基于随机森林算法的林地分类研究

基于随机森林分类器,利用Landsat多光谱数据对北京市门头沟地区林地地类识别分类,根据是否进行特征筛选将分类方案分为原始特征组与筛选特征组,分类结果显示:筛选特征组分类精度为60.87％高于原始特征组分类精度52.17％,4种林地地类相比,阔叶混交林地分类精度最高,其次为其他灌木林地与针叶混交林地,分类效果最差的为混...     

基于SAR数据后向散射及光学图像纹理特征的橡胶林提取

以勐腊县为研究区,基于Terra SAR-X卫星的全极化SAR数据以及谷歌高清卫星影像图,对橡胶林的后向散射系数以及其纹理特征进行提取分析,采用决策树分类方法对勐腊县的橡胶林进行分类识别。研究结果表明:全极化Terra SAR数据的HH、HV、VH、VV的后向散射及其之间的计算是构建决策树算法,实现森林、农用地、水体和城市建设用地分类的重要基础;橡胶林作为一种特殊的人工林,其具有固定的行株距以及特有的纹理特征,能把橡胶林和天然林更好地区分开;利用结合SAR数据后向散射及光学图像纹理特征的决策树分类方法对橡胶林进行提取,总体精度为87.6%,Kappa系数为0.81,橡胶林的生产者精度和用户精度均达到90%以上。     

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。     

基于支持向量机的Landsat-8影像森林类型识别研究

以吉林省汪清林业局天然林区为研究区,利用Landsat-8 OLI_TIRS多光谱遥感影像,结合森林资源野外调查数据,提取森林类型纹理、光谱特征参数,作为支持向量机的输入量,利用K-折交叉验证法确定最优核函数,识别森林类型,确定最优分类结果,评价分类精度,并与仅利用波段光谱特征的SVM分类结果进行精度对比。结果表明:利用纹理和光谱特征进行分类,构造SVM进行森林识别是可行的。惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数构造的支持向量机分类精度最好,总体分类精度可达89.58%,Kappa系数为0.87,单一分类精度中,阔叶林针叶林针阔混交林。只利用光谱特征的分类结果精度为81.26%,结合光谱和纹理特征的规律,能够提高分类精度。     

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%。     

基于高分辨率遥感影像多维度特征的树种识别方法研究

以北京市西山试验林场为研究区域,利用Worldview—2影像构建各树种的光谱特征、地形特征、植被指数特征、纹理特征以及形态特征,建立关于山地森林树种识别的知识。采用基于像元和面向对象的方法进行树种识别分类。在基于像元的分类方法中,选择决策树分类和支持向量机分类;在面向对象的分类方法中,选择基于边缘检测的方法分割影像,用最近邻法分类。决策树分类的总体分类精度为65.62%,Kappa系数为0.588 9;支持向量机分类的总体分类精度为62.42%,Kappa系数为0.552 8;面向对象的分类方法总体分类精度为64.27%,Kappa系数为0.580 2。     

一种遥感混合分类算法及其在森林分类中的应用

基于监督分类和非监督分类方法相结合的混合分类方法在森林非森林的识别方面有很好的识别效果，探讨了一种遥感混合分类算法(Iterative Guided Spectral Class Rejection)。首先对IGSCR的算法理论进行了阐述，然后利用IGSCR分类算法对同一地区多时相遥感影像进行复合的影像进行森林分类实验。通过与最大似然法的对比实验表明，IGSCR分类方法将非监督分类方法所具有的自动对具有相同光谱特征类别进行集群的能力，辅助于训练样本的获取，可以有效降低因人工判断类别光谱纯度不准确而引起的类别样本光谱混杂问题，因此能在一定程度上提高分类精度，改善分类效果。     

电脑与遥感在林业上的应用

神奇的电脑具有计算速度快、精度高、存储信息容量大等特点,并能进行记忆和逻辑判断,自动模拟与控制。应用电脑与遥感来保护森林,是当今最理想的现代化手段。一、勘察森林资源把高分辨率的航空扫描仪安装在航天飞机或人造卫星上对地面进行扫描,经过处理获得森林照片,通过电脑对森林照片处理、解释、分类和识别,根据叶肉组织较厚的阔叶树对阳光反射要比针叶树强得多的原理,首先把针阔叶树的类型区分开来,用波长     

面向对象分类方法在森林采伐遥感监测中的应用

利用多尺度分割技术和面向对象分类方法对SPOT5遥感数据进行土地的分类及森林采伐信息提取。在面向对象的图像分析中,采用图像分割——基于规则的分类——基于分类的分割的多尺度分割方法,在综合最优分割尺度下,用最邻近分类器对SPOT5影像进行分类;采用两期图像特征比较,提取森林采伐区信息,并结合二类调查成果和伐区设计资料,使用交互式补充判读和修正。结果显示:研究区各地类的分类精度都在85%以上,对森林采伐图斑判读的加权综合正判率达到90.8%,其中皆伐图斑个数正判率92.8%,非皆伐图斑个数正判率83.3%。利用多期高分辨率遥感图像可以进行森林采伐监测,研究结果为提高森林采伐限额监测效率、采伐区识别准确度和面积估算精度提供了有效途径。     

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XGBoost的高分二号影像树种识别

树种分布是森林资源监测的一个重要指标,也是遥感影像在森林资源监测应用中的难点之一。基于国产高分二号卫星影像数据、森林资源二类调查数据、DEM数据,结合光谱、纹理、指数及地形因子等多种特征,比较支持向量机、随机森林和XGBoost等3种分类算法,根据分类精度选择最优算法(即XGBoost)进行特征筛选,对龙泉市的阔叶树、马尾松、杉木和毛竹等4种主要优势树种进行分类。结果表明:采用XGBoost分类模型的分类总精度为83.88%,Kappa系数0.78,较支持向量机和随机森林分类方法有明显提高。经特征选择后,虽未明显提高树种分类精度,但可以减少特征的冗余,为小样本数据下特征的选取降维提供了一定的参考。     

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。     

GF-1卫星影像决策树分类算法的森林采伐信息提取研究

从林业行业应用出发,针对国产GF-1卫星数据的特点,采用决策树分类方法对影像采伐信息进行提取,探索了国产GF-1卫星数据在森林资源采伐信息提取方面的应用关键技术,为国产卫星数据的行业推广应用奠定理论基础。研究结果表明:决策树分类方法能够更有效地对伐区图斑分类提取,经过Kappa分析,测试区伐区影像提取精度从大到小分别为:水域分类精度96.71%,森林分类精度89.79%,伐区分类精度82.49%,公路分类精度75.30%,农田分类精度71.18%,建筑分类精度56.26%,其他分类精度53.57%。总体分类精度为87.34%。     

高分多模卫星林业地类及树种识别应用研究

遥感分类技术一直是林草行业应用的热点和难点，2021年开展的国家林草综合生态年度监测开始广泛应用遥感技术开展林地、草地和湿地图斑变化判读，地类前后变化的识别精度是其难点和关键。通过利用国内首颗分辨率优于0.5m的高分多模卫星，在湖南省桃源县、吉首市2个试验区分别开展林业主要地类识别和树种精细识别应用实践研究。结果表明：随机森林方法在林业地类识别中表现较好，林地、湿地、其他林地等主要地类的总体分类精度为89.56%,Kappa系数为0.733;K最邻近分类法对杉木、马尾松、灌木组、柑桔4个主要树种的总体识别精度为77.58%,Kappa系数为0.697。总体而言，高分多模卫星遥感分类和目标识别能力较好，在林草调查监测工作中应用潜力较大。     

基于端元提取的滇中典型森林类型识别研究

端元波谱的选择对森林类型的识别精度和效率具有重要影响。以滇中地区典型森林植被为研究对象,基于Landsat8 OLI遥感影像数据,结合二类调查数据,在影像融合的基础上提取典型森林植被的感兴趣区,通过最小噪声分离变换及n维散点图提取滇中典型森林植被(云南松、华山松、蓝桉、柏木和栎类)的波谱曲线,利用提取出的端元波谱,采用波谱角填图法进行滇中典型森林类型的识别,采用混淆矩阵对分类结果进行精度评价;同时,与传统的森林类型分类识别端元提取方法进行了对比分析。研究结果表明:1)基于感兴趣区端元提取的方法所得的分类结果较为理想,总体分类精度达83.46%,其中云南松84.78%、华山松96.88%、蓝桉80.60%、柏木75.00%、栎类57.69%。2)基于几何顶点的端元提取方法通过多次端元波谱提取、波谱分析仍仅能识别云南松、华山松、蓝桉和栎类,柏木无法识别;分类精度分别为云南松89.13%、华山松84.37%、蓝桉76.12%、栎类53.13%。基于传统方法提取出的波谱近似程度较高,分类精度偏低,端元波谱不易识别。3)基于感兴趣区的端元提取方法方便快捷、精度较高,可避免无意义端元波谱对分类结果的混淆,能有效解决端元波谱无法识别的技术难题。     

卫星遥感照片在森林调查中的应用

卫星遥感照片在林业方面主要用于森林资源调查、植被分类、土地利用调查、森林火灾、病虫害和森林动态监测。遥感图像主要采用中分辩率多谱段卫星遥感数据。遥感数据的获取应选择在植被生长季节，一般云量小于5%。在遥感图像成图时，一般要叠加10×15的经纬网;1km×1km网以及区划界线;并对以判读为主体的森林植被图像进行增强处理。 卫星遥感照片具有摄影范围大，迅速反映动态变化、资料收集方便、影像信息多和成图迅速、成本低等优点。因此，广泛应用于森林调查工作中。 1 利用卫星遥感照片，目视编制土地利用图 利用最新的卫片和相关资…     

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。     

一种改进YOLOv5的多尺度像素林火识别算法

林火破坏程度大、蔓延速度快的特点给森林生态环境和人类带来极大的危害。深度学习技术可以学习和自适应提取林火特征,捕获的林火图像中火焰的像素尺寸不同,林火提取的特征也不同。为了能够识别复杂背景下不同像素尺度的火灾,笔者提出了一种改进的YOLOv5林火识别方法,通过在YOLOv5的检测网络加入解耦头,解决林火图像输出变量时分类和回归的冲突问题,加快网络收敛速度提高识别精度;在网络中引进CBAM注意力机制,更关注林火信息同时提升识别精度;在Neck网络引入加权双向特征金字塔网络(BiFPN),替换原有的路径聚合网络(PANet),对不同维度的林火特征进行融合,进行特征筛选,增强特征表示能力。实验结果表明,该林火识别算法在自制的林火数据集上进行训练和验证模型,检测性能上均优于YOLOv5算法,在准确率、召回率、平均精度分别提升了5.2%,3.0%,3.4%,mAP@.5:.95提升了4.6%,并且在不同尺寸林火目标的识别精度上均有提升。研究结果对林火识别性能提升有着积极意义。     

基于SPOT5遥感影像的珲春林业局森林分类研究

利用SPOT5卫星图像对研究区森林类型进行计算机分类,总体精度普遍不高,并且许多森林地类或林分类型的生产者精度和用户精度均比较低,林分类型与检验样本都存在较大偏差。在四种分类方法中,马氏分类法精度最高,总体精度达到57.13%,Kappa系数0.5208。     

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。