探寻葡萄树遥感辨识的最佳时相与方法

利用41景卫星影像探寻葡萄树遥感辨识的最佳时相与方法。首先对各景影像分别进行了预处理,随后利用6类探试性方法(即地物光谱比较、波段差分或比值分析、光谱指数求算与分析、光谱指数变化追踪、影像复合与辨识方法协同分析)对探试组影像进行了辨识分析,并从中选出3种较佳的辨识方法,最后利用优选的3种方法对验证组影像进行了辨识验证。结果表明:1)在4月中旬至5月初的影像中,仅采用NDVI阈值便可将葡萄树与别种成年果树、小麦予以区分,但低龄的别种果树、有草撂荒地等与葡萄树易混;2)在5月底至6月中旬的影像中,采用(ρBLUE+ρGREEN+ρRED)与NDVI的双重阈值可将葡萄树与其他地物较好的区分开来;3)在上述2时段影像复合、所用辨识方法协同的情况下,可显著提高葡萄树的辨识精度(葡萄树类的正确识别率可达90.42%,总体分类精度可达96.53%);4)葡萄树遥感辨识的较佳时相为4月中旬至5月初,最佳时相为5月底至6月中旬。     

杏树遥感图像辨识的最佳时相与方法

采用2014、2017、2018年逐月GF1-WFV影像(共43景)探寻杏树遥感图像辨识的最佳时相与方法,以期为关中乃至全国其他果区开展杏树遥感监测提供理论依据。首先对各景影像分别进行预处理;随后利用在各期影像中采集到的各种果树样地的ROI(感兴趣区)数据,对6类辨识方法(即同期影像地物反射光谱比较、同期影像波段差值或比值分析、同期影像光谱指数求算与分析、同套邻期光谱指数变化追踪、影像复合与多指数联用分析)的辨识效能分别予以探试,以寻求最佳的辨识时相与方法;最后对探试结果用于全域影像中的辨识效能加以验证。结果显示:盛花期杏树相对其他果树树种具有较低的VI1值,用VI1阈值对该期杏树具有较佳的辨识效能;在杏树盛花期的影像中,利用NDVI(归一化植被指数)与VI1双重阈值,可明显提高总体分类精度;利用盛花期与花前影像(同序号)波段的比值也可较好地辨识杏树;联合应用NDVI、VI1、R_(b1)/R_(b1花前)、R_(b3)/R_(b3花前)4个光谱指数阈值,辨识花期杏树的精度更为理想,杏树类的正确识别率可达83.14%,总体分类精度可达80.93%;杏树盛花期是辨识杏树的最佳时相。     

多种光谱指标构建决策树的水稻种植面积提取

合理选取不同光谱指标制定决策树规则,能有效提高决策树分类法提取水稻面积的精度。本研究以江苏省淮安市为例,选取30 m空间分辨率HJ1A和16 m空间分辨率GF1多光谱影像,在对不同地物样点像元光谱特征分析的基础上,选择地物光谱特征明显的GF影像计算NDVI、EVI、DVI和RVI,并提取影像近红外波段反射率,利用上述5种光谱指标确定不同地物分类阈值来对两景影像进行决策树分类,进而获取淮安市水稻面积和分布情况。结果表明,GF影像地物光谱特征较明显,有利于识别不同地物,可用来确定基于多种光谱指标分类的阈值范围。其中,水稻判别条件为NDVI0.70,0.25DVI≤0.45,0.53EVI≤0.80,RVI5.5且0.30ρNIR≤0.46。HJ影像和GF影像提取水稻面积的样本精度分别为87.29%和93.70%,GF影像比HJ影像的水稻面积提取精度提高了6.41个百分点,说明利用多种光谱指标构建决策树分类模型是一种有效提取水稻种植面积的方法。     

基于高分二号影像结合纹理信息的茶园提取

为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。     

基于Sentinel-2A的农田包围型村落提取

遥感数据源在光谱、空间分辨率上不断提高,越来越有利于村落的精确提取,但如何有效利用影像特征,寻找简单便捷的方法来实现农田包围型村落的准确快速提取是一个不断需要探索的问题。本研究以Sentinel-2A卫星影像为数据源,利用光谱指数密度分割法与光谱波段分类法对内蒙古五原县郊区的村落进行提取。结果显示:NDVI、NDBI、NDBI-NDVI、(NDBI-NDVI)/(NDBI+NDVI)4个光谱指数提取村落的总体精度介于93.903 4%～96.476 6%之间,NDVI提取精度最低,NDBI提取精度最高;光谱波段分类法提取的精度介于94.101 3%～98.753 0%之间,且利用蓝、绿光波段分类取得最高精度。研究结果表明,分类法和阈值法提取村落均可取得较高的精度,MLC-RFE法可有效获得最有利于村落提取的波段组合,但过程较繁琐、速度慢,阈值法精度略低,但较简单,计算速度快。     

基于不同时相遥感的冬小麦种植面积的提取

卫星遥感技术能够快速、准确、大面积对农作物生长进行监测,多时相遥感监测可克服单时相遥感监测的不足,利于实现对农作物生长变化的动态监测。以江苏省大丰市为研究区域,选用拔节期和抽穗期两景环境(HJ)卫星遥感影像进行不同地物光谱信息识别与种植面积提取研究。首先,在分析两景HJ星影像植被光谱信息的基础上,提取出各自影像的归一化差值植被指数(NDVI)影像,并对两景NDVI影像分别进行加运算和减运算,得到另外两景NDVI合成影像。其次,通过对提取到的四景NDVI影像光谱信息进行比较分析,最终选用植被光谱信息特征较为明显的加运算合成影像进行冬小麦种植面积提取。最后,基于影像不同地物的NDVI阈值划分,并叠加GPS样点信息校正,提取到大丰市冬小麦种植面积数据及其空间分布信息。结果显示,大丰市遥感提取冬小麦种植面积为78 712.13 hm2,精度为92.51%。在该市20个乡镇(或农场)冬小麦种植面积提取精度中,精度大于95%有9个乡镇(或农场),精度在90%至95%之间的有7个乡镇(或农场),仅有4个乡镇(或农场)提取精度在80%至90%之间。说明,利用不同时相遥感合成运算方法得到的合成影像,能明显增强冬小麦光谱信息与其他植被信息特征区别,有利于实现高精度提取冬小麦种植面积的目的。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于多时相遥感影像的水稻种植信息提取

获取水稻种植信息对于指导水稻生产,监测作物生长及合理分配水资源具有重要意义。针对基于单时相影像提取水稻信息精度有限,以Sentinel-2A/B多时相影像为数据源,构建NDVI、EVI、NDWI和光谱特征4种时序特征数据集并设计6种试验方案,结合随机森林算法对水稻种植信息进行提取。结果表明,NDVI、EVI时序曲线可以较好反映出水稻生育期的物候特征,不同地类的光谱时序曲线和NDWI时序曲线可分离度较高,有利于提高分类精度;基于NDVI时序数据集的分类精度最低,基于光谱时序数据集的分类精度最高,总体精度达95.559 0%,Kappa系数为0.943 3,与基于NDVI的分类结果相比,总体精度、Kappa系数、水稻生产者精度和用户精度分别提高了3.530 4%、0.044 9、8.64%和3.36%,水稻与旱地的混分现象得到有效抑制。该研究为区域水稻种植信息精确提取在数据源选择、时序特征构建方面提供了一种新的思路和技术手段。     

基于旋转森林的Landsat-8影像森林植被分类

以黑龙江大兴安岭塔河林业局瓦拉干林场2013年的Landsat8 OLI影像为数据源,在光谱特征基础上,增加归一化植被指数、纹理特征和地形特征,得到3种特征组合(光谱特征和NDVI(F1);光谱特征、NDVI和纹理特征结合(F2);光谱特征、NDVI、纹理特征和地形特征结合(F3)),将旋转森林算法分别应用于3种特征组合下的森林植被分类,获得分类精度最高的特征组合;之后利用最佳特征组合将旋转森林与最大似然分类法和支持矢量机2种分类方法进行对比和精度验证分析。结果表明:利用旋转森林算法并结合光谱特征、NDVI、纹理特征和地形特征的特征组合分类精度最高,为87.54%,比F1和F2特征组合的精度分别提高了11.08%和3.39%。比较不同分类方法,旋转森林算法进行森林植被的分类精度比最大似然法和支持矢量机方法的分类精度分别提高了13.24%和5.39%。由于旋转森林算法稳定性好,在植被分类中受山地阴影的影响较少,因此在分类图中"椒盐"现象最少,图像更加清晰,分类效果最好。     

基于Sentinel-2时序多特征的植被分类

植被分类是研究森林资源状况和动态变化规律的基础,利用遥感手段可以更加快速、准确地识别植被类型。以位于内蒙古赤峰市喀喇沁旗西南部的旺业甸实验林场为研究对象进行植被分类。采用分层分类的思想,首先根据植被物候特征选取植被生长旺盛时期的影像,计算归一化植被指数（normalized difference vegetation index,NDVI）并设定合适的阈值将研究区内的植被提取出来,剩余部分归为非植被。然后选取NDVI时间序列、最佳时相的Sentinel-2数据中10个波段的光谱反射率特征和主成分分析前3个分量的纹理特征作为分类特征,利用支持向量机分类器将研究区内的植被类型分为耕地、草地、常绿针叶林、落叶针叶林和落叶阔叶林五大类,并将分类结果与最大似然法、NDVI时序+光谱特征的分类结果进行对比分析。NDVI时序+光谱特征+纹理特征的多特征植被分类总体精度达87.64%,Kappa系数为0.85,分别比最大似然法和结合NDVI时序+光谱特征的分类总体精度提高了15.73%和14.61%,Kappa系数提高了0.20和0.18。其中常绿针叶林和耕地的分类结果与实地调查情况高度一致,分类精度分别达到95.65%和92.31%。从而得出:①基于多特征的分类方法有助于提高分类精度;②NDVI时序特征对于植被的区分具有很大帮助;③采用分层分类的思想,首先将研究区内的植被提取出来,可以排除非植被因素的干扰,有效提高植被类型的分类精度。     

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。     

基于最小二乘支持向量机的无人机遥感影像分类

针对SVM容易出现过学习、泛化能力下降的问题,利用LSSVM在求解线性方程组时的自身优势,对高分辨率无人机多光谱影像进行地物分类识别。采用固定翼无人机搭载Micro MCA12 Snap多光谱相机,获取研究区域玛纳斯河畔的多光谱影像,首先利用最佳波段指数法与光谱信息、纹理信息结合得到最佳特征波段组合,从而降低数据维度,进而利用粒子群优化和网格搜索算法分别进行参数寻优并交叉验证方法对影像进行SVM和LSSVM对比试验。结果表明,Micro MCA12 Snap多光谱传感器所选择的1、6、11波段组合及NDVI、NDWI、Mean特征信息组合,粒子群优化LSSVM分类的总体精度较网格搜索LSSVM高0.092%,Kappa系数高0.006;粒子群优化LSSVM分类的总体精度较粒子群优化SVM分类高2.021%,Kappa系数高0.008。试验方法改善了各种地物特别是裸地与沙石的区分,是对该相机及特征组合进行分类的有效手段。     

机载AISA Eagle Ⅱ高光谱数据在温带 天然林树种分类中的应用

以内蒙古根河地区的温带天然林试验区为研究对象,采用支持向量机(SVM)方法,对经过大气校正后的机载AISA Eagle Ⅱ高光谱地表反射率影像分航带进行树种分类,将地面光谱测量与高光谱同平台的高分辨率航空相片结合,进行训练样本的选择,使用地面样地数据对分类结果进行验证。结果表明:利用AISA Eagle Ⅱ高光谱影像对温带天然林区分类的总体精度和kappa系数分别达到了96.71%和0.95;灌木分类精度最高,其制图精度和用户精度分别达到了98.07%和98.31%;落叶松和白桦的用户精度分别为98%和94%。     

基于决策树的典型荒漠草地遥感分类策略

【目的】在遥感影像和地形图基础上对干旱半干旱地区天然荒漠草地进行分类,旨在为干旱半干旱地区草地分类及监测提供参考。【方法】采用基于决策树的天然草地分类方法,以天山北坡新疆阜康地区的TM遥感影像(2010-09-24)多光谱波段特征为主要分类变量,结合研究区数字高程模型(DEM),辅以影像目视解译结果,构建了对天然荒漠地区草地进行分类的决策树分类模型,对研究区主要地物类型进行了分类,并对分类精度进行了评价。【结果】综合考虑了遥感图像植被指数(NDVI)特征、DEM特征的分类策略,可以忽略山区的地形影响,简化分类过程,提高分类精度;与传统的非监督分类精度评价结果相比,基于专家知识的分类方法中总分类精度提高了37.4%,Kappa系数提高了78%,错分误差和漏分误差大幅减小;调整NDVI和DEM阈值可以使分类结果更加精准,模型适用区域更加广阔。【结论】基于决策树的典型荒漠草地遥感分类模型适用于荒漠区天然草地类型的提取与划分,可以提高利用遥感图像进行荒漠草地类型分类的精度。     

基于频谱和光谱特征的高光谱地物分类比较

目的频谱作为物质的能量特征进行地物的识别是可行的。本文针对国内外利用频谱进行地物分类尤其是森林植被分类研究的匮乏,探索频谱的地物识别潜力,将高光谱影像的光谱曲线转化为频谱进行地物识别研究。方法以福建将乐林场为研究区,利用国产环境小卫星高光谱影像(HJ-1A HSI)和同时成像的多光谱影像(CCD),通过能量分离变换的方法对高光谱和多光谱进行融合,获取高空间分辨率的高光谱影像;然后,将融合影像的光谱曲线转化到频率域,进而获取频谱;通过“频谱距离”对研究区进行地物分类,并将分类结果与光谱角填图(SAM)分类结果进行比较。结果在频域中植被类别和非植被类别的低阶幅度谱具有明显的可分性,频谱方法提高了马尾松、杉木和阔叶林的制图精度,对于光谱特征相似的不同森林植被具有更好的区分能力;非植被类别在1阶谐波的频谱容易区分, 植被类别需要用前7次谐波的幅度谱进行区分,随着频率的增大,频谱变化趋于相似,并且非植被类别在频域的能量累计速度高于植被类别;与SAM的分类结果比较发现,基于频谱的分类方法总体分类精度为84.19%,比SAM分类结果总体精度提高0.7%。结论利用频谱信息可以降低光谱曲线上噪声的影响,保留类别的重要区别信息,提高地类的分类精度,因此利用频域中的频谱进行地类识别具有可行性。      

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TM影像的喀什地区土地利用分类

以喀什地区为研究区,选取2010年9景TM影像为遥感信息源,利用支持向量机法对喀什地区的土地进行分类。最终分成7个类别,并用混淆矩阵对分类结果作精度评价,总体分类精度为85.28%,Kappa系数为82.79%。结果表明,利用支持向量机分类方法对TM影像进行喀什地区土地利用分类与制图是可行的,能较真实地反映该地区植被和土地利用的基本特征。     

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Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。