基于机器学习算法的扬州市冬小麦遥感分类提取

卫星遥感技术是目前较为常用的农作物监测与分类技术。为实现区域冬小麦精确分类和面积提取,以江苏省扬州市为例,以哨兵2号卫星数据及航天飞机雷达地形测量(SRTM)高程数据为数据源,利用分类与回归决策树(CART)、梯度提升决策树(GBDT)、支持向量机(SVM)和随机森林(RF)4种机器学习算法建立分类模型。同时下载并调用2021年3月22日研究区的MSI多光谱影像,提取光谱、纹理、地形特征等参数,对研究区冬小麦进行分类提取,并分析4种模型的分类效果和精度。结果表明,RF和GBDT分类方法效果最好,总体精度最高,均为0.967,Kappa系数达0.960;SVM分类方法总体精度最低,为0.514,但用户精度最高,为0.972。上述方法可以实现区域农作物的精确分类和提取。

面向对象的复杂地形下冬小麦多时相遥感分类提取研究综述

复杂地形对冬小麦多时相遥感分类提取造成了挑战,因为地形起伏、阴影和光照变化可能导致遥感图像中的类别信息混淆和噪声。本文通过综述相关研究,总结了面向对象的复杂地形下冬小麦多时相遥感分类提取的研究现状和方法。研究表明,面向对象的方法结合多时相遥感数据能够有效克服地形对分类的影响,并提高分类的准确性和稳定性。

融合地理空间认知的珊瑚礁地貌单元高分遥感分类方法

近年来,在人为活动和自然因素的影响下,全球珊瑚礁面临着大规模退化问题,开展珊瑚礁监测研究对珊瑚礁生态系统评估、修复和保护工作具有重要作用。本文以西沙群岛北礁和华光礁为研究区,应用2015年高分二号(GF-2)和WorldView-2高空间分辨率卫星影像和现场调查数据,基于不同珊瑚礁地貌单元的空间位置特征,提出了融合地理空间认知(Geo-Spatial Cognition,GSC)的珊瑚礁地貌单元高分遥感分类方法。研究结果表明:针对因空间位置不同和底质组成高度近似导致珊瑚礁地貌单元漏分和错分的问题,本文提出的方法更能有效获取精准的珊瑚礁地貌单元信息。其中,融合地理空间认知的随机森林(Integrating Geo-Spatial Cognition-Random Forest,GSC-RF)方法展现出了最优的分类表现,在北礁和华光礁珊瑚礁地貌单元分类中总体精度分别为98.06%和91.93%,Kappa系数分别为0.98和0.91。相比于仅使用光谱信息的随机森林(Random Forest,RF)、多元逻辑回归(Multinomial Logistic Regression,MLR)和支持向量机(Support Vector Machine,SVM)经典分类方法,本文提出的方法对北礁和华光礁的总体分类精度分别提高了14%~25%和6%~15%。因此,本文构建的融合地理空间认知的珊瑚礁地貌单元分类方法能够大幅提高珊瑚礁地貌单元的分类精度,可为开展大范围的珊瑚礁精细监测提供技术支撑。

高分五号卫星高光谱遥感分类方法研究综述

针对高分五号卫星在我国卫星遥感应用与科研领域中的重要性,本文分析了高分五号卫星的载荷和数据特点,并对高光谱遥感分类方法的一般过程、特点及面临的问题进行初步探讨;同时,对国内外以高分五号卫星高光谱图像为主的高分系列卫星图像在遥感分类领域的研究现状和最新进展进行梳理与汇总,而且重点对机器学习和深度学习分类算法进行研究与分析,进而对高分五号高光谱遥感分类研究领域的未来发展趋势进行展望。研究结果表明,传统的单一分类模型很难满足业务应用对分类精度的要求,而机器学习和深度学习相结合的方法分类精度更高,在未来将会拥有更为广泛的应用前景。该研究为寻求更高精度的国产卫星高光谱遥感分类方法提供了建议,指明了未来的研究热点问题和发展方向。

基于时序植被指数的县域作物遥感分类方法研究

准确地获取农作物种植面积信息是农业管理部门及时掌握农作物生产信息的基础。基于时序植被指数的作物遥感分类方法,可以充分发挥遥感技术周期短、速度快和宏观性强的特点,克服单时相遥感数据的"同物异谱"和"异物同谱"导致的混分问题。以河北省曲周县作物遥感分类为例,在研究待分类作物的最佳NDVI阈值区间的基础上,探讨了基于时序植被指数的农作物分类知识规则建立方法。分类结果显示研究区2014年各类作物的种植面积分别为:冬小麦27 776.61 hm^2、夏玉米27 776.61 hm^2、春玉米2 582.73 hm^2、棉花6 485.94 hm^2、谷子277.65 hm^2。用总体分类精度、Kappa系数和统计数据对分类精度进行了验证,总体分类精度为89.166 7%,Kappa系数为0.857 4,与统计数据的相对误差分别为冬小麦-0.80%、夏玉米-0.32%、春玉米-3.15%、棉花-2.71%、谷子4.12%。研究结果表明该方法可为县域农作物种植面积遥感调查提供技术依据。

遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例

湿地遥感分类作为湿地管理、监测与评价的重要手段,受到了广泛的关注。遗传算法(GA)借鉴了生物进化规律进行启发式搜索寻优,支持向量机(SVM)是一种新型的空间数据挖掘方法,二者相结合可以发挥各自的优势,寻找到支持向量机的全局最优参数,从而较准确地对湿地进行遥感分类。以洪河自然保护区为例,采用遗传算法优化的支持向量机方法进行了湿地遥感分类研究。同格网搜索下的支持向量机湿地遥感分类及最大似然监督分类对比,结果表明,遗传算法优化较格网搜索方式总精度提高了7.29%,较最大似然监督分类提高了12.06%,方法改善了沼泽、草地与裸地三种地物间的区分,是湿地遥感分类的有效手段。

基于SVM决策支持树的城市植被类型遥感分类研究

城市植被类型不同,生物量不同,其生态功能与绿化效应也不同。在目前难直接获取城市“绿量”实测数据的情况下,可以绿地面积和植被类型间接反映绿地的生物量和绿化效应。本文利用高分辨率卫星影像IKONOS,以实验区与验证区城市植被类型信息为对象,在对常用的参数和非参数分类方法进行对比实验的基础上,对SVM的核函数进行了分析,构建了基于SVM决策树的城市植被类型分类模型。分类实验结果表明:与其他传统方法分类结果比较,SVM的决策树分类方法对植被类型的分类精度达到83.5%,绿化面积总精度接近95%,取得了良好的效果。

克拜东部黑土区侵蚀沟遥感分类与空间格局分析

近百年来,东北黑土区侵蚀沟的大量发育带来了一系列严重的社会经济问题,弄清侵蚀沟的类型、数量及分布情况是进行水土流失治理和生态环境建设的前提条件。以黑龙江省克拜东部黑土区作为典型研究区,采用2005年SPOT-5高分辨率卫星影象,结合野外调查,根据侵蚀沟的活跃程度,将黑土区的侵蚀沟分为活跃性、半活跃性和稳定性三种类型,阐述了不同类型侵蚀沟的影象特征和遥感分类方法,为利用遥感手段在区域尺度上对侵蚀沟进行快速调查提供了一种新途径。在对侵蚀沟进行信息提取和空间插值后,形成研究区不同类型侵蚀沟密度图,探讨了克拜东部黑土区侵蚀沟分布的空间格局特征及其影响因素,认为地貌发育过程中的“分水岭迁移”现象是造成该地区侵蚀沟密度东西差异的重要原因。

K-means算法在遥感分类中的应用

文中首先讨论了多光谱图像分类前需要进行的图像几何配准和大气辐射校正等预处理方法 ,然后根据K means算法的数理模型 ,重点讨论了分类的技术过程。最后讨论了从不同时相的图像变化中提取人为事件痕迹的方法 ,给出了TM图像的分类结果及事件判定结果。该方法在军控卫星核查的普查阶段有较好的实际应用价值。

基于ETM+和DEM的西藏灌木林遥感分类技术

对西藏地区主要类型灌木林进行外业遥感调查,选取海拔、坡向、坡度和NDVI4个影响西藏灌木林空间分布的主要指标,采用判别分析方法,构建判别模型和判别规则,提取基于空间分布特征的识别决策,基于覆盖研究区的ETM+和DEM,进行西藏灌木林的遥感分类技术研究。结果表明:基于灌木林空间分布特征的遥感分类精度达到86.24%,其中,狼牙刺-沙棘-红柳组合的分类精度最高,为95.00%,杜鹃-小檗和高山柳-铺地柏组合的分类精度相当,分别为81.08%和81.25%。

结合GIS数据的神经网络湿地遥感分类方法:以上海崇明岛东滩湿地为例

以上海崇明岛东滩湿地为例,利用改进的BP算法结合主成分分析,将光谱信息的主成分、NDVI、MNDWI以及GIS数据作为神经网络的输入参数对东滩湿地进行神经网络分类.结果表明,神经网络分类能够有效的提高分类的精度,适合湿地分类.

农作物种植格局对遥感分类精度的影响

研究不同作物种植成数、田块形状和田块破碎度对作物遥感分类精度的影响,是科学评价作物遥感分类精度的基础。采用GF-1遥感数据,以时序植被指数的主要农作物分类结果为基础,对研究区冬小麦-夏玉米作物种植区的分类精度与种植成分、田块形状和破碎度的关系进行了研究。结果表明,种植成数与分类精度呈正相关,田块破碎度、田块形状指数与分类精度呈负相关。

基于SPOT5的红树林遥感分类

以海南岛东寨港国家级红树林自然保护区为例,实地测量了红树林等地物光谱,获取了较为准确的红树林的光谱特征;在采用最大似然分类法提纯红树林信息基础上,结合不同红树种类的光谱特征及植被指数差异,选定可分性阈值,建立决策树分类规则,对SPOT5图像进行种间分类,并检验其分类精度。结果显示,各红树种类的使用精度都达到80%以上,且总体精度达到90%以上,为红树林生态系统业务化遥感监测奠定基础。

面向对象遥感分类新技术在第二次土地调查中的应用

以常德市石门县第二次土地调查为例,采用面向对象的分类技术对高分辨率遥感影像进行分割和自动分类,将分类结果导入GIS环境下,进行拓扑构建和属性编辑,实现图形数据、属性数据的关联,完成土地调查数据建库。

陕北黄土丘陵地区坡耕地遥感分类方法研究

陡坡开垦使坡耕地面积扩大是造成黄土高原水土流失严重、生态恶化的根本原因。应用遥感技术,及时准确地掌握坡耕地的分布特征及面积数据,对合理实施退耕还林还草工程意义重大。以陕北黄土丘陵沟壑区为实验样区,以TM图像为主要信息源,采用非监督分类与监督分类相结合的混合分类方法提取坡耕地信息。通过改进采样方法,在非监督分类生成的初始训练样本的基础上,进行删除、增补、合并等样本调整,使训练样本的选取精度大大提高,明显提高了分类精度。研究证明,在黄土丘陵沟壑区,采用混合分类方法进行坡耕地分类,较好地解决了大量存在的坡耕地同物异谱的现象,是进行坡耕地调查与监测的理想方法。

基于混合多分类器结合算法的遥感分类

为改善遥感影像分类精度,提出混合多分类器结合算法。考虑抽象级和测量级2个层次的特点,综合最优子分类器、Bagging算法和最大置信度区间法。应用到不同分辨率的遥感影像分类进行验证,结果表明,与选用的子分类器相比,该算法的总体精度和单个类别分类精度有明显提高,是有效的高中精度遥感影像分类算法。

我国海岸潟湖卫星遥感分类方法研究

参照Landsat-5TM和HJ-1CCD遥感影像,依据实地踏勘资料及解译经验,分析各种海岸潟湖地貌学成因和发育演变阶段,提出基于潟湖地貌学成因的遥感分类方法。并将我国海岸潟湖划分为滨外坝型、沙坝型、沙嘴型、湾顶坝型、连岛坝型和河口型共6种地貌类型。建立基于发育演变阶段的潟湖遥感分类标准,将海岸潟湖分为青壮年期、老年期和死亡期共3个发育演变过程;结合潟湖在影像中的特征,以近红外、红、绿波段组合后的假彩色影像为例,从色彩、纹理、地物邻接关系等方面建立不同潟湖类型的遥感解译标志;根据所建立的遥感解译标志,对山东省53个海岸潟湖进行遥感分类验证,结果吻合。

利用粗糙集理论进行遥感分类信息提取

以辽宁省双台子河口湿地为研究对象,以Landsat 8和HJ-1-A/HJ-1-B的多时相遥感影像为数据源,根据研究区现状,将研究区分为旱地、芦苇、水田、碱蓬、混合植被、水面、滩涂、居民点、养殖塘九个类型。利用时间序列的归一化植被指数提取植被与非植被的分类阈值,采用粗糙集理论和多时相遥感影像,对植被和非植被分别进行分类规则的获取,建立了研究区决策树分类模型。为了进行精度评价,利用相同的训练点又进行了同样基于像元的最大似然法分类。最后利用混淆矩阵对上述两种方法进行了精度评估,基于粗糙集的决策树分类法与最大似然法总体分类精度分别为93.70%和91.62%,Kappa系数分别为0.92和0.90,两项指标值基于粗糙集理论法均比最大似然法有所提高。这为构建决策树分类模型进行湿地地表分类信息提取提供了一条新的研究思路。

基于遥感分类的植被覆盖度提取

阐述了基于遥感分类进行植被覆盖度提取的方法,分析了直接利用关系模型提取植被覆盖度的缺点,遥感分类可获得不同类型地物,此后关系模型分别提取,解决了直接利用关系模型提取中存在的缺点。

植被高光谱遥感分类中训练样本的选择方法

针对植被高光谱遥感分类过程中参考光谱训练样本的选择问题,研究分类过程中常用训练样本的选择方法,并在此基础上提出2种新的训练样本选择(纯化)方法,然后结合具体的OMIS-I高光谱遥感数据,验证方法的有效性。