解混算法的结合,有效的减少了计算量和混合像元的端元变化;采用同期高分辨率的SPOT5多光谱遥感影像进行精度验证,与传统的多端元光谱解混模型的反演结果进行对比,相关系数从0.864 3提高到0.902 8,均方根误差从0.171 2减少到0.092 6。因此,分层面向对象多端元光谱解混模型适合对湿地植被覆盖度的反演。     

基于WorldView-2影像数据对杭州西湖区绿地信息提取研究

以杭州市西湖区为例,根据研究区域地物在World View-2遥感影像的特征差异进行区域划分。在每个分区内采用不同的多尺度和方式进行分割,构建多层次结构,综合利用光谱、形状、纹理等特征变量;采用CART决策树分类算法,选择最优特征及节点阈值分区域对杭州市西湖区的植被绿地信息进行提取;采用Jeffries-Matusita(J-M)距离法,确定纹理窗口尺度并筛选纹理特征。结果表明:本研究利用可分离指数J-M距离法得到影像地物草地、农用地、灌木、乔木最佳纹理窗口尺寸分别为5×5、11×11、13×13、13×13,对纹理尺度的选择和纹理特征的降维极大地提高了信息提取的精度及效率;基于面向对象的CART决策树分类法的总体分类精度相比基于像元的最大似然法的精度从76.53%提高到88.56%,Kappa系数从0.711 7提高到0.862 3,绿地平均用户精度从72.73%提高到84.63%;同时比常规的面向对象的方法更快速灵活地确定分类特征及阈值,大幅度地提高了提取效率及精度。     

基于NDVI分割与面向对象的东洞庭湖湿地植被信息提取技术

针对东洞庭湖湿地植被的分布现状,为提高湿地植被信息提取的精度和效率,应用高分辨率的SPOT-5影像数据,在完成图像预处理的基础上,将NDVI应用到多尺度分割中,结合基于隶属度函数和阈值的面向对象的分类方法对东洞庭湖湿地植被信息进行提取;与此同时,以相同分类方法对未辅以NDVI分割的图像进行植被提取,并与最大似然监督分类法提取的结果进行对比.结果显示,辅以NDVI分割的面向对象信息提取的总分类精度达到了87.69％,Kappa系数达到0.86;未辅以NDVI的总分类精度为82.69％,Kappa系数为0.80;最大似然监督分类总分类精度71.92％,Kappa系数0.67;其总分类精度分别提高了5.00％、15.77％,Kappa系数分别提高了0.06、0.19.可见,该方法可以有效提高湿地植被的提取精度,为湿地植被资源进一步的监测和保护奠定了基础.     

基于高分一号影像的天津市宝坻区地表覆盖分类研究

由于国产高分一号卫星WFV相机的16 m数据获取具有免费、时效性好等特点而被广泛应用于遥感信息提取。面向对象的分类方法能够解决基于传统像素的分类方法所具有的破碎性强、易产生同谱异物现象的问题。本研究采用基于面向对象的分类思路,以天津市宝坻区为研究区域,通过获取高分一号卫星影像并进行预处理,利用遥感信息处理软件eCognition对该数据进行影像分割,并对影像分割斑块进行基于规则的分类,提取出宝坻区范围内植被、水体、建设用地、裸地四类地物,并利用高分辨率影像对比进行精度验证,分类总精度达到93%。结果表明:利用高分一号国产卫星16 m影像,采用面向对象的分类思路进行地表覆盖类别的信息提取,可以快速便捷地实现目标区域空间地理信息的获取,对于监测地表覆盖面积和分布状况起到指导作用。     

基于面向对象的IKONOS 影像香榧树分布信息提取研究

为了定量模拟我国特有经济树种香榧树的生长环境,基于IKONOS 卫星影像,采用面向对象的分类方法,充分利用多尺度分割逐级分层提取的优势,对香榧树的分布进行信息提取,以准确地确定香榧树的空间分布.结果表明,其生产者精度为86.36％ ,用户精度为67.86％ ,明显高于基于像元的监督分类法的精度.表明基于面向对象的IKONOS 影像香榧树分布遥感信息提取方法具有良好的应用价值.     

基于多因子对象的高空间分辨率遥感影像道路提取

利用面向对象思想,综合应用光谱值、光滑度、紧凑度及长宽比等因子,分割道路对象,构建规则知识库,探讨一种基于多因子对象的高空间分辨率遥感影像道路提取方法,并以厦门市局部区域的QuickBird影像为例进行实证.结果表明：影像分割尺度为75时,道路对象被较完整分割;与传统基于单个像元光谱信息的监督分类法相比,该方法的提取精度较高.     

机载与星载高分遥感影像单木树冠分割方法和适宜性对比

目的应用高分辨率遥感影像快速准确提取单木树冠信息,对现代森林管理具有重要意义。面向对象的多尺度分割方法能有效地解决基于像元特征分析的局限,是单木树冠提取的重要技术途径。本文对比分析了不同遥感平台和人工林树种的树冠提取精度,探究实验方法针对不同尺度影像数据和树种的优势及适用性,并结合调查目的为影像数据的选取提供参考。方法以广西壮族自治区高峰林场为研究区,选取低空无人机CCD、机载CCD和星载高分二号遥感影像数据,针对树冠区域与背景区域的对比度效果不佳的问题,首先采用小波变换进行图像增强处理,去除影像噪声,增强树冠与背景的对比度;然后应用面向对象的多尺度分割方法,排除背景区域的干扰,针对树冠区域进行单木树冠的快速提取;最后对3种影像下提取的杉木和桉树人工林单木树冠的流程和方法,以及树冠提取精度进行研究分析。结果采用小波变换对无人机和机载平台影像增强效果显著,无人机平台下桉树和杉木实验区单木分割精度分别为87%和93.3%,冠幅估测精度为84.2%和85.1%;机载平台下桉树和杉木实验区单木分割精度为89%和91.1%,冠幅估测精度为83.9%和84.4%;而小波变换对星载平台影像增强效果不佳,桉树和杉木实验区的单木分割精度为82%和89%,冠幅估测精度为72.3%和73.3%。结论在无人机和机载平台下,应用多尺度分割得到的树冠提取精度相接近;在星载平台下,直接应用多尺度分割进行单木树冠提取,受影像自身空间分辨率的局限,提取精度低于前两种平台,但也能够满足森林调查的基本需求。      

SPOT5遥感影像土地利用信息提取方法研究

【目的】探讨高分辨率遥感影像土地利用信息提取方法的优劣,为研究土地利用/覆盖动态变化提供参考。【方法】以结合纹理特征的支持向量机(Support vector machine,SVM)分类和多尺度分割的面向对象分类为主要技术,对陕西佛坪长角坝乡遥感影像的土地利用信息进行提取,并将分类结果与基于传统像元的最大似然法分类结果进行比较分析。【结果】面向对象分类法的总精度达到90.67%,较结合纹理特征的SVM法提高了8.34%,而与最大似然分类法相比提高了近20.32%,克服了其他分类方法存在的同谱异物现象及分类结果中地物破碎等缺点,取得了较好的分类结果。【结论】利用面向对象分类法不仅达到了提取土地利用信息的目的,而且精度高、速度快。     

基于高空间分辨率卫星影像的新疆阿拉尔市棉花与枣树分类

【目的】 枣树和棉花是新疆地区的两大优势作物。利用高空间分辨率遥感影像对作物进行识别,更加快速、准确地获取枣树和棉花的种植面积及其分布区域,以利于相关部门政策的制定及农作物的精确管理。【方法】 本文以新疆阿拉尔市主要农作物为研究对象,运用基于像素与面向对象的遥感影像分类方法,通过比较光谱角制图（SAM）、支持向量机（SVM）、CART决策树（DTs）、随机森林（RF）这4种机器学习算法在高空间分辨率卫星影像分类中的作物识别精度,探究影像获取时期（2016-05-10、2016-09-07、2016-10-08）及面向对象的信息提取技术对作物分类精度的影响。【结果】 5月份影像（即棉花覆膜期影像）作物分类精度最高,10月份影像次之,9月份影像最差;与基于像素的作物分类方法相比,面向对象的作物分类方法可以使各时期的作物分类总体精度得到一定提高（除SAM之外）,各时期分类精度分别提高了4.83%、7.77%、7.22%,最高分类精度分别为93.52%（2016-05-10）、85.36%（2016-09-07）、88.88%（2016-10-08）,均实现了较好的作物分类效果。【结论】 5月份（棉花覆膜期）影像对棉花和枣树分类效果最好,该时期的棉花被地膜覆盖,且枣树表现出明显的植被光谱特性,两种作物生长早期呈现出差异化的光谱特征,因此棉花和枣树的遥感识别应在作物生长早期进行;面向对象的分类方法可以综合运用光谱、纹理及空间信息,特别是纹理信息的加入,可以取得比基于像素方法更高的分类精度,且提供一种高效提取田块边界的手段,对当地农田信息化管理具有重要应用价值。在棉花和枣树识别过程中,纹理特征的重要性高于光谱和空间特征,红光和绿光波段在所有波段中对棉花和枣树的识别贡献最大。     

基于高空间分辨率时间序列影像的对象级侵占林地图斑快速检测

【目的】为掌握森林资源动态变化情况,及时、快速、准确地发现侵占林地地块,并解决主流遥感变化检测方法对数据源和时相一致性要求高、人工干预多、过程繁琐等应用瓶颈,采用一种基于高空间分辨率时间序列影像的多尺度对象级分割和变化提取方法,对主流方法的分类和检测两个过程进行了融合和简化。【方法】以陕西省白水县为研究区,采用GF-1和ZY-3卫星数据源,将前后两期遥感影像波段拆分和重组形成时间序列影像,对时间序列影像进行多尺度面向对象的分割,通过分割结果的光谱变化值统计学抽样判断临界点并制定提取阈值,再利用NDVI变化值对结果进行优化。【结果】以人工目视解译结果作为参照,该方法的检测精度达86.2%。在成功检出的侵占林地图斑中,形状吻合较好或基本吻合的图斑占48.8%。【结论】该方法能够实现侵占林地图斑的快速检测,在检测效率、精度和适应性方面可满足大范围、多时相、混合数据源森林资源监测工作的实际应用需要。     

利用面向对象变化向量分析(OCVA)检测土地利用变化

为推广国产高分数据在土地利用变化检测方面的应用,以延庆区张山营镇2015和2018年2期高分二号(GF-2)影像为数据源,采用面向对象变化向量分析法(OCVA),先通过不同分割模式获取对象,其次利用引入权重的欧氏距离构建变化向量的模,再通过目标函数确定最佳检测阈值后对研究区进行变化检测,最后对变化区域进行面向对象分类,得到具体的"从…到"变化类型。结果表明:1)多时相组合分割模式下的OCVA法精度要高于多时相分别分割模式;2)利用加权组合方法构建对象变化向量的模更易确定最佳检测阈值,且最后的总体精度要高于传统OCVA法;3)结合面向对象分类的OCVA法能有效减少面向对象分类后变化检测法和单一OCVA法的伪变化,检测精度达到92.50%。     

大理苍山东西坡植被的垂直分布格局

  目的  分析云南省大理苍山东西坡植被的垂直分布格局变化特征,为有效保护苍山生态环境和物种多样性提供参考依据。  方法  以大理苍山为研究区域,基于高分二号(GF-2)高分辨率遥感影像,结合大理苍山完整的山地植被垂直地带性分布规律,辅以纹理特征和数字高程模型(DEM)数据,采用面向对象的多层次图像分割法,通过构建地形约束因子参与分类过程,准确选择样本,高精度提取研究区域的植被信息,并分析苍山东西坡植被的垂直分布格局。  结果  ①引入辅助信息的面向对象分类法提取的苍山各植被类型连续且效果好,分类总体精度为95.3%,Kappa系数为0.946 6。②苍山东西坡现状植被垂直分布格局明显,各自具有6个垂直分布带,并随着海拔高程的增大,植被分布类型趋同性增大,但东西坡垂直带谱内的优势植被类型相比也存在部分差异。  结论  相较于传统主观性强的分类方法,引入垂直带谱信息的地形约束因子进行分类,可以有效地提高山地植被分类的精度。基于面向对象的多层次分割法适用于苍山植被信息的精确提取。图5表3参20     

基于无人机可见光遥感的棉花面积信息提取

【目的】针对传统大区域棉花种植信息提取方法相对落后的问题,运用面向对象的影像分析方法,对无人机遥感试验获取的可见光影像进行棉花种植信息的提取。【方法】选用双子星MyFlyDream MTD固定翼无人机搭载佳能EF-M 18-55相机,获取新疆建设兵团第八师135团的可见光影像,借助eCognition软件平台,运用面向对象的方法对研究区内棉花种植信息进行提取试验。【结果】目视解译提取的棉花种植面积为0.35 km²,面向对象提取的棉花种植面积为0.33 km²,分类结果精度为94.29%,误差系数为5.71%,可以有效地提取研究区域棉花种植信息。【结论】面向对象的分类方法相比于传统的基于像素的分类方法提取精度更高,更加接近于目视解译的提取结果。     

面向Sentinel-2A影像的大理市土地利用分类方法适用性研究

  目的  获取更高效、准确的土地利用自动分类方法,为后续的高原山区土地利用分类研究提供理论支撑。  方法  选取中国典型的高原山区云南省大理市为研究区域,以Sentinel-2A影像为对象,提出一种面向对象特征的决策树分类方法,并将此方法分类结果与传统的ISODATA法和最大似然法土地利用分类结果进行对比。  结果  ①面向对象特征的决策树方法分类结果在空间分布和各地类的面积统计方面都优于ISODATA法和最大似然法,与研究区实际土地利用面积数据更为接近;②在大理市,最大似然法在水体和林地的提取上适用性较好,而面向对象特征的决策树分类方法在农田、草地、建设用地和其他这些地类的区分上适用性更强,且在冰川积雪的提取上也有更好的提取效果;③相比与传统的ISODATA法和最大似然法分类结果精度,面向对象特征的决策树分类方法可进一步提高分类精度,总体分类精度可达90.20%,Kappa系数为87.95%。  结论  相较于传统的分类方法,先粗分类再进一步细分类的分类思想,可避免区域之间的混淆问题。面向对象特征与决策树相结合的组合分类方法在高原山区有着更好的适用性,可以有效提高高原山区分类精度。图3表7参26     

结合多尺度纹理特征的高光谱影像面向对象树种分类

目的基于机载高光谱影像的分类研究中，利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少，并且相关研究主要针对单一树种识别而不考虑多种树种，因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。方法利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况，采用分层分类的方法区分非林地、其他林地与有林地，对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量，包括独立主成分分析ICA变换光谱特征以及空间纹理特征，分析各树种的光谱反射率及所适合的纹理尺度，依据不同尺度纹理特征进行分层分类，比较不同特征利用支持向量机SVM分类的树种分类结果。结果结合单一尺度纹理特征的分类结果总体精度为87.11%，Kappa系数为0.846；结合不同尺度纹理特征的分类总体精度为89.13%，Kappa系数为0.87，相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中，纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度，尤其在其他阔叶树种和马尾松树种的分类中，制图精度较单一纹理尺度分别提高了5.48%和6.12%。结论利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势，提高了纹理特征在树种分类中的贡献率；综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法，使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的，能够满足机载高光谱影像树种精细识别的应用需求。      

Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery

Mango is a commercial crop on Hainan Island, China, that is cultivated to develop the tropical rural economy. The development of accurate and up-to-date maps of the spatial distribution of mango plantations is necessary for agricultural monitoring and decision management by the local government. Pixel-based and object-oriented image analysis methods for mapping mango plantations were compared using two machine learning algorithms (support vector machine (SVM) and Random Forest (RF)) based on Chinese high-resolution Gaofen-1 (GF-1) imagery in parts of Hainan Island. To assess the importance of different features on classification accuracy, a combined layer of four original bands, 32 gray-level co-occurrence (GLCM) texture indices, and 10 vegetation indices were used as input features. Then five different sets of variables (5, 10, 20, and 30 input variables and all 46 variables) were classified with the two machine learning algorithms at object-based level. Results of the feature optimization suggested that homogeneity and variance were very important variables for distinguishing mango plantations patches. The object-based classifiers could significantly improve overall accuracy between 2–7% when compared to pixel-based classifiers. When there were 5 and 10 input variables, SVM showed higher classification accuracy than RF, and when the input variables exceeded 20, RF showed better performances. After the accuracy achieved saturation points, there were only slightly classification accuracy improvements along with the numbers of feature increases for both of SVM and RF classifiers. The results indicated that GF-1 imagery can be successfully applied to mango plantation mapping in tropical regions, which would provide a useful framework for accurate tropical agriculture land management.     

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和随机森林算法的轻、中、重度沙漠化区总体分类精度分别为91.01%、95.34%、93.18%,较原始影像分类精度分别提升19.94%、16.10%、17.61%,实现了对荒漠植被的高精度分类,从而为获取荒漠区植被分布状况以及荒漠化监测提供参考。