基于ALOS遥感影像植被分类方法的比较研究

以云南省宜良县ALOS影像为基础数据,利用最大似然法、支持向量机方法和面向对象的支持向量机方法对ALOS影像进行植被分类研究。实验结果:最大似然法分类精度为79.33%,支持向量机方法分类精度为82.25%,面向对象的支持向量机分类方法精度为86.13%,面向对象的支持向量机分类方法取得较好的分类效果。研究结果可为中高分辨率遥感影像分类研究提供参考。     

基于遥感影像和二类调查数据的林地类型分类方法对比研究——以广西凭祥市为例

基于Landsat 8 OLI遥感影像和森林资源二类调查数据,对有林地、灌木林地、未成林地和非林地等林地类型,分别采用最大似然、神经网络、支持向量机和决策树分类方法进行分类,验证分类精度,并对分类效果进行对比评价。结果表明:支持向量机分类方法表现最好,分类精度为78.7%,Kappa系数为0.76;其次为神经网络和决策树分类方法,分类精度分别为76.8%和72.5%,Kappa系数分别为0.72和0.68;最大似然法表现最差,分类精度为44.9%,Kappa系数为0.39。研究结果可为森林资源信息的快速提取提供理论依据。     

基于Landsat遥感影像的杨树信息提取方法分析

该文使用近10 a 4个时相的江苏全省Landsat遥感影像,在数据预处理的基础上提取归一化植被指数、比值植被指数、土壤调节植被指数、增强型植被指数、大气阻抗植被指数等5种植被指数,并进行主成分分析。运用最大似然法、随机森林法和光谱角填图法进行分类,结合小班数据,对各方法的分类结果进行精度评价。评价结果表明,光谱角填图分类法在杨树信息提取时精度更高,对杨树的区分精度也达到42.67%。     

基于随机森林的大姚县TM遥感影像分类研究

随机森林(Random Forest)是一种组合多棵决策树分类器的新的分类算法。以楚雄州大姚县为例,采用Landsat-TM数据,通过最大似然、支持向量机、随机森林3种分类器进行分类对比研究。结果表明,支持向量机和随机森林的分类精度明显优于最大似然法,两者分类精度相差不大;在分类时间上,最大似然法明显比随机森林和支持向量机快,支持向量机最慢。综合分析,随机森林算法表现更优,它在保证分类精度的前提下,也能保证一定的时间效率,更适宜实际生产应用。     

基于SVM方法的长白山森林植被信息提取的研究

本文以Landsat TM影像数据为基础,采用基于支持向量机分类方法对长白山地区大荒沟林场进行森林植被信息提取,并与传统的最大似然法分类进行对比。结果表明,基于支持向量机方法的森林信息提取精度,Kappa值分别为0.981 0、0.971 6、0.975 3,均超过了最大似然法(MLC)的提取精度和Kappa值0.963 4。该方法有很好的操作性和实用性,准确度满足了林业规划设计的基础数据材料精度要求。     

湿地覆被的几种遥感监督分类方法比较——以江苏盐城湿地珍禽国家级自然保护区核心区为例

基于江苏盐城湿地珍禽国家级自然保护区核心区2002年LANDSAT影像数据和2010年ALOS影像数据,分别使用遥感监督分类常用的最大似然、最小距离和马氏距离3种分类方法对两期影像进行图像分类。通过比较分类结果可以发现:在地表覆被较为简单的沿海湿地,最大似然分类要优于其他2种分类方法。     

基于MERSI数据的山西森林覆盖监测

利用FY3-3A/MERSI可见光和近红外波段数据合成得到假彩色卫星数字图像,结合区域土地利用、植被类型及森林资源分布等数字化图件,在对图像进行目视解译及多波段数据非监督分类基础上,将地物覆盖划分为林地、冬小麦、水体和裸地4种类型;采用4种监督分类方法(最大似然分类法、平行算法、最小距离法和马氏距离法)进行地物分类;在分析分类结果可行基础上,依据区域森林覆盖数字化图件对林地分类结果进行精度评估,确定研究区域林地空间分布结果.结果表明:4种监督分类方法中,最大似然分类法分类结果的精度最高,达到85%,其次是最小距离和马氏距离法,平行算法的结果较差.可见,利用MERSI数据采用监督分类和非监督分类相结合的方法提取的山西省森林资源分布结果精度较高,符合实际情况,可作为区域宏观森林资源分布监测的有效手段.     

基于TM数据的遥感分类方法对比研究

以香格里拉县2009年Landsat5～TM遥感影像为实验数据,利用最大似然法（MLC）以及最小距离法两种方法进行了遥感分类方法研究,主要从分类精度方面对两种方法进行了对比分析,结果表明：最大似然法分类结果明显优于最小距离法,但作为传统的分类方法,二种方法分类精度都不够高。     

基于高分二号多光谱数据的树种识别方法

树种识别一直是困扰遥感研究的一个难点,而国产高分二号识别地物和树种具有巨大潜力。选取四川省甘孜州道孚县为研究区,利用高分二号4m多光谱遥感影像,并结合该县的森林资源二类调查结果数据,分别采用最大似然法和支持向量机方法,对利用高分二号数据在树种识别应用中的可能性进行探讨。研究结果表明:所采用的两种方法识别出研究区域主要树种的精度都高于80%,其中:采用最大似然法分类精度为81.79%,支持向量机方法分类精度为86.75%。在先验知识的支持下,利用高分二号多光谱影像也可用于树种识别研究中。     

基于 SAM 算法的遥感影像湿地植被分类

以黑龙江省扎龙自然湿地保护区高光谱遥感影像为试验区域,通过对野外试验调查数据和预处理后的高光谱遥感影像进行前期处理,再采用光谱角填图(SAM)图像分类方法进行植被分类实验得出结果,并与最大似然法和支持向量机(SVM)分类方法结果进行对比研究分析,通过实验结果得出误差矩阵和精度评价分析,得到最大似然法的总体分类精度和以及Kappa系数是最低的,而光谱角填图分类方法的总体精度为89.87%,Kappa系数为0.880 7,分类结果要好于其他两种分类方法,其对高光谱遥感影像植被分类实验更具有准确性和实用性。     

基于BP神经网络的森林植被遥感分类研究

如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。本文使用Landsat7ETM+遥感数据和森林资源分布图等地理辅助数据,用BP神经网络方法对森林植被进行了分类,并与最大似然法的分类结果进行精度比较分析。结果表明地理辅助数据参与的BP神经网络用于森林植被遥感图像分类其效果是较好的,是一种有效的图像分类方法。     

基于多种分类器组合的森林类型信息提取技术研究

遥感图像分类是遥感应用系统中的关键技术,提高遥感图像的分类精度是发展遥感技术重点,采用多分类器组合的算法对黑龙江塔河县森林类型进行分类。根据黑龙江省森林资源调查技术规定及研究区二类调查数据制定分类系统,最终的分类级别为针叶林、阔叶林和针阔混交林。通过分析TM数据的原始波段和NDVI、BI等植被指数提取各分类类型的光谱特征。选择最小距离法、最大似然法、马氏距离法对研究区进行分类,计算出各分类器的精度。在分类器组合的过程中采用信息熵方法确定组合分类器中各分类器的权重系数,利用组合后新的分类器对研究区进行分类。结果表明:多分类器组合的分类精度达75.59%,比单分类器精度提高了3.85%,对阔叶林、针阔混交林、针叶林3种分类类型的分类精度分别达82.32%、66.45%、75.49%,比单分类器进度分别提高了2.87%、4.82%。4.10%。     

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。     

吉林省西部新开发水田遥感动态监测研究

为了响应土地整理开发项目的政策,吉林省西部地区开发了大面积的水田。为掌握新开发水田的动态变化,有必要对吉林省地区进行土地利用分类。以吉林省前郭县为例,利用2010年环境卫星数据进行不同土地利用分类方法的比较,进而对另外3景图像进行信息提取,分析4个年份新开发水田的分布及变化情况。结果表明,支持向量机法比最大似然法的耕地分类精度高约5%,其产品和用户精度分别为95%和84%。加入纹理信息没有显著提高分类精度。2009~2012年水田面积分别增加-67.7 km2,111.7 km2和265.01 km2。     

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GEE平台广西桉树快速提取研究

为进一步提高基于遥感影像森林(人工林)植被信息提取的工作效率,基于Google Earth Engine(GEE)平台,以Landsat8 OIL影像为实验数据,利用监督分类、支持向量机、最大熵模型、随机森林以及根据试验区实际构建的决策树分类方法对试验区桉树人工林种植面积进行提取,并对各方法进行了比较,在此基础上利用决策树法提取了广西地区桉树种植面积,并利用无人机影像与Google Earth Pro历史影像对实验结果进行了验证。实验过程及结果表明:利用GEE平台可以高效快速地提取遥感植被信息。在以上5种方法中,决策树分类方法取得最好的效果,其试验区桉树提取总体精度与Kappa系数分别达到0.82,0.85;同时,利用决策树提取的广西桉树种植面积与统计资料的面积统计结果具有较好的一致性。说明构建的决策树分类方法对大区域、复杂山区植被覆盖信息的快速提取具有参考意义。     

基于高分一号影像光谱指数识别火烧迹地的决策树方法

森林火灾发生后,为及时、准确地掌握森林受灾情况,利用高分一号卫星(GF-1)16m宽幅影像各波段反射率信息,结合计算的归一化植被指数(NDVI)、过火区识别指数(BAI)、阴影植被指数(SVI)、归一化差异水体指数(NDWI)和全球环境监测指数(GEMI)等5种光谱指数,构建森林火烧迹地识别决策树模型(CART);在选取的研究区对该模型方法进行验证,并与最大似然监督分类法和非监督分类(ISODATA)方法所得到的结果精度进行了对比分析,结果表明:采用基于CART模型的决策树方法对火烧迹地识别结果精度较最大似然法总体分类精度提高了4.38%,Kappa系数提高了0.102 4,制图精度提高了14.96%,用户精度提高了8.50%;而采用ISODATA方法识别的火烧迹地的总体精度和Kappa系数都较低,制图精度和用户精度都没有达到1%。     

基于 TM 影像的土地覆盖分类比较研究

以云南省文山壮族苗族自治州麻栗坡县2005年T M影像为试验数据,利用最大似然分类（M LC ）、支持向量机（SVM ）以及随机森林（RF）3种分类方法进行了土地覆盖遥感分类研究。从分类精度、样本数量对分类器的影响、模型复杂度、分类速度等几个方面进行了比较分析。结果表明：随机森林分类法最优,而经典方法之一的最大似然分类法最稳定。所得出的结论对在类似的应用中如何选择合适的分类方法具有一定的参考价值。     

高分辨率多光谱遥感影像森林类型分类深度U-net优化方法

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%-12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。     

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.