基于无人机可见光影像的毛竹林郁闭度估测方法

【目的】由于毛竹Phyllostachys edulis的生长特点和经营特点,使得毛竹林郁闭度在毛竹林经营中尤为重要,只有保持适宜毛竹生长的郁闭度,才能提高毛竹生产力。研究无人机可见光影像的毛竹林郁闭度估测方法,可实现实时快速获取毛竹林的郁闭度。【方法】以普通旋翼无人机可见光毛竹林影像为研究对象,基于像元的阈值分类、像元的监督分类、多尺度分割的阈值分类、多尺度分割的监督分类等4种方法,选取不同钩梢和郁闭度的样地36个,利用现有软件和MATLAB编程,对各样地的毛竹林竹冠区域进行快速提取,进而估算林分郁闭度,对比目视解译的郁闭度真值计算各方法的估算精度,利用单因素方差分析比较4种方法在不同钩梢和不同郁闭度下估算郁闭度的表现。【结果】基于像元的阈值分类、基于像元的监督分类、基于多尺度分割的阈值分类、基于多尺度分割的监督分类等4种方法的郁闭度估算总体精度依次为91.81%、92.96%、93.47%、98.86%,郁闭度估测值绝对误差依次为0.038、0.030、0.024、0.004。钩梢和郁闭度等对提取结果没有显著影响。【结论】基于多尺度分割的监督分类方法总体精度最高,估算绝对误差最小,...     

紫金山国家森林公园全极化雷达图像分类比较

全极化雷达图像的最大优点是能够获取目标的全极化散射特征,从而使其在地表植被的分类和森林参数反演中具有较大的应用价值。以紫金山国家森林公园为研究对象,2011年的全极化雷达数据、典型地类野外调查数据为主要信息源,在PAULI、 SINCLAIR、 CLOUDE-POTTIER、 FREEDMAN-DURDEN四种目标特征值分解基础上,采用最大似然、支持向量机、神经元网络和随机森林4种方法进行监督分类。结果表明,5种组合中12个特征值组成的特征图像的最大似然分类的精度最高,总体分类精度为58.20%, CLOUDE-POTTIER、 FREEDMAN-DURDEN 总体分类精度较低,分别为51.86%、52.36%;4种分类方法中,12个特征值组合的图像的随机森林分类方法的总体分类精度最高,总体分类精度为74.29%,神经元网络的分类精度较低,总体分类精度为56.98%;6种地类中,针叶林、阔叶林和建筑的分类精度较高,草地、水体和裸地的分类精度较低。     

近30a安吉县毛竹林动态遥感监测及碳储量变化

通过最大似然分类法从不同时期陆地资源卫星Landsat-5 TM影像中提取毛竹Phyllostachys pubescens林信息,利用变化幅度和动态度2个指标对浙江省安吉县近30 a毛竹林面积时空动态特征进行了监测、评价与分析,并初步估算了各时期竹林地上总碳储量变化情况。结果表明：①各个时期影像分类总体精度和毛竹林信息提取的精度比较好,其中总体分类精度都在85%以上,而毛竹林Kappa系数为0.80~0.95。遥感估算的毛竹林面积与森林资源清查结果相吻合,两者决定系数（R2）达到0.981;②1986-2008年期间,除昆铜乡毛竹林面积呈负增长外（变化幅度为-8.49%）,其他各乡镇的毛竹林面积呈上升趋势,变化幅度为14%~86%,以孝丰镇增长幅度最大,天荒坪镇增长幅度最小;③针叶林、阔叶林以及农业用地的变化对毛竹林总面积增加的贡献最大;④根据毛竹林动态监测结果和毛竹林地上碳密度（20.297 Mg.hm-2）估算得到1986,1991,1998,2004和2008年5个时期安吉县竹林地上碳储总量分别为1.106,1.213,1.327,1.413和1.466 Tg,呈逐渐增加趋势。图2表4参31     

应用可见光遥感影像的林区植被分割方法

为快速准确提取可见光遥感图像中的林区植被,降低林区复杂地物与不均匀的光照对提取效果的影响。采用无人机获取的林区可见光遥感图像,利用ArcGIS软件根据植被与裸地、道路以及光照均匀程度的不同占比进行裁剪,获得5个试验样区,分别利用多尺度分割、光谱差异分割和多尺度结合光谱差异分割方法对样区影像进行分割,应用最近邻分类方法分类并分析3种分割方法对分类精度的影响。研究结果表明：基于多尺度分割的分类精度整体优于光谱差异分割和多尺度结合光谱差异分割,植被分类总体精度分别为90.0%、93.0%、92.0%、89.0%、94.0%,Kappa系数分别为0.801、0.855、0.839、0.781、0.880。使用多尺度分割在林区植被提取时受环境影响小,可以有效提取林区植被信息。     

基于多时相 Sentinel-2 卫星数据的农作物分类研究

【目的】探究研究区农作物分类最佳时相;结合遥感指数探究一种有效的多时相分类方法,提取主要农作物种植分布情况。【方法】基于多时相Sentinel-2卫星数据,采用支持向量机的分类方法对不同时相进行分类,对比分类精度;融合时间序列的NDVI、MNDWI指数之后采用支持向量机的方法进行分类,之后分别利用MNDWI和CI指数结合决策树的分类方法提取水域和田埂。【结果】7月份的分类效果最好,总体精度达到91.05%,Kappa系数达到0.8518;通过时相数据不同组合的分类精度比较,采用3—10月NDVI数据叠加后分类的效果较好,总体精度达到92.25%,Kappa系数达到0.8736;对比3种不同分类方法,以支持向量机的分类结果精度最高,总体精度达到94.19%,Kappa系数达到0.9024。【结论】7月份是研究区农作物分类的最佳时相;多时相分类精度明显高于单景数据分类;结合多时相NDVI、MNDWI、CI 3种遥感指数进行分类可以有效提取研究区主要农作物的种植分布情况。     

基于MODIS时序数据物候特征下的多源遥感玉米提取

为解决农作物遥感分类易混淆的问题，准确获取玉米种植结构信息，提出了一种能够充分利用高时间分辨率和中高空间分辨率数据优势的多源遥感数据玉米提取方法。以沈阳为研究区域，利用S-G滤波重构MODIS-EVI时序曲线提取物候特征，同时利用EVI转换模型平衡Landsat-8、Sentinel-2、GF-1与MODIS之间的EVI差异构建了30 m分辨率的时序数据，采用决策树方法，基于MODIS物候特征对多源时序数据分类，逐层掩膜水稻、大豆等易混淆地类获取玉米提取结果，并采用决策树与混合像元分解结合的方法进一步提高玉米提取结果的精度。结果表明：基于多源转化遥感数据的决策树分类总体精度与Kappa系数分别为92.27%和0.8825，相较于CART决策树、随机森林、最大似然法，其分类总体精度和Kappa系数均有较大幅度的提高，相较于数据未经模型转换的决策树分类的总体精度和Kappa系数分别提高4.59个百分点和0.0663。决策树分类后结合混合像元分解的玉米提取总精度提高至95.98%，玉米分类精度得到进一步提高。     

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。     

基于BP神经网络的竹林遥感监测研究

竹林信息提取对利用遥感技术估算竹林碳储量至关重要,高精度地提取竹林信息将有利于降低碳储量估算误差。借助Matlab神经网络模块．采用BP神经网络（back propagation neural network）对ETM＋（enhanced themativ mapper plus）遥感影像提取竹林信息,得到了较高的精度,生产精度和用户精度分别为84．04％和98．75％;同时比较了Levenberg-Marquardt BP算法函数（Trainlm）、自适应学习率BP的梯度递减函数（Traingda）和梯度下降动量BP算法函数（Traingdm）等3种训练函数在分类中的差异。分析表明,Traingda算法函数分类精度最高,而Trainlm算法函数的训练时间最短。     

基于波谱角分类的土地利用动态监测

为合理利用土地资源,针对山地城市土地利用状况监测的需要,采用波谱角分类方法,通过选取不同图像子区域的同一地物不同变异端元来消除端元变异性对分类精度的影响,对1994年、2002年、2010年3个时相的专题绘图仪(TM)和增强型专题绘图仪(ETM+)进行土地利用分类,得到3期浙江省临安市市区土地利用类型的面积及空间分布信息。在此基础上,分析了临安市区16年间的土地利用变化状况。结果表明:波谱角分类方法对山地城市用地分类具有较好的可应用性,3期影像的总体分类精度都在92%以上,Kappa系数在0.70以上。近10多年来,临安市区城市用地数量不断增加,耕地面积不断减少,临安市正处于人地矛盾凸显的快速城市化进程中。     

基于Landsat 8的云南松光谱端元选择与评价研究

以云南松为研究对象, 调查昆明市主城区周围61个样点, 选择3块代表性样地, 基于Landsat 8影像, 采用纯净像元指数(PPI)、连续最大角凸锥(SMACC)和几何顶点的端元提取方法, 利用样区1提取的云南松端元波谱对样区2和3进行分类。以外业调查数据提取的平均端元为真值, 结合波谱角填图(SAM)分类结果, 对比分析不同的端元提取方法。结果表明:研究样区2基于PPI、SMACC和几何顶点端元提取的分类结果整体精度分别为85.00%、35.00%和85.00%;研究样区3基于PPI、SMACC和几何顶点端元提取的分类结果整体精度分别为83.33%、16.67%和75.00%。基于PPI提取的云南松端元平均波谱曲线与真实地表的云南松波谱曲线最为相似, 可用于今后基于Landsat8数据的云南松波谱端元提取和混合像元分解。     

基于地表覆盖分类的IKONOS影像融合算法分析与评价

不同的遥感影像融合算法有不同的优点和局限性,因此难以单纯评价某种算法的优劣,融合算法的选择与研究对象和应用目的有着密切的关系。在概略介绍IHS变换、Brovey变换、PCA变换、SFIM变换及Gram-Schmidt变换5种图像融合算法原理的基础上,对IKONOS全色和多光谱数据进行像元级融合,并对融合效果进行了定性和定量评价。在此基础上,对融合影像进行最大似然法分类,利用混淆矩阵对分类结果进行精度分析,以期找出适合于地表覆盖分类的IKONOS影像融合算法。结果表明,在图像空间信息提高和光谱信息保真方面,以SFIM变换和Gram-Schmidt变换相对较好,其中Gram-Schmidt变换对图像微小细节反差的表达能力优于SFIM变换。在上述5种变换中,SFIM及Gram-Schmidt变换后融合影像地表覆盖分类精度较高,总体精度均超过98%,Gram-Schmidt变换的分类精度略高于SFIM变换,IHS变换后融合影像的分类精度最低,其总体精度和Kappa系数分别为83.14%和0.76。因此,利用Gram-Schmidt变换和SFIM变换得到的IKONOS融合影像更有利于提高地表覆盖分类精度。     

基于改进的亚像元分解方法的高光谱海岸瞬时水边线提取

海岸线是多年平均大潮高潮所形成的海水和陆地分界线的痕迹线,遥感技术可以提供大范围的海岸线动态监测。传统的硬分类方法提取海岸瞬时水边线是基于像元级的基础上进行的,其提取的精度较低;然而利用亚像元分解方法在复杂海岸地带上提取海岸瞬时水边线,是一项既新颖又具有挑战性的任务。因此,提出一种改进的亚像元海岸瞬时水边线提取方法(Improved Sub-pixel Coastal Waterline,ISPCW)可以获得较高的海岸瞬时水边线提取精度。首先,使用了一种水体-植被-不透水层-土壤模型(Water-VegetationImpervious-Soil,W-V-I-S)用于检测和确定海岸地带的W-V-I-S混合像元和纯净端元光谱;随后使用全约束最小二乘法(Fully Constrained Least Squares,FCLS)估计W-V-I-S混合像元中水体丰度值;最后使用空间吸引力模型获得海岸瞬时水边线。在上海实验区中,采用EO-1高光谱数据,将ISPCW方法和传统的多端元光谱混合分析(Multiple Endmember Spectral Mixture Analysis,MESMA)、混合调谐匹配滤波法(Mixture Tuned Matched Filtering,MTMF)、连续最大角凸锥(Sequential Maximum Angle Convex Cone,SMACC)、能量约束最小化(Constrained Energy Minimization,CEM)混合像元分解方法和归一化水体指数(Normalized Difference Water Index,NDWI)进行对比。实验结果表明,ISPCW方法用于提取海岸瞬时水边线获得较好的效果,其精度达到0.38个像元,与MESMA、MTMF、SMACC、CEM和NDWI方法相比,精度分别提高了22.4%、33.3%、42.4%、43.2%和51.3%,可以更有效的应用于高光谱海岸瞬时水边线提取。     

基于MODIS数据的辽宁省土地利用分类研究

采用最大似然法、马氏距离法、光谱角填图法、支持向量机法、神经网络法和最小距离法6种分类方法,对辽宁省2010年3—12月MODISNDVI数据,用该数据做主成分分析的前3个主成分数据、前5个主成分数据和2010年6—10月MODISNDVI数据等4类数据进行土地利用分类研究。结果表明：6种分类方法中最大似然法、马氏距离法和最小距离法3种方法较适合对MODISNDVI数据进行信息提取,其总体分类精度分别达82．63％、80．29％、79．17％,乔木林类型信息提取精度分别达81．91％、78．54％、80．02％;3种对原始数据进行变换的方法中6—10月数据效果较好,其总体分类精度最高达82．63％,乔木林信息提取的最高精度达78．54％。     

基于无人机多光谱影像特征融合的小麦倒伏监测

【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图（DOM）和数字表面模型（DSM）,从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机（SVM）和随机森林（RF）2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率（Acc）、精确率（Pre）、召回率（Re）和调和平均数（F1）以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法（套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法）对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦...     

基于不同分类器的农用地分类提取

【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。     

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。     

基于优化的ICNet高分遥感影像城市建成区分类

城市建成区是一类具有大面积的组合型目标群体,该区域地物丰富,光谱特征复杂多变,且具有大量的同物异谱与地物像素单元交错等现象,影像分类难度显著增加。针对图像级联网络（image cascade network,ICNet）计算复杂、分类精度低的问题,采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究,通过添加高效通道注意力机制（efficient channel attention,ECA）和联合金字塔上采样模块（joint pyramid upsampling,JPU）替换空洞卷积来获得ICNet改进网络,采用总体分类精度（overallaccuracy,OA）、Kappa系数与F13个指标对分类结果进行精度评估,并与随机森林（random forest,RF）、ENet和ICNet3种方法进行对比分析。结果表明,优化的ICNet网络模型能够更准确的进行地物分类,总体分类精度为75.12%,相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性,说明优化的ICNet网络可用于城市建成区的分类研究。     

基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究

基于Google Earth Engine云平台和2014—2017年Landsat OLI影像序列,根据其在时间域上的光谱特征,结合植被指数特征、地形和温度特征,采用随机森林分类算法,开展香格里拉森林类型分类研究。结果表明：不同森林类型的生长轨迹有明显差异,4种森林类型在冬季的植被指数差异最明显;时间序列影像数据能够提供不同森林类型的物候差异特征,弥补单一日期影像难以区分不同森林类型的困难;研究区森林/非森林覆盖的总体精度为97.17%,Kappa系数为0.943,森林类型分类的总体精度87.78%,Kappa系数为0.80。基于Landsat时间序列的方法能够提供一个精度较高的森林分类产品,可为基于森林类型制图的应用提供帮助。