基于光谱和纹理特征的速生桉信息提取方法研究

桉树生长速度快、用途广,具有良好的经济效益、社会效益和生态效益。但桉树的种植、砍伐与促长之间周期交替过于频繁,传统的林业调查不仅会受各种主客观因素的影响,而且获取信息的可信度较低。文章以Rapi Eye影像为数据源,结合GPS调查手段,运用e Cognition平台,以光谱和纹理相结合的面向对象的分析方法,并创建知识规则集,对桉树林信息进行提取。实验表明,传统基于像素的监督分类方法总体精度为68.83%,Kappa系数为0.67。而基于以光谱纹理、创建知识规则集相结合的面向对象分析方法,桉树信息提取的总体精度达到82.12%,Kappa系数为0.80,该提取方法可获得更好的分类质量、效率与精度。     

基于GF-1 WFV数据的甘蔗种植面积监测

基于高分一号卫星(GF-1)的宽幅相机(WFV)数据,以广西扶绥县为例,引入坡度、耕地基础地理数据库。根据遥感影像的光谱特征,采用非监督分类、监督分类及NDVI剔除法相结合的方法,准确提取出该县甘蔗种植面积。经精度验证,GF-1WFV数据对扶绥县种植面积遥感监测总体精度为总精度达89.15%,Kappa系数为0.7803,生产者精度和用户精度分别为90.72%和87.21%,均达到农业生产的需求。结果表明,GF-1 WFV数据能为县域尺度甘蔗种植面积的进行有效的追踪和检测。     

基于Sentinel 2影像的青衣江流域土地利用分类

以四川省青衣江流域乐山灌区为研究区域,Sentinel 2光学影像为数据源,采用分类方法最大似然法、CART决策树法和基于多时相归一化植被指数(Normalized Difference Vegetation Index,NDVI)决策树分类方法,实现了研究区域大春土地利用的分类提取,对各种分类结果的精度评定结果表明基于相应多时相NDVI数据集的决策树分类方法在3种分类方法中精度最高,总体分类精度85.22%,Kappa系数0.81。最终本研究技术方法成功提取了青衣江流域建筑、水、森林的分布信息及大春作物水稻、红苕、大春蔬菜的作物种植信息。     

基于面向对象随机森林算法的主被动遥感协同实现农作物自动识别

以Sentinel-1/2哨兵卫星获取的雷达和多光谱遥感影像为数据源,提取多时相光谱反射和微波后向散射特征变量,基于面向对象的随机森林算法对吉林省扶余市水稻、玉米和大豆分类,并与支持向量机算法比较,综合评估基于多源遥感数据的面向对象随机森林算法对大范围农作物自动识别的适用性。结果表明：利用多时相多源遥感数据能够有效提高作物分类精度。面向对象随机森林算法的分类总体精度为87.32%,高于支持向量机算法9.82%。利用面向对象随机森林算法结合多时相主被动遥感特征变量能够准确地自动识别大范围农作物,可为作物种植面积调查与产量估值提供重要的支撑。     

基于面向对象的香榧资源分布遥感调查研究

香榧系第三纪孑遗植物,为我同特有的珍贵经济树种.常规的香榧资源调查方法存在工作量大、数据时效性差等不足.近年来高分辨率遥感影像的应用,为特定树种信息提取提供了可能.基于此,本文以高分辨率IKONOS卫星影像为基础,采用面向对象的信息提取方法,多尺度分割形成对象后,利用光谱、形状、纹理等构建特征空间,进行会稽山区香榧信息提取的试验,并与常规监督分类法(最大似然法)进行了比较.结果显示,基于面向对象方法的香榧信息提取精度达到86.57%,比监督分类法的精度提高了27.90%.研究表明,用面向对象的分类方法进行香榧信息提取和资源调查是可行的.     

基于ETM＋影像的凌源市土地利用遥感分类方法的研究

本文以辽宁省凌源市为研究对象,采用RS技术,以ETM＋数据为信息源,使用ENVI遥感影像处理软件进行数据处理,对凌源市土地利用类型进行分类,并对分类结果进行精度比较分析。分类的方法包括非监督分类,监督分类的最大似然法分类以及决策树分类。采用混淆矩阵法对三种分类结果进行精度分析。结果表明,非监督分类与最大似然法分类的总体精度分别为84.34%、85.82%,精度不高。在决策树分类中,对数据进行地物光谱特征分析、NDVI特征分析、主成分分析并结合DEM数据,建立一棵比较合理的决策树,总体分类精度达到90.65%。     

面向对象的武汉市街区公共遥感影像分类研究

面向对象的遥感影像分类方法克服了传统基于像元分类方法的弊端,将对象光谱、空间纹理等特征一并加入分类依据中,有效避免了“同谱异物”或“异物同谱”的问题,适合于高分辨率的遥感影像分类。以武汉市某街区公共遥感影像为例,采用上述方法,结合支持向量机分类方法进行地物分类识别,结果显示,分类总体精度达到了89．9913％,取得了良好的分类效果。     

训练样本数量对高光谱影像分类精度影响研究

高光谱影像的分类中存在Hughes现象,随着维数的提高,所需要的样本数量也越来越多,因此训练样本数量的增加会使分类精度得到一定提高。本文利用AVIRIS高光谱影像数据,在标准训练样本集的基础上选取5%、10%和30%三种样本数量,分别在主成分分析、等距特征映射和拉普拉斯特征映射3种降维方法,及最大似然、人工神经元网络和支持向量机3种典型的分类方法的组合下进行了监督分类实验,分析了训练样本数量对高光谱影像总体分类精度的影响。结果表明:训练样本数量的增加在一定程度上能够提高高光谱影像的分类精度,但在不同的降维方法和分类方法上表现有一定差异,相对而言主成分分析法和支持向量机法的分类精度对样本量的增加更加敏感,且在相同的降维方法下支持向量机法的分类精度最高。     

基于BP神经网络的遥感影像分类方法研究

本文用遥感影像监督分类的常用方法与基于BP神经网络的分类方法对黑龙江省鹤岗市某区域高分二号数据进行土地利用分类,并比较分类精度,得出基于BP神经网络的分类方法总体精度相对较高。     

基于面向对象高分辨率影像的校园地物提取

针对高分辨率遥感影像的校园地物分类,引入了面向对象的信息提取技术,以校园作为研究对象,实现校园用地的分类和提取。最终结果精度高达85%左右,比传统监督分类中相对成熟的最大似然的精度高出10%左右,同时克服了"椒盐"噪声的影响,各地物信息的提取特征比较明显,具有较大的应用潜力。     

高分辨率遥感影像线状地物提取方法研究

线状地物提取是遥感影像处理的主要研究内容之一。本文针对传统低层次单个像元纯光谱的信息提取方法的不足,构建了一种基于Canny边缘检测的面向对象提取方法。并针对面向对象遥感影像分割容易受到噪声和其他地物干扰导致提取精度不高的问题,运用Canny算子对遥感影像进行高斯滤波,降低噪声影响,采用高低双阈值法细化边缘有效检测出地物的边缘信息。最后结合面向对象的原理,通过基于规则的方法提取线状地物,得到包含线状地物信息的二值图像。精度检验结果表明,基于Canny边缘检测的面向对象方法提取线状地物的欠提取率平均为6.3%,比数学形态学方法提取线状地物的欠提取率下降了22.6%,可以有效提高线状地物提取的精度,对高分辨率遥感影像线状地物信息提取研究具有一定的参考价值。     

基于相容粗糙集的BP神经网络湿地覆被信息提取——以双台子河口湿地为例

BP神经网络因具有自学习、自适应、大规模并行处理等特点而广泛应用于遥感影像分类中,但是该方法训练时容易陷入局部极小值,且收敛速度较慢,针对这些不足提出一种基于相容粗糙集的BP神经网络分类方法。本文以双台子河口湿地为研究对象,以Landsat-8 OLI影像为数据基础,利用相容粗糙集理论对样本数据集进行预处理,将得到的数据作为新的训练样本,在Matlab软件平台下建立BP神经网络的湿地覆被分类模型,进行湿地覆被信息提取,将分类结果与单纯的BP神经网络以及粗糙集样本属性约简预处理的分类结果进行比较分析。结果表明,基于相容粗糙集的BP神经网络分类方法可以剔除训练样本中的噪声数据,提高网络的训练成功率,缩短网络的收敛时间,分类效果较好,其总体精度达到91.25%,Kappa系数为0.8969,比单纯的BP神经网络分类结果高7.92%和0.0926,比粗糙集样本属性约简预处理方法的分类结果高3.03%和0.0357,是一种有效的湿地覆被分类方法。     

基于相容粗糙集的BP神经网络湿地覆被信息提取——以双台子河口湿地为例

BP神经网络因具有自学习、自适应、大规模并行处理等特点而广泛应用于遥感影像分类中,但是该方法训练时容易陷入局部极小值,且收敛速度较慢,针对这些不足提出一种基于相容粗糙集的BP神经网络分类方法。本文以双台子河口湿地为研究对象,以Landsat-8 OLI影像为数据基础,利用相容粗糙集理论对样本数据集进行预处理,将得到的数据作为新的训练样本,在Matlab软件平台下建立BP神经网络的湿地覆被分类模型,进行湿地覆被信息提取,将分类结果与单纯的BP神经网络以及粗糙集样本属性约简预处理的分类结果进行比较分析。结果表明,基于相容粗糙集的BP神经网络分类方法可以剔除训练样本中的噪声数据,提高网络的训练成功率,缩短网络的收敛时间,分类效果较好,其总体精度达到91.25%,Kappa系数为0.8969,比单纯的BP神经网络分类结果高7.92%和0.0926,比粗糙集样本属性约简预处理方法的分类结果高3.03%和0.0357,是一种有效的湿地覆被分类方法。     

基于Landsat8OLI和Sentinel-2A影像在湿地提取水体信息的差异性研究

湿地作为中国重要的生态水文环境资源,及时、准确的监测湿地的水体信息具有重要意义。虽然Sentinel-2A数据相较于Landsat-8影像作为新兴的卫星遥感影像数据源名具有较多优势,但在湿地的水体信息提取的应用效果是否具有众多优点,仍是未知,因此,本文选取扎龙湿地研究区内的Sentinel-2a和Landsat-8影响各一景影像作为数据源,基于面向对象的分类分类方法提取湿地的水体信息,验证两种数据源的分类结果精度,结果表明:a.基于影像光谱特征差异和水体指数的可分性Sentinel-2A都高于Landsat-8影像,且提取结果显著。b.Sentinel-2A相较于Landsat-8影像提取得到较高的精度,水体信息用户精度87.31%,总体精度达85.87%,以上研究结果表明:Sentinel-2A影像数据相较于Landsat-8数据在复杂的小尺度湿地提取水体信息的精度更高,研究结果可作为湿地的保护研究提供理论基础数据。     

遥感影像分析中面向对象分类方法的研究

由于传统基于像元的分类方法存在诸多局限性,因此文章介绍了一种面向对象的影像分类方法。应definiensdeveloper7．O软件,以昆明地区海口城镇为试验区进行地物提取,并获得了较好的效果,最后提取的精度达93．66％。     

基于决策树分类的云南省迪庆地区景观类型研究

决策树分类是基于空间数据挖掘和知识发现的监督分类方法。本研究利用遥感TM数据和DEM数据,构建分类决策树,并通过ENVI软件实现决策树分类,得到迪庆地区的景观类型分布图。同时利用传统的监督分类的方法进行分类,得到该地区景观类型分布图。利用野外实地采样的数据对两种分类方法进行精度评价,结果表明,两种分类方法的总体分类精度分别为85.5%和67.4%,决策树分类方法的总体分类精度比传统监督分类提高了近20%。在此基础上,研究云南省迪庆地区的景观类型分布状况,可得到以下结论:迪庆地区的景观类型主要有河谷灌丛面积约占5.5%,针叶林面积约占36.16%,亚高山灌丛草甸面积约占3.4%,高山冰雪面积约占3.7%,裸地面积约占25.4%,水体面积约占4.4%。除裸地和水体外,其他景观基本都沿着山体按海拔高度和坡向分布,其中面积最大的为针叶林景观。这与该地区高山峡谷地貌吻合。     

基于面向对象分类方法的地类调查

针对信息量丰富的高分辨率遥感影像,面向对象的分类技术应运而生。以调查土地利用类型为目标,着重研究面向对象分类方法在高分辨率工作底图中进行地类调查的应用,并与传统基于像元分类结果进行比较,寻求更为理想的地类调查方法。     

基于面向对象分类的芒果林遥感提取方法研究

中国芒果种植面积居世界第二,并有持续增长的趋势。国内外利用遥感手段提取农作物的相关研究较多,但有关芒果林遥感提取的研究仍较少。本研究基于2016年12月的高分辨率卫星SPOT-6数据,结合植被覆盖度(FVC)和坡度(SLOPE)因子,利用面向对象分类方法对芒果林地信息进行提取,结果表明,利用FVC和SLOPE参与分割的面向对象分类方法,提取芒果林地的生产者精度达92.81%,用户精度达97.19%。该方法相比于最大似然法分类以及FVC和SLOPE未参与分割的面向对象分类,提取芒果林地的生产者精度分别提高了19.28%和3.62%;用户精度分别提高了8.62%和3.86%。本研究可为果园用地的遥感识别与信息提取有效的方法借鉴。     

基于多旋翼无人机的大豆育种遥感监测应用研究

本文以国家大豆改良中心圣丰试验站大豆育种基地为研究区域,利用多旋翼无人机搭载高清数码相机对大豆育种小区进行遥感监测,并开展了针对大豆育种表现形态的信息解析。试验中,获取无人机载高清数码及多光谱影像覆盖约90亩育种小区,经数据几何处理实现小区高清正射影像及多光谱影像拼接。基于高清数码影像,采用最大似然法对大豆叶形、叶色进行监督分类,经目视判读,分类精度分别达到86.9%,78.2%。基于多光谱影像,开展大豆长势遥感监测分级。研究表明,利用基于无人机的低空遥感技术能够实现辅助作物育种表型信息获取的需求,解决作物育种田间调查标准不统一、时效性差等问题。     

对应分析在多时相遥感影像分类前变化检测中的应用——以江苏省盐城市为例

利用对应分析(Correspondence Analysis,CA)对江苏省盐城市及周边地区两个不同时相影像进行土地利用/土地覆被(land use/land cover,LULC)变化检测.在对两幅辐射归一化影像采用CA算法进行变换后,将二者的第一主成分(Principal Component 1,PCI)相减得到差值影像,利用总体精度(Overall Accuracy)曲线,经反复试验,最终设定±1.6δ作为上下限最佳阈值,对差值影像进行密度分割(Density Slice),并提取出研究区域的植被变化信息.在利用混淆矩阵与主成分分析(Principal Component Analysis,PCA)所得的结果对比中发现,CA变换变化检测的结果要明显优于传统的PCA变化检测的结果.CA结果显示,CA变换变化检测结果的总体精度为89.60%,卡帕系数(Kappa Coefficient)为0.8194,比PCA变化检测结果卡帕系数提高近0.1,由此可见,CA变换可以作为用于检测土地覆被变化的一种有效的多元统计分析技术.