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。      

基于面向对象的资源3号遥感影像森林分类研究

森林类型识别技术是遥感分类中的重点和难点,采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源3号遥感影像可为森林类型提取提供新方向。以资源3号遥感影像作为基础研究数据,采用面向对象的分类方法,选择分形网络演化法进行多尺度分层分割,并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数,构建了适用于森林类型提取的决策树模型,并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明:多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法,分类精度分别提高了6.1%和12.5%。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。     

基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法

及时、准确地掌握水稻空间分布和种植面积信息对预测水稻产量、指导农业生产等农业活动起着重要作用。遥感技术因其快速、综合等优势,而被广泛应用于农作物识别领域。以沈阳市为研究区域,选取沈阳农业大学道南、辽中和沈北新区作为粳稻种植代表区域获取CART算法的训练样本,并结合粳稻移栽期的NDVI、EVI、LSWI数据,训练作物分割阈值,构建决策树初步提取出研究区粳稻空间分布信息。为进一步去除上述提取区域的其他地物信息,构建粳稻抽穗期和成熟期的植被指数、纹理、ISODATA非监督分类数据及其原始波谱特征的多特征数据集,利用BP神经网络对多组不同特征综合数据集进行粳稻分类提取,得到对分类精度贡献较大的特征和最佳分类数据集,并分别利用最大似然和BP神经网络分类法,结合决策树分类结果和实地样本数据,对最佳分类数据集进行分类结果对比和精度验证。结果表明:采用CART决策树和BP神经网络相结合的方法可以获得较高的分类精度,总体精度为89.1%,Kappa系数达到0.881。利用作物关键物候期中等分辨率影像,结合多时相波谱特征和植被指数,采用CART决策树和BP神经网络相结合的分类法能有效提高粳稻的分类精度,为...     

基于决策树的土地利用分类方法研究

以新疆乌鲁木齐市部分区域为研究区,利用主成分分析法对Spot-5影像进行数据压缩,运用灰度共生矩阵对第一主成份进行纹理信息提取,分析Landsat-7影像的光谱特征值及NDVI和NDBI特征值,确定各类地物的综合阈值,最后运用决策树分类法对Landsat-7影像进行分类.将分类结果与最大然法分类结果相比较,结果表明,决策数分类较最大似然法分类的精度提高了5.66; ,Kappa 系数提高了7.89; .说明决策树分类能够灵活、有效运用纹理等辅助信息,更好地区分光谱特征相似的目标地物,具有更高的准确性.     

基于HJ-1星CCD数据的面向对象人工表面信息提取研究——以陕西关中平原为例

以2010年HJ-1号卫星CCD数据为主要数据源,采用面向对象分类方法,提取关中平原人工表面信息。在eCognition软件平台的支持下,综合影像光谱信息、纹理、形状和地理空间关系等特征参数,并添加DEM、Slope、TM数据、样本点数据以及特征指数等辅助信息,依据决策树分类思想,进行多尺度分割逐级提取地物类型。结果表明：利用HJ-1号卫星数据提取区域人工表面信息是可行的,采用面向对象的计算机自动分类方法提取人工表面信息的效率明显提高,且精度达到85.90%。     

面向对象的最优分割尺度下多层次森林植被分类

对福建省将乐国有林场地物进行分析,结合QuickBird高分辨率影像及其重采样低分辨率影像进行多层次分割,同时结合ESP分割尺度评价工具获取最优分割尺度参数,以实现影像地物最佳分割效果。对不同分割层次下对象光谱特征、纹理特征等进行提取,应用专家知识及统计特征选取影像对象特征和确定阈值,实现研究区域森林地物及树种的分类。对森林植被等分类总精度达到80．53％。     

基于GF-2遥感影像的塑料大棚提取方法对比

为实现GF-2遥感影像在农业领域的有效利用,针对GF-2遥感影像提取塑料大棚,对比分析随机森林、CART决策树及支持向量机3种分类方法的应用,以GF-2遥感影像为数据源,以内蒙古赤峰市喀喇沁旗王爷府镇为研究区,通过潜在分割误差(PSE)、分割强度(NSR)、欧氏距离(ED)3个指标确定最优分割参数组合,利用随机森林(RF)算法筛选出参与分类的最优特征子集,采用随机森林、CART决策树、支持向量机3种分类器进行了塑料大棚提取对比分析。试验结果表明:1)基于PSE、NSR和ED最优分割参数选择方法,应用于面向对象连片塑料大棚特定地物提取的研究分割效果较好;2)通过RF算法分析包含光谱、纹理、形状及相邻关系等多种特征,得出特征个数与分类精度之间呈现先逐渐增大后减小的趋势,该方法在保证分类精度的同时,可有效删除冗余与不相关特征,以提高分类器性能;3)将采用最优特征子集的3种分类器进行对比,随机森林分类效果最好,分类正确率达到89.65%,表明该方法能有效提取GF-2遥感影像连片塑料大棚,为提取设施农业的应用提供参考。     

基于水稻特征波段的决策树分类研究

以滁州市为例,结合水稻物候的特征波段,选用反映水稻物候期时相的TM数据,并基于多特征波段,构建CART决策树分类提取水稻种植面积。结果表明,植被指数、湿度因子、绿度因子、纹理特征等多特征参与CART决策树分类能够提高总体精度。基于光谱信息、植被指数和纹理特征的决策树分类的总精度比以最大似然法进行的监督分类方法提高了6.942 1百分点,Kappa系数提高了0.110 4。合理选用作物物候期数据及其遥感影像的特征波段能够有效降低分类误差,为地形复杂地区获取作物种植面积提新的方法。     

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。      

依据季相特征GF-2影像的植被分类

以国产GF-2卫星影像对北京市鹫峰国家森林公园主要植被类型进行面向对象分类,通过光谱、纹理、植被指数、季相特征属性的筛选并建立规则集,采用3种分类方法(四季时相知识规则结合CART决策树、四季时相的最邻近法、单季时相的最邻近法)进行植被类型分类。结果显示:3种分类方法的总体分类精度分别为85.6%、79.0%、60.1%。充分证明了在植被类型较复杂的区域内,利用GF-2影像多季时相特征,采用分层逐步分类法与多种分类方法相结合能够提高植被类型的分类精度,为国产高分遥感影像在森林资源监测与管理上的应用提供了技术支持。     

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。     

基于纹理特征的Spot绿地信息提取研究

城市绿地信息是城市园林(生态、城市)规划的重要信息,地物的几何结构和纹理信息更加明显的高分辨影像为获取更详细的绿地信息提供了可能。本文采用Spot卫星影像,以福建省泉州市鲤城区为例,借助Matlab和ERDAS图像处理软件,在详细分析研究区绿地不同类别纹理差异的基础上,利用统计和小波分析的方法提取绿地纹理特征,并将其引入基于光谱分类的最大似然法进行绿地信息的提取分类,相比直接用面向象元的监督分类的分类结果,其分类总精度由原来的76.5%提高到了80.2%,Kappa系数由原来的0.7023,提高到了0.7484,而且绿地类别被更详细地分成了一般绿地,农田,自然林地。不同绿地类别的分类精度明显提高,表明纹理特征在遥感绿地信息提取方面的有效性和本研究方法的可行性。本文是根据研究区特点,引入纹理特征提高绿地信息提取分类精度方法的探讨,更广泛的应用和精度的提高有待于进一步的完善研究。     

面向对象多层次多尺度分割的农用大棚类型信息提取

为对不同农用大棚类型信息进行识别分类和精细化提取,以内蒙古河套灌区不同大棚类型为研究对象,基于Sentinel-2A卫星数据,采用面向对象结合多层多尺度分割技术和阈值分类方法,对大棚类型信息进行提取并对最终提取结果展开精度评价和分析研究。首先利用尺度参数估计（Estimation of Scale Parameter2, ESP2）方法进行了分层分割并优选出最佳分割尺度,在各层最优分割尺度上进行光谱、指数、几何、纹理等特征的提取与优化,获取最优特征组合;然后运用多层多尺度分割阈值分类方法提取不同大棚类型信息。结果表明不同大棚类型信息总体精度达94.8%,kappa系数达0.93。其中：塑料大棚的制图精度和用户精度分别为95.3%和96.6%;单屋面温室大棚制图精度和用户精度分别为88.5%和92.6%。基于多层多尺度分割分类的信息提取方法分别考虑了不同地物最优分割尺度,在不同地物各自的最优分割尺度上提取其信息,以抑制过度分割或亚分割现象,从而降低错分或漏分。因此,高分辨率卫星数据与面向对象多层多尺度分割分类的信息提取方法能够有效提高大棚类型信息提取精度,且能为地物信息精细提取技术体系提供一定参考思路。     

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。      

基于光谱特征的决策树分类方法研究——以昆明市东北部地区为例

以昆明市东北部地区的TM影像为材料,通过分析主要地物的光谱特征,进行波段间的相互运算,建立相应的决策树模型,对地物进行分类,并对分类结果进行精度评价。结果表明:决策树分类法的总体精度为77.0%,比传统的分类方法如最大似然法提高了6.3%,能有效地提高影像的分类精度。     

高分六号遥感数据在有林地识别中的应用

精准农业观测卫星-高分六号卫星(GF6)增加了4个特殊波段,更加有效地反映了植被特有的光谱特性,为植被应用研究提供更为详细的地物光谱信息。为了分析GF6数据在植被识别能力上的优越性,比较了GF6号新增波段(红边1、红边2、黄边、紫边波段)和高分数据传统波段对有林地识别精度的影响。结果表明:GF6新增波段对有林地快速识别的精度达到97.67%,Kappa系数为0.95,比GF数据4波段对有林地的识别精度提高了3.35%,Kappa系数提高了0.08。CART自适应特征和阈值选择决策树算法比人工决策树分类算法对有林地识别精度有显著增加,精度由88.81%提高到97.67%,Kappa系数由0.78提高到0.95。GF6数据新增特殊波段结合CART自适应特征和阈值决策树算法对有林地具有快速优越的识别能力。     

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。     

遥感图像监督分类与面向对象分类法对比研究

最近几年,随着空间遥感技术的发展,高分辨率遥感影像在土地资源调查、环境监测等领域中的应用日益广泛。利用传统的遥感影像分类方法,如监督分类,容易导致分类精度降低,空间数据大量冗余和资源的浪费。面向对象的分类方法正是为了解决这些问题而出现,面向对象的方法利用遥感影像结构、光谱信息,并在建立这些特征之间的层次关系的基础上,对遥感影像进行分类。利用杭州市西湖区域2014年10月份的数据,基于ENVI5.0对高分辨率影像进行地物特征的信息提取,利用监督分类和面向对象技术首先对该区域信息进行分类,然后再对分类结果进行对比分析研究。结果表明,面向对象分类方法在此数据城市绿地信息提取中精度优于监督分类。     

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。     

C5.0决策树Hyperion影像森林类型精细分类方法

以吉林省白河林业局为中心研究区,利用星载高光谱Hyperion数据并结合其他辅助数据,综合利用影像光谱特征、纹理特征、地形特征、典型地类和主要森林类型外业调查样本数据,探究针对C5.0决策树算法的高光谱影像土地覆盖类型多层次信息提取与森林类型识别的有效方法。在分析典型地物光谱特征的基础上,优选8种纹理特征,引入主成分分量及与主要森林类型空间分布相关的敏感地形因子,采用分层分类的策略,根据光谱特征将地类划分层次,在层次间建立基于C5.0决策树算法的决策树模型,对研究区的地类进行细分。为便于对比,以相同的策略采用支持向量机（SVM）分类器进行分类。最后,结合野外采集样本并参考高分辨率影像,采用分层随机抽样的独立检验样本对森林类型精细识别结果进行精度验证。结果表明:C5.0决策树算法可综合利用高光谱影像的光谱、纹理及其他辅助数据,自动寻找出区分各类别的最佳特征变量及分割阈值,运算速度快,占用内存较小且无需人为参与,其分类精度达到优势树种级别,总体分类精度达81.9%,Kappa系数0.709 8。