基于基本竞争型神经网络的TM影像分类研究

【目的】针对传统遥感图像分类方法精度低的缺点,运用基本竞争型神经网络模型对TM影像进行分类研究。【方法】在考虑TM影像光谱信息和地表结构变化信息的基础上,应用经过基本竞争型神经网络训练后的分类器对TM影像进行分类研究,并与利用最大似然法的分类结果进行比较。【结果】研究区TM影像采用基本竞争型神经网络进行分类的总体分类精度和Kappa系数分别为89.1%和0.873,而采用最大似然法分别为70.6%和0.646,前者的分类精度明显高于后者。【结论】基本竞争型神经网络的分类结果明显优于最大似然法的分类结果。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

面向Sentinel-2A影像的大理市土地利用分类方法适用性研究

  目的  获取更高效、准确的土地利用自动分类方法,为后续的高原山区土地利用分类研究提供理论支撑。  方法  选取中国典型的高原山区云南省大理市为研究区域,以Sentinel-2A影像为对象,提出一种面向对象特征的决策树分类方法,并将此方法分类结果与传统的ISODATA法和最大似然法土地利用分类结果进行对比。  结果  ①面向对象特征的决策树方法分类结果在空间分布和各地类的面积统计方面都优于ISODATA法和最大似然法,与研究区实际土地利用面积数据更为接近;②在大理市,最大似然法在水体和林地的提取上适用性较好,而面向对象特征的决策树分类方法在农田、草地、建设用地和其他这些地类的区分上适用性更强,且在冰川积雪的提取上也有更好的提取效果;③相比与传统的ISODATA法和最大似然法分类结果精度,面向对象特征的决策树分类方法可进一步提高分类精度,总体分类精度可达90.20%,Kappa系数为87.95%。  结论  相较于传统的分类方法,先粗分类再进一步细分类的分类思想,可避免区域之间的混淆问题。面向对象特征与决策树相结合的组合分类方法在高原山区有着更好的适用性,可以有效提高高原山区分类精度。图3表7参26     

苏南丘陵区土地利用遥感分类方法适用性研究

准确、及时、有效的土地利用信息对城镇发展规划和资源开发利用具有重要意义。为研究不同遥感分类方法在获取苏南丘陵区土地利用信息时的适用性,以句容河流域为研究区域,基于多时相的Landsat 8影像,分别利用监督分类方法和基于时间序列特征指数的决策树分类方法获得研究区域的土地利用分类结果,比较分析了不同方法获取到的土地利用结果在总体分类精度和地物空间分布上的差异。结果表明,支持向量机的总体分类精度和Kappa系数最高,分别为96.4%和0.948,但从地物空间分布来看,基于时间序列特征指数的决策树分类方法的效果最好;最大似然法和决策树法在苏南丘陵区土地利用分类时适用性较好。     

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。     

基于环境卫星影像的水稻种植面积提取方法研究

以环境卫星为数据源对泰兴市水稻面积进行提取,选择水稻与其他作物光谱差别最大的时期作为水稻识别的最佳时期,在利用影像原始光谱信息的基础上,分析和提取多种分类特征,运用支持向量机法、CART决策树法和最大似然法进行分类,提取水稻面积。结果表明支持向量机的分类精度最高,总体精度为80.38%,Kappa系数为0.74。说明当样本量较少时,支持向量机可以更好地利用多源信息,具有更高的分类精度。     

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。     

基于无人机多光谱影像的荒漠草原典型物种识别

【目的】准确获取草原植物物种空间分布信息是草原生态系统生物多样性监测、群落重构与生态功能维持的重要基础。及时准确获取植物物种空间分布可以为草原植物物种信息提取提供有效技术手段。【方法】文章以无人机多光谱影像为基础,分别在像元尺度和对象尺度上开展了荒漠草原典型物种的信息提取方法研究。像元尺度上先定义样本计算样本可分离性,在选择不同分类器进行分类。而对象尺度上首先进行遥感影像尺度分割研究,选出最佳分割尺度。在此基础上,提取最优特征变量,并采用阈值分类法提取植被信息。【结果】高分辨率无人机多光谱数据能够为荒漠草原物种信息提取提供有效数据基础。面向对象影像分析技术的表现最好,总体精度85.16%,Kappa系数0.71,其中短花针茅的制图精度和用户精度分别为97.6%和86%;其次是支持向量机机器学习算法,其总体精度80.40%,Kappa系数0.70,短花针茅的制图精度和用户精度分别为90.08%和76.46%;而传统最大似然分类法的识别精度较低,总体精度为74.68%,Kappa系数0.64,短花针茅的制图精度和用户精度分别为72.40和81.96。【结论】无人机多光谱数据对于集中连片分布...     

基于对象的CHRIS遥感图像森林类型分类方法研究

高光谱遥感森林类型分类中采用传统基于像素分类方法精度较低,本文通过高光谱遥感影像的特征,采用面向对象的最近邻监督分类方法对高光谱CHRIS影像进行分类实验,首先对影像进行多尺度分割,然后将分割对象信息、形状特征及上下文联系等特征构成特征空间进行最近邻监督分类,并与传统的基于像素的最大似然分类方法进行比较分析,结果表明,面向对象的最近邻法能够较好的识别森林类型,总精度为89.06%,kappa系数为0.82,而最大似然法分类精度为85.75%,kappa系数为0.79.其分类精度明显高于最大似然法,这表明该方法适合高光谱遥感影像分类,为今后的高光谱遥感森林类型分类能够起到技术参考和理论依据.     

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。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

Evaluating high resolution SPOT 5 satellite imagery for crop identification

High resolution satellite imagery offers new opportunities for crop monitoring and assessment. A SPOT 5 image acquired in May 2006 with four spectral bands (green, red, near-infrared, and short-wave infrared) and 10-m pixel size covering intensively cropped areas in south Texas was evaluated for crop identification. Two images with pixel sizes of 20 m and 30 m were also generated from the original image to simulate coarser resolution satellite imagery. Two subset images covering a variety of crops with different growth stages were extracted from the satellite image and five supervised classification techniques, including minimum distance, Mahalanobis distance, maximum likelihood, spectral angle mapper (SAM), and support vector machine (SVM), were applied to the 10-m subset images and the two coarser resolution images to identify crop types. The effects of the short-wave infrared band and pixel size on classification results were also examined. Kappa analysis showed that maximum likelihood and SVM performed better than the other three classifiers, though there were no statistical differences between the two best classifiers. Accuracy assessment showed that the 10-m, four-band images based on maximum likelihood resulted in the best overall accuracy values of 91% and 87% for the two respective sites. The inclusion of the short-wave infrared band statistically significantly increased the overall accuracy from 82% to 91% for site 1 and from 75% to 87% for site 2. The increase in pixel size from 10 m to 20 m or 30 m did not significantly affect the classification accuracy for crop identification. These results indicate that SPOT 5 multispectral imagery in conjunction with maximum likelihood and SVM classification techniques can be used for identifying crop types and estimating crop areas.     

结合地理信息的洞庭湖湿地分类方法研究

湿地遥感影像分类是遥感研究的一大难题。利用洞庭湖TM数据,并辅助地面GIS信息,通过专家分类知识库建立决策树分类方法,结合研究区的DEM进行洞庭湖湿地的影像分类,通过决策树层次实现了包括水体、泥沙滩地、防护林滩地、湖草、芦苇滩地和苔草滩地以及其他水体7种湿地类型的分类。其中,决策树分类总体精度80.29%,总体Kappa系数为0.883 9,分类精度相对于传统手段要高,证明基于该方法得到的数据准确度能够满足实际工作的需要;另外,基于知识分类的影像分类结果能够较好地解决一些错分的现象,针对湿地而言,混分现象最严重的泥滩地,在传统分类中大量地被分为了建筑用地或者裸地,同时草滩地与林地的混分在基于知识分类的影像中边界也较明显。相比传统分类方法,决策树分类以规则为基础,可以同时利用多个条件进行分类,减少了数据处理时间,同时还提高了分类精度,最终得到试验区较为可靠的遥感分类图像。     

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。     

结合灰度纹理和支持向量机分类的三江源草地信息提取

以三江源地区地形地貌特征、草场分布较为典型的班玛县为例,以HJ环境星多光谱影像为主要数据,基于支持向量机SVM超平面理论,结合灰度共生矩阵寻找最适宜的分类核函数,选取了三江源地区草地信息提取的最适宜SVM分类模型,并与传统的监督分类方法最大似然法和SVM分类方法进行比较,进行三江源草地分类方法的优化。结果表明,与传统监督分类方法相比,除Sigmoid核函数外,其余结合方法的分类精度均有所提高,其中结合纹理和高斯核函数的SVM分类模型有着较理想的识别效果,精度达到91%,Kappa系数为0.856 0,能为三江源地区草地可持续利用以及生态系统恢复提供基础数据。     

基于递归纹理特征消除的WorldView-2树种分类

利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.8410,比基于光谱特征的总体精度和Kappa系数高12.32%和0.1436。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。