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。     

基于语义相关的面向对象林地信息提取

基于地物间的语义相关关系,结合面向对象的影像分析技术,提出了适用于高分辨率影像的林地信息提取方法,包括影像分割和林地信息提取2大步骤;并以福州市2003年6月成像的IKONOS卫星影像数据为例进行了林地信息提取实验。结果表明:①通过模糊和最近邻2种分类技术分别完成植被、林地信息的提取,提高了提取过程的合理性;②以面向对象的方式进行信息提取,不仅能避免细节信息的干扰,还能利用影像的纹理信息,这相当于对影像数据进行了优化,提取结果的精度和完整性均得到了提高。     

基于多尺度分割技术的高分辨率影像信息提取方法分析

为了提高高分辨率遥感数据的应用价值,通过采用影像分割和多尺度分割最优尺度确定等方法,开展了从高分辨率遥感影像中提取地物信息技术的研究.结果 表明:水体、植被、居住用地、道路和裸地最大面积分割尺度参数分别为200、180、80、120和100时,提取的地物信息比较准确,可以在生产实践中应用.     

Landsat8时间序列影像支持下的农田防护林提取方法研究

【目的】农田防护林空间分布是三北防护林生态工程监测的重要内容之一。传统的人工调查方式获取农田防护林费时耗力,效率较低,遥感技术可以弥补传统人工调查的不足。现有农田防护林空间分布研究中,基于单期高分辨率遥感影像可以较好提取植被信息,但是不能很好的解决影像中一些地类存在的同谱异物和同物异谱现象。利用中等分辨率遥感影像进行农田防护林信息提取也仅限于利用光谱信息、形状指数等进行决策树分类,且精度受限。鉴于此,依托中低分辨率遥感影像的农田防护林提取方法有待研究。【方法】选择甘肃省张掖市甘州区为研究区,选取2017年4个季度9期Landsat8 OLI时间序列数据为农田防护林信息提取的数据源,在进行辐射定标和大气校正的基础上,基于分层分类的思想,融入植被物候特征、水体和植被指数,利用时间序列遥感影像以及多特征分类指标,逐步提取并掩膜研究区内其他地物,最终实现农田防护林的提取。利用野外样点调查结果和甘州区土地利用数据库对信息提取结果进行精度评价。【结果】该方法分类总体精度为85.93%,kappa系数为0.79,其中野外调查记录的33个农田防护林样点中29个被正确提取,精度达到87.8%。【结论】时间序列遥感数据能有效提取植被的物候参数。基于多时序、多特征分层分类方法能有效提取农田防护林的空间分布信息,降低了同谱异物和同物异谱现象对农田防护林信息提取的干扰。说明利用时间序列遥感影像结合多种特征分类指标的分层分类方法开展甘州区的农田防护林提取是可行的。     

基于低密度机载LiDAR和CCD数据的林分平均高提取

本文基于低密度的机载激光雷达(L iDAR)数据生成林区树冠高度模型(CHM),结合高分辨率CCD数码相机影像勾绘林分多边形,由改进的树冠识别算法提取林分平均树高。结果表明:全部有效数据林分总体精度达74.86%,刺槐精度达75.62%,油松精度达74.74%,结果受点云密度影响,使得阔叶树种的精度稍高于针叶树种,因此,低密度激光雷达数据结合高分辨率CCD可以快速、准确地提取林分平均高。     

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。     

基于CART决策树方法的遥感影像分类

以云南省香格里拉县为研究区域,构建一种基于CART遥感影像的决策树分类方法.对遥感影像采用主成分提取、植被信息提取、纹理信息提取等方法,并结合试验区主要地物类型训练样本,采用Landsat 5 TM影像数据、DEM数据以及遥感处理软件ENVI为平台进行影像分类,并将结果与最大似然分类结果作比较.结果表明,基于CART遥感影像决策树分类精度优于最大似然分类,有较好的分类效果.     

无人机RGB影像中人工林单木位置的提取

从无人机RGB影像中提取单木位置时,由于树冠与非树冠植被的颜色相似,以及树冠之间存在粘连的问题,导致单木位置提取精度不高.针对这些问题,提出一种结合冠层高度模型(CHM)和形态学细化算法的人工林单木位置提取方法.首先根据无人机RGB影像生成数字正射影像(DOM)、数字高程模型(DEM)、数字表面模型(DSM),利用可见...     

多源遥感信息提取桉树人工林

针对桉树人工林在遥感影像上与自然林光谱差异小难以区分的问题,研究选取Quickbird,Landsat 8,数字高程模型(DEM)等多源遥感数据,利用决策树加面向对象的分类方法提取桉树林。在多时相Landsat 8提取兴趣区域(ROI)基础上,利用最优尺度(ESP)工具计算研究区最优分割尺度进行分割,然后在高分辨率遥感影像上进行灰度共生矩阵分析,选取最佳纹理参量,最后结合光谱、DEM、SLOPE信息,选择相应参数构建分类决策树,利用面向对象方法提取桉树林。最后对桉树提取结果进行精度评价,使用该方法与用Quickbird、利用TM提取精度分别为89.7%,83.1%,69.8%。表明本方法能够综合多源遥感信息,可以快速、较高精度地提取桉树人工林,具有一定的应用价值。     

基于高光谱和激光雷达数据的林分类型识别

【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。     

基于高分辨率航空遥感影像的林分因子智能识别技术研究

森林资源监测的数字化和智能化是未来发展的主要趋势。基于高分辨率航空、多光谱遥感数据和数字地表模型(DSM)等数据,利用计算机深度学习方法,研究乔木林小班的郁闭度、平均树高、总株数3项主要林分调查因子的数字化智能提取方法。结果表明,郁闭度判读的平均准确率可达到98.6%;平均树高判读的平均准确率可达到90%;株数判读的平均准确率可达到82.36%。     

基于Landsat 8影像的西双版纳森林覆盖信息提取研究

以Landsat 8影像为数据源,在综合分析典型地物光谱、纹理和空间分布等特征的基础上,利用归一化湿度指数(NDMI)、纹理、地形等多源数据,构建了基于决策树规则的西双版纳森林覆盖信息提取模型。验证结果表明,该模型的总体精度达99.08%,与传统的监督分类相比(96.08%)提高了3个百分点。     

基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别

为了提高松材线虫病树的监测效率,减少其对林业生产造成的损失,提出一种基于多特征提取与注意力机制深度学习的高分辨率影像松材线虫病树识别方法.该方法首先在高分辨率遥感影像上提取松材线虫病树的光谱特征、空间特征等多特征,然后进行Relief特征选择算法,取特征权重前8个特征进行病树识别,发现选择差值植被指数DVI(diffe...     

基于ASD与Hyperion高光谱数据的主要针叶树种分类研究

以云南省香格里拉市为研究区,对ASD光谱仪实测的4种针叶树种光谱数据采用包络线去除法、光谱一阶微分法和光谱二阶微分法3种波段选择方法得到Hyperion高光谱影像数据的分类特征波段,采用最大似然法、支持向量机2种分类方法对所选的特征波段开展树种识别分类,对原始影像采用光谱角填图分类方法作对比实验。结果表明,基于ASD数据的光谱一阶波段选择方案的支持向量机分类方法精度最高,总体分类精度为81.95%,Kappa系数为0.725 1。采用ASD实测光谱数据能有效指导Hyperion进行树种分类,基于数据尺度和换算方式,一阶微分更适合特征波段选择;与传统的数理统计分类方法和光谱特征分类方法相比,基于机器学习的方法如支持向量机等在高光谱遥感分类中具有更大的应用潜力。     

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。     

高光谱数据森林类型统计模式识别方法比较评价

在我国东北地区获取EO-1 Hyperion高光谱数据,以高空间分辨率的全色SPOT-5数据及其影像分割结果为辅助,通过外业测量获取真实可靠的森林类型空间分布数据.以这些数据为地面实状数据,对现代先进的统计模式识别方法用于森林类型识别的效果进行比较评价,总结可以有效解决有限样本条件下高光谱分类问题的基于统计模式识别的森林类型分类技术方案.评价结果表明:对高光谱数据进行降维处理,并采用更加有效的二阶统计量估计方法,进而应用将空间上下文信息和光谱信息相结合的分类算法,如ECHO,可以有效提高高光谱数据森林类型的识别精度.     

甘肃民勤县荒漠化区未利用地的遥感分类研究

以荒漠化土地典型分布区甘肃省民勤县为研究对象,以30 m的Landsat TM5与TM7遥感影像为主要数据源,在分析不同典型地物光谱特征的基础上,建立基于专家知识的决策树分类模型,利用该模型对荒漠化区的戈壁、沙地、沙漠、风蚀劣地等未利用土地进行细分,总体分类精度达到87.06%。决策树分类法总体效果较好,为荒漠化区土地管理以及再利用提供了技术支撑。     

多极化星载SAR森林覆盖变化检测方法

【目的】利用多极化星载SAR数据,分析后向散射强度比值影像的概率密度分布特征,融合后向散射强度信息和影像空间上下文信息,提出一种具有较高检测正确率及较低虚警率和漏警率的森林覆盖变化检测方法,为多极化SAR卫星数据的业务化应用提供技术支撑。【方法】将"2期分别分类森林覆盖变化检测法"(CBFC)与"贝叶斯最大期望-马尔科夫随机场(EM-MRF)变化检测法"相结合,首先采用阈值分割法分别对2期多极化SAR影像进行森林-非森林分类得到初始森林覆盖变化图,然后以初始森林覆盖变化图作为训练数据对多极化比值影像进行Fisher特征变换和EM-MRF分类处理,2个时相的HH、HV极化比值影像经Fisher特征变换转化为一个综合差异影像,输入EM-MRF进行迭代分类得到森林覆盖变化检测结果。以黑龙江省逊克县为试验区,以2期ALOSPALSAR双极化数据为SAR遥感数据,以对2期Landsat-5影像、高空间分辨率遥感影像进行目视解译得到的森林覆盖变化图为参考,对本研究提出方法的有效性与CBFC方法及直接用CBFC提取的森林覆盖变化检测图掩膜EM-MRF地表覆盖变化检测图方法(CBFC-EM-MRF)进行比较评价。【结果】通过Fisher特征变换得到的差异影像可有效增强森林覆盖变化、未变化类别的对比度;CBFC通过阈值分割法进行森林-非森林分类,提取的森林覆盖变化图中出现很多面积很小的虚警检测,漏警率也很高,而本研究提出方法通过MRF加入影像空间上下文信息,提高了检测结果的空间连贯性,森林覆盖变化检测虚警率为1.58%,漏警率为11.87%,正确率为98.36%,检测效果和精度明显优于CBFC和CBFC-EM-MRF。【结论】多极化星载SAR森林覆盖变化检测方法具有收敛性好、检测结果可信度高、需要用户交互较少等特点,对我国高分三号及未来其他多极化SAR卫星的森林资源监测业务应用具有重要参考价值。