联合GEE与多源遥感数据的土地利用分类研究

基于随机森林算法(Random Forest,RF)和Google Earth Engine(GEE)云平台,探索时间序列的Sentinel-1合成孔径雷达(Synthetic Aperture Radar,SAR)数据后向散射系数对大范围土地分类的效果,并融合Sentinel-1、Sentinel-2主被动遥感数据,探究利用JM距离寻找最优特征的可行性,对比分析了融合数据后向散射系数、光谱特征、植被指数特征与纹理特征等不同组合对土地分类精度的改善情况。结果表明:在地形复杂和雨量丰富的江西赣州地区,单使用时序SAR数据对土地利用分类的总体精度达到85.02%,Kappa系数为0.79。融合主被动Sentinel数据的分类精度最高,总体精度达到94.96%,Kappa系数为0.93。但SAR数据相对光学数据和主被动融合数据,在光学数据云雾覆盖区域可进行土地分类研究。本研究采用的方法和平台,能准确、高效地进行土地利用分类工作,具有很好的推广价值。

基于优选特征及月合成Landsat数据湿地提取研究

针对Landsat卫星完整时间序列数据难以获取导致的湿地提取准确性较低和湿地提取最优特征不明确的问题,该文提出一种基于优选特征和月合成时间序列Landsat数据提取湿地的方法。通过月合成方法,利用Landsat7ETM+和Landsat8OLI数据构建Landsat 30m地表反射率、NDVI、NDWI和缨帽变换湿度分量的时间序列;利用随机森林算法和扩展的Jeffries-Matusita距离(JBh)优选对湿地提取贡献较大的特征,并基于优选特征提取湿地。结果显示:1)月合成方法有效地改善了条带和云覆盖造成的Landsat单景影像数据缺失问题;2)5月NDVI和6、8月NDWI以及5月TC-Wetness是区分永久性草本沼泽、水稻田、草地和旱地的最优特征;3)基于优选特征的湿地分类结果总体精度达到0.91,Kappa系数为0.89。特征优选减少了数据冗余,提高了运算效率,为提高湿地分类精度提供了理论基础。

联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取

湿地是地球上最重要的生态系统之一,在维持全球生态环境安全等方面发挥着举足轻重的作用。由于湿地独特的水文特征,传统的湿地监测需要耗费大量的人力和财力,对于大尺度的湿地信息提取更是困难重重。随着大数据和云计算的兴起,为大尺度和长时间序列的空间数据处理提供了契机。本文基于Google Earth Engine(GEE)云平台,使用Sentinel-1合成孔径雷达(SAR)数据、Sentinel-2光学数据以及地形数据,探讨了红边、雷达以及地形特征对大范围区域沼泽湿地提取的重要性,验证了利用JM距离寻找沼泽湿地提取最优特征组合的可行性,结合随机森林算法对2018年黑龙江流域沼泽湿地进行提取。研究表明:(1)Sentinel-2红边波段和Sentinel-1雷达波段以及地形数据有利于沼泽湿地信息提取,相比植被指数和水体指数沼泽的制图精度分别提高了7.56%,5.04%,4.48%;(2)利用JM距离得到的分离度表明,红边特征>其他光学特征>地形特征>雷达特征。进行特征优选后沼泽湿地的制图和用户精度分别提高了1.45%和3.02%,最终结合随机森林算法的总体精度为91.54%,沼泽的提取精度为88.55%。本研究利用GEE云平台和多源遥感数据以及机器学习算法,能够准确、快速、高效地提取大尺度范围沼泽湿地信息,具有较大的应用潜力。

特征优选下的农作物遥感分类研究

针对JM距离特征选择算法仅从类别可分性上评价特征,未考虑特征间相关性问题的不足,提出一种改进JM距离特征选择算法。该算法根据类别可分性与特征间相关性成反比的思想对特征进行评价,以此确定每个类对的最优特征组合,然后综合所有类对的最优特征组合获取最终特征优选结果,用于后续分类实验。以Sentinel-2遥感影像为数据源,利用RF和SVM分类器,结合本文算法、JM距离算法对研究区进行了分类实验。结果表明,该文所提算法的分类精度要优于JM距离算法,其中与RF分类器结合的方案最优,总体分类精度和Kappa系数分别为:93.69%、0.9263,证明了算法在作物遥感分类中的有效性。