基于面向对象法的方祥乡地类信息提取方案设计

地物信息的提取中应用到面向对象方法的软件eCongintion,利用地物相应特征来辅助地物信息的提取最后输出的矢量数据也易于与ArcGIS相结合。研究中使用的面向对象方法主要包括2个关键步骤：多尺度分割和分类,使用一种快速的分割方法得到最终分割结果,然后使用最邻近法进行对地物的分类,实现高分辨率遥感影像地物信息的提取。完成地物信息提取之后,开始对分类结果精度评价,使用得出的结果与基于像元的分类方法进行了对比,面向对象方法所得出的总体精度比传统方法所得出的总体精度高出18.15%,结果表明,面向对象方法得出分类结果精度高于基于像元的分类方法。     

基于C4.5算法的土地利用图像识别分类

以地物类型较复杂的福州市的城郊结合区一小块区域的土地利用分类为例,利用C4.5算法从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和地形特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较及分析。结果表明,基于C4.5算法的分类方法的分类精度高于传统的监督分类和逻辑通道分类方法。因而利用C4.5算法构建决策树获取的分类规则是合理的,它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用分类中广泛应用的一项有效手段。     

基于深度学习特征和支持向量机的遥感图像分类

随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。     

分割尺度对面向对象树种分类的影响及评价

【目的】研究分割尺度对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象树种分割与分类的影响,进而评价2种数据协同树种分类的适宜性。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,在面向对象分类过程中采用3种分割方案(单独使用QuickBird遥感影像分割、单独使用Radarsat-2数据分割和QuickBirdRadarsat-2协同分割),每种分割方案采用10种分割尺度(25~250,步长为25),应用修正的欧式距离3(ED3_(modified))评价分割质量。对于3种分割方案采用各自特征及二者共同特征,分别应用支持向量机(SVM)分类器进行面向对象树种分类。【结果】在10种分割尺度上,QuickBirdRadarsat-2协同分割和单独使用QuickBird遥感影像分割的ED3_(modified)明显低于单独使用Radarsat-2数据分割获得的ED3_(modified)。QuickBirdRadarsat-2协同分割以分割尺度100进行分割的质量最好(ED3_(modified)=0.34)。3种分割-分类方案在小尺度上分类总精度(OA)较低,随着尺度增大,OA也再提高并在某个尺度达到最大值,之后OA随尺度增大而降低。QuickBirdRadarsat-2协同分割-分类在分割尺度100获得了最高分类精度(OA=85.55%;Kappa=0.86)。单独使用QuickBird遥感影像分割-分类在分割尺度150获得了最高分类精度(OA=81.11%;Kappa=0.82),单独使用Radarsat-2数据分割-分类在分割尺度125获得了最高分类精度(OA=66.67%;Kappa=0.68)。OA与ED3_(modified)高度相关(R~2=0.73)。【结论】在所有尺度(25~250)上,QuickBirdRadarsat-2协同使用的分割质量和分类精度高于单独使用其中一种数据源的分割质量和分类精度,相比单独使用Radarsat-2数据优势更加明显。分割尺度对面向对象树种分类结果有着重要影响。匹配良好的分割和参考对象能够得到更高精度的分类结果,同时,轻微的过度分割或分割不足不会明显影响分类结果。     

基于特征优选的面向对象毛竹林分布信息提取

【目的】提出一种基于Relief F特征优选的面向对象分类方法,为解决面向对象森林资源遥感分类提供参考。【方法】以SPOT5高分辨率遥感影像为数据源,以浙江省安吉县山川乡为研究区,通过影像分割,选取8个地物类别的370个对象样本,并设置SPOT5影像每个波段的8个灰度共生矩阵纹理、每个波段及NDVI的平均值和标准差等42个对象特征。利用Relief F算法对设置的42个对象特征进行优选,采用面向对象的最近邻方法提取研究区毛竹林分布信息。为了比较基于最优特征的面向对象的分类结果,另采用CART决策树方法在相同的分割参数和训练样本前提下,通过样本构建决策树分类规则,对研究区进行分类并提取竹林信息。【结果】1)通过Relief F特征优选方法对分类特征进行优选,大幅提高了毛竹林样本的分类精度,与特征优选前相比,毛竹林样本分类精度由68%提高到88%,优选的红波段均值、绿波段均值、红波段均质纹理、红波段熵纹理和NDVI植被指数均值5个特征能够精确地提取研究区毛竹林分布信息,其用户精度和生产者精度分别达到97%和95%;2)基于CART决策树面向对象的研究区毛竹林用户精度和生产者精度均低于基于最优特征的最近邻分类结果,主要原因是CART决策树中毛竹林、针叶林和阔叶林之间的误分相对较高。【结论】Relief F算法特征优选时注重特征的分类能力,筛选的特征参与面向对象分割提取的毛竹林分布信息高于同类研究,可为面向对象多尺度分割森林资源遥感分类时特征的选取提供一个更为科学合理的方法。     

基于K-T变换和主成分变换的植被信息提取

WorldView-2能够提供1个0.5 m全色波段和8个1.8 m分辨率的多光谱波段,为用户提供进行精确变化检测和制图的能力。本研究以深圳市植被为例,采用WorldView-2高分辨率遥感影像为数据源,进行缨帽变换及主成分分析处理,利用决策树分类模型进行提取。结果表明:WorldView-2影像经过缨帽变换及主成分分析处理后,能够明显增强影像的纹理信息,突出地物特征,并以各地物在经过缨帽变换及主成分分析处理之后的灰度值作为决策树分类的阈值,分类的总体精度、Kappa系数分别为89.26%、0.87,与以往的只利用波段的灰度值及植被指数等作为阈值相比,精度明显提高,方法也得到改善,得到了比较好的分类结果。     

联合LiDAR、高光谱数据及3D-CNN方法的树种分类

【目的】探究三维卷积神经网络（3D-CNN）在高光谱数据支持的树种分类中的有效网络构建方式，以提高树种分类精度。【方法】以美国加利福尼亚州内华达山脉南部为研究区，LiDAR数据获取的森林冠层高（CHM）进行单木分割并以此为补充建立样本，改进一种结构更简单、分类精度更高且无需对高光谱数据进行预处理的3D-CNN网络结构用于森林树种识别。【结果】相较于常规机器学习分类方法【支持向量机（SVM），随机森林（RF）】、传统二维卷积神经网络模型（2D-CNN）及最新多光谱分辨率三维卷积神经网络（MSR 3D-CNN）模型，本研究提出的3D-CNN模型对树种总体分类精度为99.79%，平均交并比（MIoU）为99.53%。与SVM和RF分类结果相比，本研究构建的3D-CNN模型总体分类精度提高5%左右，且具有对树种边界提取更加准确、椒盐现象更少发生的特点；与2D-CNN相比，总体分类精度提高10%左右，MIoU提高7%左右；与MSR 3D-CNN相比，总体精度相差不大，但在训练和测试过程中，本模型耗时远远小于MSR 3D-CNN模型。【结论】本研究改进的3D-CNN模型结构能够高效对原始高光谱影像...     

面向对象分类方法在森林采伐遥感监测中的应用

利用多尺度分割技术和面向对象分类方法对SPOT5遥感数据进行土地的分类及森林采伐信息提取。在面向对象的图像分析中,采用图像分割——基于规则的分类——基于分类的分割的多尺度分割方法,在综合最优分割尺度下,用最邻近分类器对SPOT5影像进行分类;采用两期图像特征比较,提取森林采伐区信息,并结合二类调查成果和伐区设计资料,使用交互式补充判读和修正。结果显示:研究区各地类的分类精度都在85%以上,对森林采伐图斑判读的加权综合正判率达到90.8%,其中皆伐图斑个数正判率92.8%,非皆伐图斑个数正判率83.3%。利用多期高分辨率遥感图像可以进行森林采伐监测,研究结果为提高森林采伐限额监测效率、采伐区识别准确度和面积估算精度提供了有效途径。     

综合应用多源遥感数据的面向对象土地覆盖分类方法

【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。     

基于高空间分辨率遥感数据建立典型地物分类数据库

典型地物数据库是通过计算机自动分类来识别地物信息的。然而传统的以中低空间分辨率遥感数据建立的典型地物数据库由于同物异谱,同谱异物,单一指标信息等原因无法很好地区分相近目标。因此本文利用WorldView数据为典型地物影像建立数据库,可以加大遥感影像中的信息量,同时拟采用非监督分类、聚类分析的方法,以及多种指标信息对地物进行分类(如纹理信息、光谱信息等),可显著地提高识别精度,有助于更加快速、精确的识别地物类型,从而实现对地物的分类,增强遥感图像的识别,提高最终的地物分类精度以及此实验的分类效率与工作效率的提高,有着十分重要的现实意义。     

Worldview-2树种分类T&N波段优势分析

分析遥感影像不同类型波段在树种分类中的表现,可为遥感数据光谱信息的深度挖掘提供基础信息。本研究以8波段Worldview-2影像为数据源,将光谱波段分为传统波段和新增波段两种类型,在室外调查的基础上利用最大似然法对树种进行分类,分析传统波段、新增波段及完整波段在树种识别中的精度差异。结果表明:传统波段对树种分类的总体精度(63.348 2%)不及新增波段的(67.669 6%)高,完整波段分类的总体精度最高(74.071 3%)。本研究表明,在树种识别中,Worldview-2新增波段比传统波段更具优势,两类波段的充分结合,更有利于树种的识别。     

基于多源数据的毛竹林信息自动提取

毛竹Phyllostachys edulis是重要的经济林种，快速准确地获取毛竹林的面积及郁闭度等信息可对毛竹林的高效经营管理提供巨大帮助。基于人工样地的森林资源调查耗时费力且效率低下，故利用遥感图像等较低成本的数据源估测大范围毛竹林的面积及其郁闭度等信息具有重要意义。本文以浙江省安吉县为研究区域，基于Sentinel-2中等分辨率遥感图像、数字高程模型（Digital Elevation Model,DEM）数据及森林资源二类调查数据，利用Cat Boost、随机森林（Random Forest,RF）、支持向量机（Support Vector Machine,SVM）三种算法，通过二分类方法估算毛竹林面积和多分类方法估算毛竹林郁闭度。结果表明：在估算毛竹林面积时，Cat Boost、RF、SVM的总体分类精度分别为97.75%、96.54%、95.05%,Kappa系数分别为0.96、0.93、0.90；在估算毛竹林郁闭度时，以上三种算法的总体分类精度分别为73.38%、73.49%、69.9%,Kappa系数分别为0.52、0.52、0.45。在本文研究数据中，0.7、0.8郁闭...     

基于多元遥感影像的森林资源管理方法

指出了森林资源管理过程中受到遥感影像获取方法的影响,造成森林资源管理总体分类精度较低的情况。为此,提出了基于多元遥感影像的森林资源管理方法设计:以多元遥感影像为基础,获取森林资源的相关数据信息;针对预处理后的遥感影像进行滤波处理和影像分割,利用分层提取方法提取出遥感影像中不同森林资源的特征信息;通过管理规则集的制定实现森林资源管理。为验证文中所提方法的使用效果,选取两种传统管理方法进行了对比实验,结果表明:文中设计的管理方法在森林资源的分类方面,平均精度相较两种传统方法分别提升了5.72%、7.93%。     

基于Sentinel-2A数据的森林覆盖变化研究

【目的】利用Sentinel-2A卫星重访周期短和波段信息丰富的特点,精确高效地获取森林覆盖变化信息,提高森林覆盖变化监测的时效性和精度。【方法】采用Sentienl-2A遥感影像作为数据源,以沅江市为研究对象,结合实地调查数据,选取地物训练样本,利用各地物的光谱指数特征和纹理特征来构建决策树模型进行地物分类,光谱指数包括NDVI、NDWI、NDBI和光谱反射曲线,纹理特征包括均值、方差、信息熵和对比度。对沅江市2016年8月1日和2017年5月18日的两期Sentinel-2A遥感影像数据进行地物分类,计算各地物面积并将两期分类结果中的森林覆盖区域提取出来,分析森林覆盖变化情况。【结果】1)利用光谱指数特征结合纹理特征构建决策树模型对沅江市进行地物分类,其地物总体分类精度为83.62%,Kappa系数为0.825 7,森林制图精度为84.28%,森林用户精度为82.43%,比最大似然法的总体分类精度提升了11.27%,Kappa系数提高了0.133,森林制图精度提高了10.59%,森林用户精度提高了9.58%。2)在2016年8月1日至2017年5月18日期间沅江市森林面积减少了771 hm~2,有854 hm~2森林变为耕地,589 hm~2森林变为芦苇地,412 hm~2森林变为建设用地,105 hm~2森林变为水体。另外,有636 hm~2耕地、257 hm~2芦苇地、243 hm~2建设用地和53 hm~2水体变为森林。【结论】基于Sentienl-2A遥感影像数据,利用光谱指数特征和纹理特征构建决策树模型进行分类,能够有效提升地物分类精度;同时能够提高森林覆盖变化监测的时效性和精度,较为准确地分析森林覆盖变化情况,可为洞庭湖流域地物分类和森林覆盖变化监测提供决策支持。     

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。     

基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。     

基于包络线去除法的森林树种及树种组分类

选择了毛竹Phyllostachys edulis,雷竹Ph. violascens ‘Prevernalis’,水竹Ph. heteroclada,杉木Cunninghamia lanceolata,马尾松Pinus massoniana,常绿阔叶树(冬青Ilex chinensis,青冈Quercus glauca,石楠Photinia serrulata,茶Camellia sinensis)和落叶阔叶树(山核桃Carya cathayensis,栗Castanea mollissima,白栎Quercus fabri,枫香树QLiquidambar formosana,桑Morus alba,桃Amygdalus persica)5个森林树种及2个树种组,使用包络线去除法对去除非林地的高光谱遥感图像像元亮度值进行处理,增强像元亮度值的差异,选择差异性较大的特征波段进行组合降维,然后利用野外实地调查的样地作为分类训练样本进行分类,最后用位置精度评价对原始分类图与包络线去除法分类图进行精度评价及分析比较。结果表明,包络线去除法的总体分类精度与总体Kappa系数分别为90.5%与0.86,而原始图像分类的总体分类精度与总体Kappa系数分别为80.2%与0.78。本文使用包络线去除法把此5个森林树种及2个树种组有效地区分出来,从而为利用高光谱遥感图像数据进行特征提取和降维及分类提供理论支撑与参考,也可应用于林业调查、林地变更调查、各类树种及树种组分类等领域。     

基于无人机航测数据的森林郁闭度和蓄积量估测

蓄积量是评价森林资源质量或状况的重要指标,为了解决实测郁闭度和蓄积量费时费力以及无法充分利用航测原始数据生成各项数据的问题,以无人机航测数据的点云数据和正射影像为研究数据,利用冠层高度模型提取高程,通过一元线性回归分析估测平均树高和平均胸径模型;使用改进形态学分水岭方法提取树冠个数;通过主成分回归建立郁闭度模型;结合提取与估测的GIS因子,用偏最小二乘法建立蓄积量模型。结果表明:平均树高模型精度为97.34%、平均胸径模型精度为91.27%,改进分水岭提取树冠精度为80.03%,郁闭度模型精度为83.18%,蓄积量模型精度可达88.43%。蓄积量模型的所有特征因子均是通过遥感方法从无人机原始航测数据中提取而来,充分利用了无人机航测数据。实验建立的树高、胸径和郁闭度模型可以有效地估测森林平均树高、胸径及郁闭度,改进后的分水岭算法减少了过分割,蓄积量模型能够有效估测蓄积量,提高了蓄积量提取效率,节省了大量的人力物力。     

基于多核极限学习机的遥感影像林地信息提取

高光谱遥感影像包含了大量的波段信息,能够很好地应用于地物的识别。基于单核的高光谱遥感影像极限学习机分类模型,因其实施简单、分类精度高、训练时间短,已被广泛地应用于高光谱遥感影像识别。但是核特征的选取,以及单核特征表达的单一性,限制了模型分类精度的进一步提高。为了解决此问题,受多核极限学习机(MK-ELM)思想的启发,首先使用核方法,提取了遥感影像的多核特征表达;然后利用多核极限学习机理论,同时优化极限学习机结构参数以及多核特征融合系数,获得最优的分类模型。为了说明MK-ELM的有效性,在Indian pines数据集上做了对比实验,该实验证明基于多核极限学习机遥感影像分类模型的分类精度较单核极限学习机有明显地提高,MK-ELM的分类整体精度为80.2%,Kappa系数高达78%;同时将多核极限学习机应用到芷江林场的林地信息提取,其分类精度高达89.1%,Kappa系数达86%。     

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。