分割尺度对面向对象树种分类的影响及评价

【目的】研究分割尺度对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象树种分割与分类的影响,进而评价2种数据协同树种分类的适宜性。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,在面向对象分类过程中采用3种分割方案(单独使用QuickBird遥感影像分割、单独使用Radarsat-2数据分割和QuickBird&Radarsat-2协同分割),每种分割方案采用10种分割尺度(25~250,步长为25),应用修正的欧式距离3(ED3_(modified))评价分割质量。对于3种分割方案采用各自特征及二者共同特征,分别应用支持向量机(SVM)分类器进行面向对象树种分类。【结果】在10种分割尺度上,QuickBird&Radarsat-2协同分割和单独使用QuickBird遥感影像分割的ED3_(modified)明显低于单独使用Radarsat-2数据分割获得的ED3_(modified)。QuickBird&Radarsat-2协同分割以分割尺度100进行分割的质量最好(ED3_(modified)=0.34)。3种分割-分类方案在小尺度上分类总精度(OA)较低,随着尺度增大,OA也再提高并在某个尺度达到最大值,之后OA随尺度增大而降低。QuickBird&Radarsat-2协同分割-分类在分割尺度100获得了最高分类精度(OA=85.55%;Kappa=0.86)。单独使用QuickBird遥感影像分割-分类在分割尺度150获得了最高分类精度(OA=81.11%;Kappa=0.82),单独使用Radarsat-2数据分割-分类在分割尺度125获得了最高分类精度(OA=66.67%;Kappa=0.68)。OA与ED3_(modified)高度相关(R^2=0.73)。【结论】在所有尺度(25~250)上,QuickBird&Radarsat-2协同使用的分割质量和分类精度高于单独使用其中一种数据源的分割质量和分类精度,相比单独使用Radarsat-2数据优势更加明显。分割尺度对面向对象树种分类结果有着重要影响。匹配良好的分割和参考对象能够得到更高精度的分类结果,同时,轻微的过度分割或分割不足不会明显影响分类结果。

GF-3全极化SAR数据极化分解估算人工林冠层生物量

【目的】探讨GF-3全极化SAR数据在人工林冠层生物量估算中的潜力,提出一种准确估算森林冠层生物量的方法。【方法】以内蒙古赤峰市旺业甸林场油松和华北落叶松人工林为研究对象,以GF-3全极化SAR数据为基础,结合地面实测22块样地数据,采用Freeman三分量分解、Freeman二分量分解、Yamaguchi三分量分解3种极化分解方法获得极化分解分量,分别构建各极化分解方法所对应的冠-地散射比参数(R 1、R 2和R 3),应用多元逐步回归方法建立森林冠层生物量与SAR提取参数回归模型,并运用留一法交叉检验对模型进行评价。【结果】不同极化分解方法所得分量与冠层生物量均存在较为显著的负相关关系,Freeman三分量分解体散射分量与冠层生物量的相关性(r=-0.68)高于二次散射分量(r=-0.6)和表面散射分量(r=-0.424),类似地,Freeman二分量分解体散射分量与冠层生物量的相关性(r=-0.718)高于地面散射分量(r=-0.62),而Yamaguchi三分量分解二次散射分量与冠层生物量的相关性(r=-0.743)最高,与Freeman三分量分解相比,Freeman二分量分解、Yamaguchi三分量分解的极化分解分量与冠层生物量具有更好的相关性。应用多元逐步回归方法获得的最优参数为Freeman二分量分解和Yamaguchi三分量分解对应的冠-地散射比参数R 2和R 3,建立的冠层生物量估算模型R 2=0.658,RMSE=4.943 t·hm-2;交叉验证结果表明,模型预测误差较低(ME=-0.665 t·hm-2,MAE=4.845 t·hm-2,MRE=3.33%,AMRE=23.233%,P=91.5%),且模型通过置信椭圆F检验,模型预测值与实测值一致,模拟结果较好,预测值大致分布在1∶1直线附近,模型未出现饱和点。【结论】Freeman三分量分解、Freeman二分量分解、Yamaguchi三分量分解3种极化分解方法获得的极化分解分量均与冠层生物量具有显著相关关系,极化相干矩阵旋转变换、体散射模型优化可有效提高森林区域极化分解效果,冠-地散射比参数对冠层生物量的敏感性高于任何单一极化分解分量,多种SAR极化分解参数共同使用能够较好估算冠层生物量。极化分解估算森林冠层生物量具有可行性,且不存在明显的饱和性问题。

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。

基于多源遥感数据的面向对象林分类型识别

林分类型的识别是森林资源监测的核心问题之一.为研究多源遥感数据协同的面向对象林分类型分类识别,采用Radarsat-2数据和Quick Bird遥感影像协同进行面向对象分类.在面向对象分类过程中,采用3种分割方案:单独使用Quick Bird遥感影像分割;单独使用Radarsat-2数据分割;Radarsat-2&Quick Bird协同分割.3种分割方案均采用10种分割尺度(25~250,步长25),应用修正的欧式距离3指标评价不同分割方案的分割结果,确定最优分割方案及最优分割尺度.在最优分割结果的基础上,基于地形、高度、光谱及共同特征的不同特征组合,应用带有径向基(RBF)核函数的支持向量机(SVM)分类器进行杉木林、马尾松林、阔叶林3种林分类型识别.结果表明:与单独使用一种数据相比,Radarsat-2数据和Quick Bird遥感影像协同方案在面向对象林分类型分类方面具有优势.Radarsat-2&Quick Bird协同分割方案,以最优尺度参数100进行分割时,分割结果最好.在最优分割结果的基础上,应用两种数据源提取的全部特征进行面向对象林分类型识别的精度最高(总精度为86%,Kappa值为0.86).本研究结果不仅可为多源遥感数据结合进行林分类型识别提供参考和借鉴,而且对于森林资源调查和监测有现实意义.

基于易康软件的QuickBird遥感影像林分类型识别——以福建省将乐林场为例

【目的】研究基于面向对象方法的林分类型识别,解决森林资源监测的核心问题。【方法】以福建省将乐林场为研究样本,采用基于Quick Bird遥感影像的蓝、绿、红、近红外4个多光谱波段为面向对象分类的试验数据,借助e Cognition Developer 8.7(易康)软件,设置10种分割尺度(25～250,步长为25),应用带有线性核函数支持向量机分类器(support vector machine,SVM),分别对每种分割尺度下的3组特征(单独光谱、光谱+纹理、光谱+纹理+空间)进行面向对象林分类型分类。【结果】以尺度参数150对Quick Bird遥感影像进行分割质量最高(ED3Modified=0.37)。10种尺度上,在光谱特征中加入纹理特征能够明显提高分类精度,但引入空间特征分类精度几乎无变化。基于光谱+纹理特征在分割尺度150时获得了最高分类精度(总精度达到85%,Kappa系数为0. 86)。【结论】分割尺度对面向对象林分类型识别精度有着重要影响。在所有尺度(25～250)下,光谱、纹理特征分类精度均高于单独使用光谱特征分类总精度,空间特征在林分类型分类中并没有起到作用。匹配良好的分割和参考对象时能够得到更高精度的分类结果,同时,轻微的过度分割或分割不足不会明显影响分类结果。基于易康软件的面向对象方法对Quick Bird多波段遥感数据进行林分类型分类能够获得比较满意的结果。