基于GF-2数据结合多纹理特征的塑料大棚识别

塑料大棚在全球范围的大量使用带来经济效益,同时也引发了很多环境问题,及时准确的塑料大棚空间分布信息是农业生产和土壤治理决策的重要依据。塑料大棚的使用改变了土壤表面的光谱特性和空间结构,塑料薄膜材质的特殊性,使其反射光谱具有强烈的方向性和不确定性,因而仅依靠地物反射光谱特征难以准确识别塑料大棚。本文以GF-2影像作为单一数据源,针对塑料大棚特有的空间分布细节信息,分析不同纹理提取算法对塑料大棚识别的适用性。结果表明:1)纹理能有效提高基于遥感影像的塑料大棚识别精度;2)使用单一纹理算法识别不同空间分布结构塑料大棚的分类方案中,采用LBP (local binary pattern)纹理算法的塑料大棚识别精度均优于GLCM (gray-level co-occurrence matrix)、PSI (pixel shape index)纹理算法,其中研究区A基于LBP纹理特征的塑料大棚识别总体精度为96.85%,Kappa系数为0.95,研究区B的总体识别精度为95.58%,Kappa系数为0.94;3)本文使用3种不同的纹理特征组合分类方案,均能提高塑料大棚的识别精度,但不同纹理特征组合算法运用到空间结构差异较大的2个区域时表现不同。加入GLCM的纹理特征组合能提高分布范围较大且聚集度高的塑料大棚识别精度(研究区A塑料大棚斑块平均面积为3.39 hm2,聚集度指数为80.64),对于塑料大棚使用面积小且分布破碎的区域识别精度提升效果不明显(研究区B塑料大棚斑块平均面积为1.37hm2,聚集度指数为72.98)。本试验结果中研究区A的地物光谱特征、NDVI和3种纹理特征组合的大棚识别精度最高,总体识别精度和Kappa系数分别达到了98.13%和0.97,研究区B的地物光谱特征、NDVI、PSI和LBP纹理特征组合识别精度最高(总体精度为96.13%,Kappa系数为0.95)。基于影像对象的多纹理特征能够实现塑料大棚的精细识别,该方法对塑料大棚空间分布精确制图具有重要意义。

基于面向对象GF-2遥感数据的元谋热区番茄识别

为了准确掌握元谋热区番茄种植的空间分布信息,实现合理调整农业结构以及区域特色农作物经济规模化发展的目标,以GF-2为数据源,基于面向对象的分类思想,以ESP尺度参数评价工具对遥感影像进行分割尺度评价。设置最优分割尺度参数后获得影像对象,随后利用光谱、纹理及植被指数构建多种识别方案,使用最大似然法和支持向量机不同分类器,对元谋热区番茄进行了遥感识别,并着重探讨了基于GF-2数据对于番茄信息提取的最佳辅助识别特征组合方法。结果表明:基于GF-2遥感影像数据构建的归一化植被指数、比值植被指数、灰度共生矩阵与局部二值模式纹理多特征组合方案在最大似然法中对番茄的识别精度最高,总体分类精度为97.20%,Kappa系数为0.91;在支持向量机中,番茄识别精度最高的组合是构建的归一化植被指数、比值植被指数以及灰度共生矩阵纹理的多特征组合方案,总体分类精度为96.44%,Kappa系数为0.87;最大似然法总体识别效果优于支持向量机。综上,基于GF-2影像数据对象所构建的多种辅助识别特征组合能够实现元谋番茄的精细识别。

基于多分类器集成的GF-2作物信息精细提取研究

【目的】将多种分类器的优点融合,以便提升遥感影像作物信息提取的精度。【方法】以渭库绿洲为研究区,利用国产高分2号(GF-2)数据和野外调查数据,基于提取的遥感识别特征制定不同分类方案,采用马氏距离(Ms DC)、最小距离(MDC)、最大似然(MLC)、神经网络(NNC)、支持向量机(SVM)5种传统机器学习方法分别对6种特征组合方案的影像进行分类,然后选择基分类器,并应用多数投票法和保守投票法2种多分类器集成算法,对研究区农作物进行精细分类提取。【结果】①辅助特征的加入对于子分类器的精度提高明显。5种分类器中除了MLC,其余4种分类器都是在加入归一化植被指数特征(NDVI)和纹理特征后取得了最高精度。②基分类器中精度最高的是NNC-4(人工神经网络的第4种特征组合方案),OA达到83.54%,Kappa系数为0.77。③相比基分类器,多分类器集成方法能够在制图精度和用户精度两方面提高农作物的提取精度。并且保守投票法优于多数投票法,OA为85.89%,Kappa系数为0.80。④集成分类结果中除了棉花的识别精度与最优基分类器NNC-4相等,达到94.94%外,其他的农作物如套种棉花、玉米、套种玉米、核桃园的识别精度都高于NNC-4,其中套种玉米与核桃园的提取效果较好,精度分别达到86.05%、79.09%;对于套种棉花的提取较差,只有63.86%;玉米的提取最差,只有12.17%。【结论】本文应用GF-2数据,基于多分类器集成方法对复杂背景下的多种作物及种植结构进行精细提取研究,拓展了作物信息提取的方向和GF-2数据的应用领域。

基于RFM模型的GF-2卫星数据几何校正精度探讨

本文以GF-2国产卫星原始数据为研究对象,在基于RFM下分别采用不同精度DEM数据和不同数量的GCP的参与下来探讨对GF-2卫星全色波段原始数据的几何纠正精度的影响。结果表明:在一定数量GCP参与下采用10m分辨率DEM纠正的全色波段影像精度要明显高于30m分辨率DEM,通过分析在8个GCP参与下采用30m分辨率DEM纠正的全色波段影像最大中误差为4.74m,达到1:10000尺度精度要求;此外,并不是参与纠正的GCP数量越多其图像纠正的精度就越高,GCP参与的数量在6-8个时纠正的图像精度相差不大,在30m分辨率DEM参与下GCP数量最少为6个所纠正的全色波段影像才能满足1:10000工作的精度要求。

基于GF-2卫星数据尾矿提取研究

以新疆伽师县铜矿区GF-2卫星数据为信息源,通过对GF-2卫星数据下尾矿库尾矿光谱特征与纹理结构特征的分析,构建了尾矿遥感增强处理数学模型,总结出一套可行的尾矿库提取技术流程,实现了基于GF-2卫星数据下尾矿信息的提取,为矿山尾矿调查工作提供较好的技术支持。

基于GF-2民勤县白刺包提取技术

以甘肃民勤县的白刺包为主要研究对象,采用冬季过境的高分二号(GF-2)数据,结合影像的最小值差值+最大值差值纹理信息、白刺包长宽比与面积等几何特性,利用多尺度分割、面向对象分类和阈值提取等方法进行白刺包的定量提取。研究结果表明:在白刺包的空间位置提取方面,精度达到94%,满足研究要求;而在提取面积方面,与实际面积的线性回归系数(R2)为0.77,均方根误差(RMSE)为5.77,虽然精度尚可,但仍然有进一步提高的必要。

地质灾害遥感调查与监测中高分二号卫星数据应用研究——以湖南新化示范区为例

高分二号成功发射,标志着我国已可进行1 m空间分辨率的遥感监测。为了使高分二号数据能更快地在地质灾害调查领域得到推广,本文针对地质灾害调查与监测中高分二号遥感数据的处理方法进行研究。试验表明,通过对示范区高分二号影像的处理,可获得满足1∶10 000比例尺的平面精度要求的正射影像图,且结果非常适合地质灾害遥感调查与监测。经过多次试验,采用Band1、Band4×0.25+Band2×0.75、Band3组合方法效果较佳,基于ENVI软件的Gram-Schmidt Spectral Sharpening算法进行融合效果较好。

高分辨率多光谱遥感影像森林类型分类深度U-net优化方法

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%-12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。

一种遥感影像自适应分割尺度的分类方法

针对影像分割中的尺度选取问题,该文基于GF-2多光谱数据提出一种基于自上而下自适应分割尺度的分类方法,该方法在提取每一分割对象光谱、纹理特征的基础上,构建其在各波段复杂度函数,根据每类地物在各波段的复杂度阈值和分类规则,经迭代计算,确定每一对象的最适宜尺度和所属地类,进而得到具有最佳尺度的分割和分类结果。将其与采用ESP尺度分析算法得到的单一最优尺度下的分类结果进行对比分析,结果表明:该方法能够获取与地面目标相匹配的分割尺度,改善了分割效果,提高了分类精度,具有一定实用价值。

一种像素与对象相结合的林区建筑物识别方法

针对林区建筑物遥感监测技术需求,为构建GF-2数据在林区建筑物识别中的应用方法,选取蜀南竹海风景名胜区为研究区,根据所选区域建筑物的GF-2影像特征,研究形成了像素级和对象级相结合的林区建筑物识别方法。首先利用基于递归特征消除法的随机森林算法对预处理后的GF-2影像进行特征筛选;然后通过对比支持向量机和随机森林分类器识别的建筑物结果,选用支持向量机分类器所得研究区建筑物作为像素级识别结果;融合像素级建筑物识别结果和多尺度分割得到的影像对象,识别出该研究区建筑物目标。结果表明:利用支持向量机分类器进行像素级建筑物识别,其结果的正确率、完整率和质量均高于随机森林分类器;提出的像素级和对象级相结合的建筑物识别方法既保留了简单易行的优势,也避免了椒盐现象,在正确率、完整率和质量上均比像素级方法和对象级方法有所提高,在质量上分别比像素级方法和对象级方法提高了0.20和0.13,该方法可为主管单位有效监管林区内违规建筑物提供技术支撑。