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。     

结合光学与雷达影像多特征的热带典型人工林树种精细识别

【目的】结合Sentinel-2光谱特征、纹理特征和Sentinel-1雷达后向散射特征,开展光学与雷达影像协同人工林树种分类研究,评价不同数据源和不同特征在树种分类中的作用,获取最优分类策略,为热带典型人工林树种精细识别提供新的技术途径。【方法】获取Sentinel-2光学影像43个光谱特征,将优选的Sentinel-2光谱特征与Sentinel-2纹理特征、Sentinel-1雷达后向散射特征组合,采用随机森林分类算法对研究区橡胶林、油棕林和桉树林进行精细提取,并评价不同特征对人工林树种识别的贡献。【结果】1)选择重要性排名前17的Sentinel-2光谱特征参与分类时,OOB score达最高值0.947 2,其中Sentinel-2的蓝波段、红边和近红外波段及其相应的植被指数在树种识别中重要性较高; 2) Sentinel-2纹理特征和Sentinel-1雷达后向散射特征对于不同树种均具有一定差异性,可作为树种分类的有效特征; 3)仅利用Sentinel-2光谱特征对橡胶林、油棕林和桉树林的区分度有限,生产者精度和用户精度的调和平均值(F1)分别为0.70、0.74和0.61;结合光谱特征、纹理特征和后向散射特征,3种人工林的分类精度达到最高,F1均大于0.80,同时其他地物的分类精度也有较大提高,总体分类精度为0.85,Kappa系数为0.83。【结论】Sentinel-2光学影像的光谱特征是树种识别的重要基础,Sentinel-2光学影像派生的纹理特征及由Sentinel-1雷达影像提取的后向散射特征可为不同人工林树种识别提供有益补充。考虑到Sentinel-2和Sentinel-1较高的时间分辨率和空间分辨率,同时结合其光谱特征、纹理特征和后向散射特征对热带典型人工林树种进行精细识别具有极大潜力。     

基于高分2号遥感数据估测中亚热带天然林木本植物物种多样性

【目的】探索高分2号遥感数据与中亚热带天然林木本植物物种Shannon-Wiener多样性指数、Simpson多样性指数和Pielou均匀性指数之间的关系,为森林经营管理和保护策略提供参考。【方法】提取高分2号多光谱数据的原始波段、植被指数、纹理特征和全色波段纹理特征,使用随机森林算法筛选变量并对3种多样性指数进行建模,设置不同纹理提取窗口来寻找最优窗口。【结果】基于随机森林算法的RFE冗余变量去除方法可从众多遥感变量中快速选择对模型精度具有显著贡献的少量变量。多光谱数据3×3窗口纹理特征、全色数据7×7窗口纹理特征和植被指数结合的特征集对3种多样性指数具有较好估测结果,其决定系数(R~2)和均方根误差(RMSE)分别为0.47和0.300(Shannon-Wiener多样性指数)、0.53和0.042 (Simpson多样性指数)、0.61和0.051 (Pielou均匀性指数)。植被指数中类胡萝卜素反射率指数与3种多样性指数具有显著相关关系。【结论】高分2号遥感数据中的植被指数和纹理特征可有效估测研究区森林木本植物物种多样性。类胡萝卜素反射率指数可体现森林中类胡萝卜素相对于叶绿素的含量,在秋冬季节作为反映常绿树种和落叶树种分布的指数,对森林木本植物物种多样性估测具有最大贡献。使用星载遥感数据预测的多样性和均匀性指数分布可有效监测森林木本植物物种多样性变化。     

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。     

基于高景一号遥感影像的林地信息提取

【目的】及时、准确地掌握林地信息是森林经营管理的前提，高分辨率遥感影像为林地信息精细识别提供了可能。【方法】以当阳市玉泉乡为研究区，以国产卫星高景一号（SV-1）遥感影像为数据源，提取各波段光谱信息和植被指数作为分类特征，采用特征可分性、重要性及特征间冗余度分别构建了4种特征评价准则，基于支持向量机（SVM）分类器对研究区进行林地信息提取，结合森林资源二类调查结果进行精度验证。【结果】1）评价准则中，特征重要性优于可分性，特征可分性受高度相关的特征组合（如OSAVI和NDVI等）的影响会造成分类精度的下降。2）在特征重要性和可分性的基础上结合特征间冗余度能进一步提高分类精度并有效降低特征维数，特征维数由11维降至8维，特征可分性方法和特征重要性的分类精度分别提高了4.65%和4.58%;3）根据特征重要性结合冗余度选择RGVI、EVI、B1、B3、B2、DVI、RVI、Brightness 8个特征，建立SVM线性核分类模型可以达到最优分类效果，总体分类精度高达92.49%,Kappa系数为0.908 4。【结论】SV-1遥感影像由于其高空间分辨率在林地信息精细提取中具有可行性，本研究通过建立特征评价准则筛选分类特征能进一步挖掘分类器的泛化能力，为及时、准确地获取林地信息提供技术支撑，同时也为同等高分辨率遥感卫星数据处理提供了参考。     

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。     

基于多时相CHRIS高光谱卫星数据的优势树种分类研究

多时相高光谱卫星遥感包含树种光谱特征和生长季相差异信息,是解决森林树种识别精度不足的重要技术途径。本文利用不同季节3个时相CHRIS高光谱卫星影像,设计了以Bhattacharyya距离为可分性准则的波段选择经验算法,实现吉林省汪清研究区的优势树种多时相高光谱卫星填图。结果显示,多时相高光谱数据的可分性指标相比单一时相增幅明显;结合波段选择的多时相高光谱分类结果验证精度较单一时相分类结果和多时相全波段分类精度提高7.5%和1.6%;研究区主要优势树种的分类精度存在差异,柞树和落叶松的分类精度最高,杨树最低,红松与暗针叶林存在一定程度的误分,主要原因为二者的光谱接近且时相特征差异小。     

基于多特征优选的无人机可见光遥感林分类型分类

【目的】以无人机可见光遥感影像为数据源实现竹林、针叶林和阔叶林的分类识别,扩展无人机可见光遥感数据在森林资源调查中的应用范围。【方法】利用无人机获取仅包含红、绿、蓝3个波段光谱信息的航拍影像,经预处理生成空间分辨率为0.1 m的数字正射影像图(DOM)和数字表面模型(DSM),从DSM和DOM中提取包括高度特征、光谱特征、常见的可见光植被指数、HSV颜色分量、HSV颜色分量基础上提取的纹理特征以及扩展的形态学多属性剖面(EMAPs) 6类特征;采用递归特征消除随机森林算法(RF_RFE)优选特征子集,根据不同类型特征和优选特征子集设置8组试验,使用随机森林分类器(RFC)进行林分类型分类,运用目视解译获得的地面真实影像建立混淆矩阵评价分类结果。【结果】1)单独利用光谱特征进行林分类型分类效果不理想,总体精度为65.68%,Kappa系数为0.53;以光谱特征为基础单独引入其他特征进行林分类型分类,除植被指数外,其他特征均可提高总体分类精度; 2)采用递归特征消除随机森林算法优选出11个特征,包括5个EMAPs特征、3个HSV纹理特征、1个高度特征、1个植被指数和1个HSV颜色分量,11个特征组合获得8组试验中最高分类精度,总体精度为81.05%,Kappa系数为0.73; 3)将多特征优选方法应用于不同分辨率的可见光无人机影像上均取得较好分类结果,其中分辨率为0.3 m时分类精度最高,总体精度为82.46%,Kappa系数为0.75。【结论】递归特征消除随机森林算法综合多类型特征中最有利于林分类型分类的特征,从而提高分类精度,研究结果可为无人机可见光遥感数据在森林资源调查中林分类型信息的提取提供参考。     

基于植被指数及多光谱纹理特征的降香黄檀叶片全铁含量预测

【目的】以海南省特有树种降香黄檀为研究对象,提出1种基于植被指数和多光谱纹理特征的叶片全铁含量(TIC)预测方法,为珍贵树种重金属营养诊断提供参考。【方法】分别设计4种梯度(CK、F1、F2、F3)的铁胁迫试验,胁迫结束后摘取叶片并获取多光谱图像,计算叶片图像的植被指数(VIs)及纹理特征(包括纹理特征均值TFMV和纹理特征方差TFV),分析其与TIC之间的关系。通过显著性检验筛选出与TIC在0. 05和0. 01水平上显著相关的变量,再使用相关性分析法(CA)、主成分分析法(PCA)、平均影响值法(MIV)和遗传算法(GA)进行二次筛选,将筛选结果作为粒子群优化-反向反馈神经网络(PSO-BPNN)的输入变量,分析比较预测结果。【结果】1)在CK～F2梯度区间内,树高、冠幅和地茎的生长量随着施铁含量的增加而增加,而在F3梯度下,树高、冠幅生长量降低,地茎生长量出现大幅度上升; 2)随着叶片TIC的上升,B波段呈先下降后上升趋势;G波段则与B波段相反; R波段先下降后上升,之后基本保持稳定; RE和NIR波段则一直呈上升趋势; 3)大部分VI与TIC在0. 01和0. 05水平上相关,TFMV和TFV也可以反映叶片TIC,但TFV在相关水平和相关个数方面均优于TFMV。从波段角度分析,RE和NIR波段在植被指数和纹理特征方面与TIC的相关性均优于其他波段; 4)使用不同筛选方法得到的预测结果不同,其中CA与GA得到的评价指标最佳且相似,但GA在150～300mg·kg~(-1)区间得到的预测结果偏低,不适用于田间施肥指导。5)仅使用植被指数得到的预测结果较差,加入纹理特征后很明显的提高了拟合优度及预测精度,纹理特征方差对模型精度的影响更大,说明叶片纹理的离散程度可以较好的作为预测全铁含量的辅助信息。【结论】F1和F2梯度的施肥量可以促进降香黄檀植株生长及生物量累计。最佳叶片全铁含量为150～300 mg·kg~(-1)。除植被指数外,MPV作为辅助因素可以提高模型的拟合优度及预测精度,同时,CA-PSO-BPNN方法可以有效的运用于田间施肥指导,为珍贵树种重金属含量监测提供较为准确的预测。     

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。     

纹理特征对森林蓄积量反演模型的影响

【目的】蓄积量是反映森林资源质量的重要指标,传统人工蓄积量调查方式费时耗力。遥感技术在林业中的应用能有效地弥补人工调查的缺陷,采用遥感技术进行森林蓄积量的反演是区域范围内蓄积量估测的一种重要手段。现有的遥感蓄积量估测方法中,对于纹理特征因子的选取没有得到足够的重视。随着高分辨遥感影像的不断涌现,影像纹理特征越来越明显,将纹理特征引入到森林蓄积量估测模型当中,是一个很好的尝试。但纹理特征是否有利于森林蓄积量的估测,以及如何影响森林蓄积量的估测,目前并不清楚。【方法】利用国产GF-1号为数据源,在数据预处理基础上,采用不同窗口大小提取的纹理信息,以及对纹理因子进行改进,研究其对于森林蓄积量反演模型精度的影响。【结果】1)改进纹理特征能有效提高蓄积量反演模型的精度。通过计算出遥感影像纹理均值改进指数、波段纹理均值改进植被指数和均值改进植被指数,结合地理因子,采用多元逐步回归方法构建森林蓄积量反演模型,结果精度有较大改善。2)纹理窗口大小为9×9时,森林蓄积量反演模型精度最高。提取3×3、5×5、7×7、9×9、11×11这5种窗口大小的纹理特征参数,分别构建森林蓄积量估测模型,并进行不同窗口下蓄积量反演精度进行检验。当窗口大小为9×9时模型效果最好,R2最大,达到0.652,RMSE值最小(25.354 5 m3/hm2),说明此时的窗口大小是最优模型窗口。【结论】当窗口为9×9时模型效果最好,此时的窗口大小是最优模型窗口。但是对于不同研究区在同一数据源下使用9×9窗口模型并不一定效果是最好的,纹理因子在建模中仍需根据研究区实际情况进行使用。     

结合地统计学与Landsat 8影像的乔木林地上碳储量估算

【目的】探究Landsat 8多光谱影像结合地统计学方法估算乔木林地上碳储量的可行性和适用性,为应用Landsat 8多光谱影像结合地统计学方法估算区域森林参数提供参考。【方法】以浙江省内的一景Landsat 8多光谱影像覆盖的范围为研究区,以乔木林地上碳储量为研究对象。通过外业调查获取专项调查数据,并采用生物量转换因子和树种含碳率参数,计算得到乔木林地上碳储量数据。基于Landsat 8多光谱影像和DEM数据,提取植被指数、纹理特征、主成分变换因子、缨帽变换因子和地形因子,采用皮尔森相关系数法和方差膨胀因子法对这些因子进行优选,生成用于建模的自变量集。分别采用稳健估计和协同克里格插值法构建乔木林地上碳储量模型,并对所构建的模型精度进行对比分析。【结果】本实验所提取的因子经皮尔森相关系数法筛选后,得到22个自变量因子,经方差膨胀因子法优选后,共有7个自变量因子(比值植被指数、非线性植被指数、海拔、第2波段的平均值纹理、第4波段的相关性纹理、第7波段的平均值纹理、第7波段的方差纹理)用于建模。协同克里格插值法构建模型的决定系数(R2)为0.45、均方根误差(RMSE)为9.88 t·hm-2、平均绝对偏差(MAE)为7.75 t·hm-2、总预报偏差的相对误差(RE)为0.24%,其拟合精度优于稳健估计法(R2=0.42,RMSE=10.15t·hm-2,MAE=8.03 t·hm-2,RE=0.27%)。本文所采用的皮尔森相关系数法结合方差膨胀因子法可有效地考虑变量间的相关性及共线性问题,可以在一定程度上提高所构建模型的稳定性,所采用的协同克里格插值法考虑了变量的空间分布特征,与传统的统计模型相比具有较好的应用优势。【结论】本研究为应用Landsat 8多光谱影像结合协同克里格插值法快速估算森林碳储量及其他森林参数提供了新的途径。     

多时相遥感数据森林类型识别技术研究

利用分层分类思想,对黑龙江省塔河县森林类型使用多期TM遥感数据进行分类。根据研究区域实际情况,制定二级分类系统。使用7个时相的TM原始波段数据及其计算的植被指数表达森林类型的光谱特征,采用抽样方法选取训练样本并进行分析,统计不同森林类型的TM原始波段和多种植被指数在各时相上的差异,得到差异较大的波段和植被指数作为分类特征,采用最大似然法和决策树分类方法对森林类型进行分类。研究结果表明,决策树分类方法对优势树种组的分类精度最高,达到76.85%,可以满足实际应用的要求。     

基于机器学习的高光谱湿地植被分类研究

为实现湿地植被的精细分类和高精度制图,为湿地管理部门提供准确的决策依据,以美国加州萨克拉门托—圣华金水域的典型湿地植被为研究对象,以高光谱影像为数据源,结合野外GPS采样点,对典型湿地植被的光谱反射率作一阶导数和二阶导数处理,基于均值置信区间原理筛选特征波段,基于单因素分析法筛选能够明显区分植被类型的植被指数。联合特征波段和植被指数构建特征集,利用机器学习C5.0决策树生成知识规则并提取湿地植被信息。结果表明,基于机器学习C5.0决策树的湿地植被提取总体精度为80.09%,Kappa系数为0.792,与最大似然法比较,总体精度提升10.79%,Kappa系数提升0.105,说明基于机器学习的C5.0决策树法能够实现植被的精细分类,方法切实可行。     

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。     

利用航天遥感数据进行植被分类的研究

本文应用３种图像增强的方法对实验地帽儿山的ＴＭ影像进行植被信息的提取研究。结果表明,用植被指数与原始的３、５波段复合后,进行植被分类,获得了较高的分类精度。     

多源数据林地类型的精细分类方法

【目的】探讨复杂中山区域、多源数据支持下,高空间分辨率遥感影像林地类型层次化精细分类方法,以促进高分辨率遥感数据在森林资源调查与监测方面的深入应用。【方法】以嘉陵江上游甘肃省小陇山林业实验局百花林场为研究区,以SPOT5和高分一号(GF-1)遥感影像为主要数据源,综合利用影像光谱特征、植被指数特征、纹理特征与时相特征、地形特征、森林资源"二类调查"成果数据与林相图等辅助信息,及典型地类与主要森林类型外业调查样本数据,发展针对暖温带典型天然次生林区、复杂山区地形条件下高空间分辨率遥感影像林地类型多层次信息提取与森林类型精细识别的有效方法。在分析不同时相影像光谱特征的基础上,构建并优选归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)、差值植被指数(DVI)4种植被指数特征和均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6种纹理特征,引入与主要森林类型空间分布相关的DEM高程值、坡度、坡向3个敏感地形因子,利用不同林地类型时相动态特征和辅助信息特征,在不同层次影像上分别采用适于该层待分信息类别的阈值法、支持向量机(SVM)、多分类器组合(MCC)、人工神经网络(ANN)分类方法,将各层分类结果合并获得整个研究区林地类型精细分类图。最后,采用分层随机抽样的独立检验样本对分类结果中7类林地类型进行精度验证,并对5类主要森林类型精细识别结果进行面积统计,与"二类调查"及影像解译结果各类型面积统计值进行对比分析,进一步从整体上检验分类方法的有效性和分类结果的可信度。【结果】本文所发展的分类方法对林地类型信息提取精度较高,有林地、其他林地、苗圃地等7类林地类型总体分类精度达92.28%,总Kappa系数为0.899 6;油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5类主要森林类型面积统计结果的平均相对精度为92.4%。【结论】多源数据支持下的多层次林地类型精细分类方法是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势,且森林类型精细识别详细程度达到优势树种(组)级别,是解决复杂山区林地类型精细分类与森林类型精细识别的一种有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

基于多角度融合的CHRIS数据提取湿地植被的研究

[目的]利用多角度高光谱数据,分析不同角度下东洞庭湖湿地典型植被群落的光谱特征,确定多角度信息融合的最佳方法,并对融合影像进行湿地植被类型精细识别。[方法]使用CHRIS多角度高光谱数据,针对洞庭湖湿地植被的光谱特征,研究计算窄波段NDVI的最佳波段组合和角度,评价CHRIS 0°影像与NDVI的像素级融合方法,进而对洞庭湖地区湿地植被进行提取。[结果]计算NDVI的最佳红波段和近红外波段分别位于667.6 nm和926.95 nm,对应于CHRIS数据的第24波段和第55波段;选取HSV、Brovery、Gram-Schmidt和PCA 4种融合方法进行融合,发现PCA融合图像的光谱信息丢失最少、纹理细节更丰富,信息量最大;PCA融合影像的总体精度为81.36%,比单角度影像提高7.93%,Kappa系数提高0.097 6,且苔草的漏分误差和泥蒿的错分误差得到明显改善。[结论]基于NDVI的多角度信息融合是提高湿地植被识别精度的一种有效途径,多角度信息融合丰富了地物的信息量,提高地物识别精度。     

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。