基于GF-6影像的农作物种植结构提取方法研究

【目的】挖掘国产卫星影像数据信息,快速准确地获取农作物的种植结构类型,为优化农业生产布局提供参考。【方法】利用随机森林算法模型,结合样本数据对影像的光谱特征、植被指数特征、纹理特征进行重要性分析,通过评估分类精度获得基于GF-6影像的最优特征组合,并将优选后的特征用于面向对象分类研究(以平滑度0.5、紧致度0.3为参数,10为步长,设置40~140共11种不同分割尺度),以得到研究区主要农作物种植结构的空间分布。【结果】特征优选的方法得到GVI、EVI、Nir、GI、GNDVI和Green特征,能够有效减少农作物分类中的数据冗余,提升分类效率;研究区农田设置的11种分割尺度中,最优分割尺度为100,分割结果保留了地块的完整性并体现了不同农作物类型的异质性;基于面向对象分类方法的分类精度达96.2%,Kappa系数为0.944,相较基于像元的分类精度提升5.3个百分点。【结论】以国产GF-6影像为数据源,采用特征优选的面向对象分类方法能够有效提升分类精度,可作为开展农作物种植结构监测的有效手段。

融合GF-6 WFV影像主成分分析特征的县域冬小麦种植面积提取

为准确、快速获得县域冬小麦的种植信息,针对多时相方法存在的成本高、效率低、过程复杂等问题,以安徽省固镇县为研究区,提出基于单时相GF-6 WFV影像主成分分析特征与原始光谱波段归一化融合、并使用K-最近邻算法进行土地覆盖物分类的有效面积提取方法。结果表明,所提出方法优于RAW和PDR这2种基准方法,且降维维度参数为3时效果最好,总体精度和Kappa系数分别为89.71%和0.87,实际冬小麦提取面积精度达98.49%,相对误差仅为1.51%。

GF-6影像下的南方路域针叶植被LAI反演研究

为了更好应用国产高分辨率遥感影像监测评价南方路域植被环境,研究南方路域针叶植被叶面积指数遥感反演。该文以长益高速研究区域的高分六号影像(GF-6)为基础,提出了可适用于针叶叶片的LIBERTY+SAIL耦合模型并结合多元线性回归、局部加权回归反演路域植被针叶LAI的方法。研究中以耦合模型模拟的冠层光谱反射率、GF-6影像和野外实测生化参数为数据源,通过相关性分析,将与LAI相关性较高的SAVI、RVI和EVI 3种植被指数作为反演因子,结合组合模型反演LAI并评定模型的反演精度。结果表明,耦合模型对南方路域针叶植被LAI的估算精度整体较高,对比分析两种叶面积指数的组合预测模型,耦合模型结合局部加权回归组合反演LAI具有优越性,可更好地反演路域植被针叶LAI。

基于CNN的不同空间分辨率影像土地覆被分类研究

基于卷积神经网络(Convolutional Neural Networks,CNN)和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引入了窗口滑动方法进行辅助选样。研究表明5种不同空间分辨率影像的总体分类精度均达89%以上,Kappa系数达0.86以上,分类精度较高。在所涉及的分辨率尺度范围内,空间分辨率越高,CNN分类结果越精细,并能保持较高的分类精度,表明CNN更适合高空间分辨率影像分类;但同时影像空间分辨率越高,地物表现出较高的类内变异性和低类间差异性,分类精度有降低的趋势。相比较而言,SPOT 6影像的分类精度最高,同时窗口滑动是一种有效的样本辅助选择方法。研究对今后同类工作具有一定的借鉴意义。