基于超高空间分辩率无人机影像的面向对象土地利用分类方法

为明确基于无人机超高空间分辨率影像的土地利用分类方法,尤其是有效特征和算法的选择,该研究获取吉林省德惠市一农耕区超高分无人机影像,获取区域正射影像图和数字表面模型,计算地形指标,采用面向对象方法进行土地利用分类研究。首先,采用随机森林算法,以光谱特征为基础,依次引入指数、形态、地形、纹理特征,建立5种特征选择方案,分析各类特征对分类效果的影响。其次,以Boruta特征选择算法获取的优化特征集为基础,采用随机森林算法、朴素贝叶斯算法、逻辑回归算法和支持向量机算法分类,分析不同算法的分类效果。结果表明:采用5种特征选择方案分类,引入形态特征时总体精度降低,引入其他特征时总体精度逐渐提高。5种特征共同参与的分类效果最佳,总体精度为98.04%,Kappa系数为0.980。错分主要发生在裸地和宅基地,漏分主要发生在草地、裸地、水渠和道路。错分和漏分主要是因为这几种类型对象具有相似的光谱、形态、纹理特征或相似的分布位置。采用优化特征集分类时,相比其他算法,随机森林算法更擅长处理高维特征集,获得最高的总体精度98.19%,最低的错分和漏分误差,分类效果最佳。借助无人机超高空间分辨率影像提取地形信息、形态信息,可以有效辅助土地利用分类,并能提高传统分类方法精度。     

基于无人机可见光影像与OBIA-RF算法的城市不透水面提取

不透水面是一种重要的城市地物类型,及时准确地获取城市不透水面信息对城市的合理规划、生态环境保护及可持续发展具有重要意义。低空无人机（Unmanned Aerial Vehicle,UAV）作为新型的遥感平台,具有操作灵活、时空分辨率高、受云雾影响小等优点,为中小尺度城市不透水面遥感监测提供了新的技术手段。以无人机可见光影像作为数据源,通过使用面向对象与随机森林算法相结合的方法开展对城市不透水面信息提取研究。首先,根据最佳尺度对影像进行分割并提取分割对象的不同特征,以光谱特征为基础,分别引入指数与地形特征建立方案S1～S4,以光谱、指数和地形特征为基础,分别加入纹理与几何特征构建方案S5～S7,以此来分析不同类型特征对不透水面提取效果的影响;同时,基于优选特征子集（13个）构建方案S8,基于上述8种方案,利用随机森林（Random Forest,RF）算法进行分类并确定最佳方案。然后,通过比较随机森林、支持向量机（Support Vector Machine,SVM）和 K-最邻近法（K-Nearest Neighbors,KNN）算法在最佳方案的特征子集下的分类效果,评价随机森林算法对于不透水面的分类性能。结果表明：地形特征中的归一化数字表面模型（normalized Digital Surface Model,nDSM）对不透水面提取精度的提升作用最大,多个方案通过引入nDSM后分类精度均有较大幅度的提升（22.49～39.67个百分点）;基于特征优选子集的S8方案分类精度最高,其总体精度达96.18%,Kappa系数为0.95,可见特征优选能够将高维度特征进行降维和优化,大幅减少特征数的同时还能一定程度提高分类效果;随机森林算法在最优特征子集下的分类效果优于SVM与KNN,总体精度比二者分别提升了1.35和14.18个百分点。可见面向对象和随机森林相结合的方法可有效开展城市不透水面精细化提取。该研究为基于无人机可见光影像的不透水面提取提供了一种新方法,也可为城市其他类别地物监测提供技术参考。     

基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类

针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计算方法;最后进行基于纹理特征的面向对象分类识别与精度评价,并与基于原始数据的面向对象分类结果进行对比。研究表明:Gist纹理特征使分类精度有了一定的提高,基于纹理数据的面向对象支持向量机(support vector machine,SVM)分类及面向对象K邻近法(K-nearest neighbor,KNN)分类的总体分类精度(overall accuracy,OA)分别比基于原始数据的2种方法分类精度提高3.67和3.33个百分点,基于纹理的面向对象SVM方法具有最高的精度,OA达到85.67%。不管是基于原始数据还是纹理数据,面向对象分类精度远高于最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MDC)和SVM分类精度,且面向对象分类方法对纹理数据更为敏感。该文提出的基于纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。     

面向对象的土地利用/覆盖遥感分类方法与流程应用

为了进一步提高干旱/半干旱地区土地利用/覆盖分类精度,该文以新疆石河子垦区为研究区,利用NDVI时间序列分析的方法确定了土地利用/覆盖遥感分类最佳时相组合;采用最佳指数因子OIF对参与图像分割的谱段进行选择;选择不同分割参数建立4级分割层次,构建了不同尺度的分类对象;针对其不同特点,分别选择基于知识的模糊分类和基于样本的监督分类方法;建立了面向对象的土地利用/覆盖遥感分类流程。采用地面实测数据对分类效果进行评估,与基于像元的分类方法相比,该文方法能够获取更高的分类精度,可为同类的研究与应用提供借鉴。     

基于GF-1影像的东江流域面向对象土地利用分类

针对东江流域地物斑块破碎、湖泊河流众多等因素影响其地物分类精度的问题,该文以GF-1遥感影像为数据源,采用面向对象的分类方法,结合模糊分类和CART决策树分类法获取研究区土地利用分类信息。根据近红外波段均值的模糊范围(480~2 200)选择模糊小于隶属函数对水体与非水体进行区分,近红外波段均值小于480确定为水体,大于2 200确定为非水体;在水体类别中,采用长宽比指数模糊范围(1.53~4.32)调用模糊大于函数对河流与水库进行了区分,长宽比指数小于1.53确定为水库,大于4.32确定为河流;在非水体类别中,采用归一化植被指数NDVI(normalized difference vegetation index)特征值模糊范围(0.21~0.62)调用模糊大于函数区分植被与非植被,NDVI指数小于0.21确定为非植被,大于0.62确定为植被,最后采用面向对象的CART决策树分类法分出河流、水库、园地、林地、耕地、灌草地、未利用地、建设用地。与极大似然分类法、非监督分类法应用到GF-1遥感影像相比,基于面向对象的CART决策树分类方法的效果最好,总体分类精度高达93.27%,Kappa系数高达0.92。该方法可以作为东江流域获取较高土地利用信息的有效方法,为研究流域生态环境变化提供更准确的数据支持。     

无人机遥感影像面向对象分类方法估算市域水稻面积

针对如何高效地从无人机遥感影像中提取农作物样方数据,用于农作物面积遥感估算,该文以浙江省平湖市为例,利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。然后,与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。研究结果表明:1)利用面向对象分类方法对无人机影像进行分类,总体分类精度达到93%以上,满足构建样本的要求;2)通过区域作物估算对比分析发现,面向对象分类方法对无人机影像进行水稻识别,构建平湖市单季晚稻的样方数据,能够替代人工目视解译样方准确推断区域作物种植面积,有效地提高了无人机影像在遥感面积估算中的应用效率。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

基于无人机影像和深度学习的渭北旱塬区土地利用精准分类

为明确基于无人机影像的旱塬区土地利用精准分类方法,尤其是算法的选择,该研究通过获取渭北旱塬区白水县通积村不同航拍高度无人机正射遥感影像,利用多种深度学习算法和机器学习算法对土地利用分类进行研究。首先,采用大疆御2Pro获取研究区80和160 m不同高度航拍影像;然后对不同航拍高度目视解译结果和多种深度学习、机器学习模型预测结果进行对比分析;最后,基于表现最佳算法对其进行创新和改进。结果表明：深度学习算法的表现远远优于传统机器学习算法,其中深度学习算法中表现最好的DeepLabv3+像素精度为90.06%,比随机森林（Random Forest,RF）和支持向量机（Support Vector Machine,SVM）分别高出24.65和21.32个百分点。基于DeepLabv3+改进的DeepLabv3+＿BA模型整体分类效果最好,其像素精度为91.37%,比FCN、SegNet、UNet和DeepLabv3+分别高出7.43、10.12、2.27和1.31个百分点。各种算法在160 m数据集上各指标精度高于80 m。改进模型DeepLabv3+＿BA具有较高的地物分类精度及较强的鲁棒...     

基于高分影像特征优选的黄土高原撂荒耕地遥感监测方法

快速、准确地监测撂荒耕地对研究土地利用变化、保障国家粮食安全和制定农业政策有着重要意义,黄土高原地区复杂地貌和耕地破碎性对监测撂荒耕地颇具挑战性。该研究以国产高分卫星遥感影像为主要数据源,使用耦合遗传算法的离散二进制粒子群算法改进最佳指数因子法优选分类特征因子,采用随机森林分类和分类后变化检测方法,获得试验区2011—2022年撂荒耕地时空分布信息,通过影像目视判读和实地调查相结合的方式进行结果验证和精度评价,结果表明：1）经重要性评估发现NDVI平均精度减少（mean decrease accuracy,MDA）得分最高,经改进的优选特征方法优选特征为：绿波段、红波段、近红外波段、蓝绿波段比值指数、坡度、NDVI、方差、对比度,特征优选有效提高了高分影像的土地利用分类精度和效率;2）国产高分卫星数据可实现地块尺度撂荒耕地的精准识别,经验证,撂荒耕地识别总体精度达到92.48%;3）2011—2022年间研究区撂荒耕地总面积为5492.51 hm²,2011—2014年撂荒率最大,达21.09%,2020—2022年撂荒率最小,为0.99%。该研究构建了黄土高原地区地块尺度撂荒耕地遥感监测的方法,并进行验证和评价,对推动撂荒耕地相关研究和国产高分卫星数据的实践应用具有积极意义。     

基于混沌免疫算法和遥感影像的土地利用分类

为提高利用遥感影像进行土地利用分类的精度，采用了基于混沌免疫算法(Chaos Immune Algorithm)的多光谱遥感影像分类方法。首先应用混沌免疫算法对样本进行自学习得到全局最优的聚类中心，然后通过得到的聚类中心对整幅影像进行分类。该方法利用混沌变量的遍历性，进行粗粒搜索，优化免疫算法的初始抗体群；通过克隆选择算子、变异算子、抗体的循环补充操作，避免陷入局部最优解，得到全局最优的聚类中心。在对淮南矿区采用TM影像进行的土地利用分类中，试验结果表明该方法分类总精度为89.9％，Kappa系数为0.8     

基于无人机影像的农情遥感监测应用

该文以中国农业科学院（万庄）农业高新技术产业园及周边地区4.2×3.1 km的范围为研究区域,利用无人机搭载RICOH GXR A12型相机进行了航拍试验,主要测试了定位定向系统（positioning and orientation system,POS）数据辅助下光束法区域网平差方法平面定位及面积测量精度,以及无人机影像的作物面积识别精度。结果表明,在无控制点约束条件下,直接采用POS数据进行光束法区域网平差后,以中误差表示的平面定位精度为X轴方向（东西方向）中误差为2.29 m,Y轴方向（南北方向）中误差为2.78 m,整体平面中误差3.61 m;采用3阶一般多项式模型进行几何精校正,X轴方向中误差为1.59 m,Y轴方向中误差为1.8965 m,整体平面中误差为2.32 m,符合《数字航空摄影测量空中三角测量规范》中对1∶10 000平地的平面精度要求,能够满足农作物面积遥感监测中作物面积调查定位精度的要求;采用监督分类和面向对象分类2种方法,对面积评价区域种植的春玉米、夏玉米、苜蓿和裸土4种地物类型进行分类,以差分GPS调查结果为评价标准,4种作物总体识别精度分别达到了88.2%（监督分类）和92.0%（面向对象分类）,单独分类精度分别为88.9%、86.7%、93.0%、86.6%和90.35%、92.61%、94.93%、93.30%。研究结果说明了无人机遥感影像获取小范围、样方式分布的作物影像方面具有广泛的应用前景,推广后能够满足全国农作物地面样方对高空间分辨率影像的需求,可以部分替代现有人工GPS测量的作业方式。     

基于HJ卫星数据与面向对象分类的土地利用/覆盖信息提取

土地利用/覆盖信息是区域气候与环境研究的基础,是土地资源规划与管理、合理开发与保护的信息保障。为此,该文选取长株潭城市群核心区为试验区,以时间序列HJ卫星影像为数据源,首先构建了时间序列归一化植被指数(normalized difference vegetation index,NDVI)、时间序列光谱第一主成分(first principal component,PC1)数据集,通过J-M(Jeffries-Matusita)距离变量可分离性分析结合地表覆盖的物候特征,确定最佳时序HJ组合数据;其次,采用面向对象的随机森林算法对研究区土地利用/覆盖信息进行分类,并对分类结果进行精度评价与比较分析。研究结果表明:采用时间序列HJ组合数据与面向对象的分类方法,提取城市土地利用/覆盖信息的总体精度和Kappa系数分别达到91.55%和0.90,其中水田、水浇地、旱地、林地、建设用地的生产者精度均达到90%及以上;相对于时间序列基于像元分类、单时相面向对象的分类方法,该文提出的土地利用/覆盖信息提取方法的总体分类精度和Kappa系数分别提高了2.26%、0.02和6.82%、0.08,有效提高了区域土地利用/覆盖信息提取的精度,为大范围土地利用/覆盖精细化分类提供了有效的途径。     

基于词对主题模型的中分辨率遥感影像土地利用分类

利用遥感影像数据进行土地利用/覆被分类是多学科共同关注的热点问题,但传统自动分类方法仍然难以满足应用需求,以隐狄利克雷分配模型(latent dirichlet allocation,LDA)为代表的概率主题模型能够建立底层特征和高层语义之间的桥梁,近年来也被引入了遥感影像分析领域,但多集中于针对高空间分辨遥感影像的分析。该文分析了一般概率主题模型在遥感影像空间分辨率降低后面临的问题,在此基础上借鉴词对主题模型(biterm topic model,BTM)对单词稀疏文档的推理能力,将其引入中空间分辨率遥感影像的分类中,并提出使用空间相邻的视觉单词对作为模型的观测数据。试验结果表明,BTM模型的分类性能优于LDA模型,并且使用空间相邻视觉单词对可以比标准BTM模型使用更少的观测数据,取得更高的分类精度。     

基于空间LDA模型的高分辨率遥感影像地物覆盖分类

高空间分辨率遥感影像可以更为精确地分析地物覆盖类型,但空间分辨率的提高也对现有分类方法带来了新的挑战,隐狄利克雷分配(latent dirichlet allocation,LDA)模型能够建立遥感影像底层特征和高层语义之间的联系,但是当前LDA模型在遥感影像分析领域的应用以场景分类和图像检索为主,已有的一些关于土地覆盖分类研究缺少对高分辨率遥感数据的空间关系进行挖掘。该文在标准LDA模型的基础上,利用词包模型构建方法生成的影像文档和单词对象来展开试验,利用多尺度分割挖掘影像中对象的空间关系,设计"主题流行度"和"主题内容"2种形式的影像文档区域属性,以协变量的形式作为LDA模型的先验知识,提出一种空间LDA模型(Space-LDA)。利用无锡宜兴市Quick Bird影像验证该模型在高分辨率遥感影像分类中的有效性,结果表明空间LDA模型分类结果不仅明显优于标准LDA,而且对区域尺度的变化具有一定的鲁棒性,空间区域信息同时从主题流行度和主题内容2个层面提供了推理信息,使模型具有更灵活的结构。     

基于多特征软概率级联的场景级土地利用分类方法

为实现高分辨率遥感影像特征的有效组织优化,以及提高特征的可判别性,该文提出了基于中层特征学习的多特征软概率级联模型实现场景级土地利用分类。首先,提取影像的密集尺度不变转换特征(dense scale invariant feature transform,DSIFT)、光谱特征(spectral feature,SF)以及局部二值模式特征(local binary pattern,LBP)作为低层特征;然后由局部约束线性编码(locality-constraint linear coding,LLC)分别对DSIFT特征、SF特征以及LBP特征进行稀疏编码得到3种低层特征的稀疏系数,并结合空间金字塔匹配(spatial pyramidal matching,SPM)模型、最大空间平滑方法对稀疏系数进行优化,获得影像的中层特征表达;最后,利用SVM分类器,分别对3种低层特征的中层特征表达进行分类,并分别计算3种低层特征分类的软概率,级联3种特征的软概率将其作为图像最终的特征表达,利用SVM分类器进行第2次分类得到最终分类结果。采用UC-Merced Land Use数据集对该方法进行了验证,试验结果表明:1)该方法总体精度达到88.6%,相较于传统稀疏编码空间金字塔匹配(sparse coding and spatial pyramidal matching,Sc SPM),局部约束线性编码(locality-constraint linear coding,LLC)等分类方法,总体精度分别提高了12.7%,9.9%;2)相较于提取单一低层特征的场景分类方法,该文算法更有利于实现对影像中复杂且不易区分的地物的表达,可有效提高土地利用分类精度。