基于随机森林算法的城区土地覆盖分类研究

随机森林算法是一种高度灵活且易于使用的机器学习算法,目前在遥感影像分类中应用广泛。为了验证其在城市土地覆盖分类中的效果,本文对河南省洛阳市局部城区进行了土地覆盖分类实验,将Landsat 8(OLI)遥感影像的光谱波段、光谱指数和纹理特征相结合,构成多种特征组合进行随机森林算法分类比较,选择分类效果最佳方案,并与支持向量机方法进行比较。后利用随机森林算法对该组合特征变量高维数据进行降维处理,得到优化特征方案。实验结果表明:采用多源特征组合的随机森林算法的土地利用分类效果最佳,总体精度为90.54%,Kappa系数为0.890,比支持向量机方法的分类精度提高了3.1%;降维处理后的特征方案与随机森林结合在保证分类结果拥有高准确度的同时,减少了运算时间,实现了土地覆被类型信息的高效获取。表明随机森林算法在城区土地覆盖分类上有很好的适用性与稳定性。     

基于极化SAR和光学影像特征的土地覆盖分类

为了更好地利用多源遥感影像参与土地覆盖分类,采用一种基于合成孔径雷达(SAR)影像和光学影像相结合的特征分析及筛选方法.该方法在对光学影像和SAR影像的各类特征变量进行可分性分析后,使用随机森林算法对其组成的高维变量空间进行降维筛选,将筛选出的特征变量用于土地覆盖分类,并对实验结果进行分析比较.实验结果表明:利用随机森林算法对特征变量进行分析筛选后的变量组合可以取得最优的分类结果,总体精度和Kappa系数可以达到92.1％和0.91,相比于仅用SAR影像特征变量进行分类时分别提升了11.9％和16.7％.该方法能够充分发挥光学影像和SAR影像各自的优势,提高特征变量的利用率,使分类结果更加稳定和精确.     

基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.     

随机森林算法在干旱区土地利用遥感分类中的应用研究

为了验证随机森林算法在干旱区土地利用遥感分类中的效果,本文采用随机森林算法,结合Landsat8遥感影像以及DEM、NDVI等辅助数据,解译了干旱区典型流域玛纳斯河流域的土地利用图。分析结果表明:(1)分析决策树数量(k)和分类变量数量(m)对分类精度具有很大影响。通过优化2个参数得到最优随机森林模型,当k取103、m取6时,模型分类精度可达95%;(2)通过土地利用分类精度的影响因子分析发现,海拔高程和归一化植被指数对土地利用分类的影响程度比坡向的影响更大。(3)通过分类结果对比分析发现,应用随机森林算法分类的精度比用最大似然法的分类精度高9%,利用变量重要性筛选出的遥感波段构建优化随机森林模型,能有效降低遥感数据源数据量,而Kappa系数保持在0.97不变。随机森林算法可以在干旱区土地利用分类中广泛应用。     

土地利用的遥感信息变化提取研究

利用卫星遥感影像进行土地利用类型分类和动态变化监测是遥感应用中的一个重要课题。本文选择不同时相的ETM 和SPOT-5卫星遥感影像数据,对两期影像进行监督分类,快速提取不同时期的土地利用数据;然后进行动态变化监测,获得土地利用情况的变化特征和信息;最后对其分类精度进行评价分析。研究表明,两期影像中耕地、居民用地和未利用地这三个类别的变化面积较大;ETM 影像进行监督分类的精度为90.1692%,Kappa系数值为0.8268;SPOT-5影像进行监督分类的精度为95.1477%,Kappa系数值为0.9361。由于SPOT-5影像的分辨率较高,分类效果更优于ETM 影像,更能准确的反映土地类型的信息和特征。     

基于BP神经网络的遥感影像分类方法

为了消除传统的遥感影像分类所带来的模糊性和不确定性,采用BP神经网络进行遥感影像分类.利用MatLab软件构建BP网络遥感影像分类算法,通过对BP网络算法进行改进,采用动量-自适应学习速率调整算法克服了网络训练速度慢、不易收敛到全局最优等缺点.对一幅全色遥感图像通过300次训练后,输出能真实反映地类的影像图.其分类总精度为86.67%,Kappa系数为0.82,分类精度能够满足遥感图像分类的需要.     

基于面向对象方法的天津市滨海新区湿地信息提取

基于天津市滨海新区2021年的Sentinel-2遥感影像数据,针对传统遥感影像湿地分类的不确定性问题,选择了面向对象分层分类的方法。采用面向对象多尺度分割算法,依据地物光谱异质性特征将遥感影像分割为光谱相似的对象,再结合不同地物的光谱指数、空间几何特征、纹理特征构建层次模型,分层提取湿地信息。分类效果同随机森林分类方法相比较,结果表明：利用面向对象的分层分类方法总体分类精度达到91.75%,Kappa系数为0.91,分类结果“斑驳现象”减少,湿地边界清晰完整。     

基于CART决策树的ZY-3卫星遥感数据土地利用分类监测

通过分析ZY-3卫星遥感影像光谱特征、数据质量,探讨其遥感影像在土地利用分类监测领域的应用前景.基于遥感影像特征,结合面向对象的分析思想,选择训练样本构建决策树分类模型,进行土地利用计算机自动分类,并通过混淆矩阵和Kappa分析对分类精度进行评价.研究表明：1)基于决策树模型和面向对象分类方法,ZY-3卫星遥感影像分类总体精度为88.76%,有助于提高影像分类精度;2)在分类模型中,ZY-3卫星影像对水域、耕地、公路用地和林地影像辨识度较高,而对于其它用地类型相对不足.3)ZY-3卫星数据高分辨率影像特征明显,影像可用于土地利用分类监测.     

基于Sentinel-2光谱与地形特征的山区森林分类——以武夷山国家公园为例

为了提高山区复杂地形条件下的森林分类精度，以武夷山国家公园为研究区开展山区森林分类研究.以Sentinel-2遥感影像作为数据源，采用多尺度分割方法进行影像分割，并通过ESP2算法选取影像的最优分割尺度.首先构造了Sentinel-2光学影像的初始27维光谱特征，通过计算随机森林Gini指标对分类特征变量进行优化，最终确定17维最优特征变量，然后将提取的研究区地形特征与最优特征变量相结合，应用随机森林算法进行森林分类.结果表明：在27维光谱特征中选取重要性排名前17的特征参与分类时，精度最高值为0.911 0，其中，Sentinel-2影像的红、红边和近红外波段及其相应的光谱指数在森林分类中有较高重要性；在不同的特征参与分类时，在参考光谱特征中依次加入红边指数和地形因子，分类的总体精度分别为88.13%、89.50%、90.87%,Kappa系数分别为0.854 6、0.871 0、0.887 8.研究证明将Sentinel-2丰富的光谱特征与地形因子相结合，可有效获取各森林地物类型在不同地形特征下的不同光谱特征，此方法在森林地物信息提取中具有较高的应用价值，为今后地形复杂的山区森林进...     

不同等级土壤遥感分类的尺度匹配性探讨

采用Landsat5 TM遥感影像为数据源,以湖北省江汉平原之潜江市为试验区,探讨同一遥感信息源下对不同等级的土壤分类的尺度匹配性.以Landsat5 TM遥感影像和两个级别的土壤类型图(土壤亚类及土属)为基础数据,集成主成分分析、归一化植被指数等图像处理技术,提取多种影像特征建立土壤分类特征数据集;采用最大似然监督分类方法对潜江市不同级别的土壤分别进行遥感分类;并利用混淆矩阵方法对分类结果分别进行精度验证.结果表明:土属的总体分类精度较高,达到92.79%,Kappa系数为0.919 5;土壤亚类相对较低,总体分类精度只有84.71%,Kappa系数为0.820 1.可见土壤遥感分类具有显著的尺度适宜性特征,在两个级别的土壤分类实验中,Landsat5 TM更适宜土壤的最基层的土属类型划分.在土壤遥感分类时,应首先探讨土壤类型等级与遥感影像的尺度匹配性.     

结合植被覆盖度指数的土地覆盖分类方法研究

基于Landsat 8 OLI反射率数据,结合定量遥感反演植被覆盖度（fractional vegetation cover, FVC）提取的植被物候特征数据,对比了神经网络、支持向量机和随机森林3种土地覆盖分类方法．结果表明:随机森林分类方法具有较好的结果,反射率结合植被特征数据的分类方法的总体精度为85.52%,Kappa系数为0.8212,比仅用反射率的土地覆盖分类总体精度提高了3.45百分点,Kappa系数提高0.0429;植被覆盖度提取的植被特征数据能有效改善耕地、草地和裸地的制图精度和用户精度,对林地与水体的用户精度分别提高了7.79百分点与1.81百分点,灌木与人造地表的制图精度分别提升了7.69百分点与0.59百分点．整体来看,结合植被覆盖度及其派生植被特征进行土地覆盖信息的提取,在简单易行的同时,为提高分类精度提供了有效支持．      

基于多特征融合的反向传播神经网络高分影像分类与变化检测

为了降低基于高分影像的土地利用分类后的错分和漏分的可能性,提高分类以及变化检测精度,本文以广西桂林市临桂区为研究区,采用WorldView-2号以及高景一号高分影像,基于多层前馈(back propagation, BP)神经网络方法融合遥感影像的纹理、光谱、植被指数以及水体指数特征,制定出4种特征数据集融合方案,实现对植被覆盖率较大地区的地物识别与分类;然后选取最优分类结果,进行桂林市临桂区2017与2020年土地利用变化检测。不同方案的对比结果表明,融合纹理、光谱、植被指数以及水体指数特征的第四种方案可以得到较为有效的分类以及变化检测结果,分类的总体精度为92.92%,Kappa系数为0.9028,保持了较高正确率。     

基于卫星遥感影像的土地分类实验方法研究

为了让本科生充分理解和掌握遥感影像处理技术,结合吉林大学大学生创新创业训练计划,设计了基于高分辨率卫星遥感影像的校园土地分类实验项目。以2015 年9 月20 日高分二号( GF-2) 卫星拍摄的吉林大学中心校区卫星影像为实验数据,通过使用不同的光谱指数以及支持向量机( SVM: Support Vector Machine) 分别对影像中的建筑物、植被、水体、平地和操场等地物进行提取,进而得到基于高分辨率遥感影像的校园地物分类图,并对分类结果中各种地物信息进行统计分析,将统计结果与真实的地物参数进行对比,近而改善该方法的分类精度与可靠性。实践结果表明,该实验可以有效的帮助学生对知识的理解和掌握,达到了预期的教学效果。     

基于YSPSO-ＲBFN 的布里渊散射谱特征提取

为提高提取到的传感布里渊散射谱的布里渊频偏量的精度,利用压缩因子粒子群优化算法调节权值的ＲBFN( Ｒadial Basis Function Net) 径向基函数神经网络对布里渊散射谱进行特征提取。提出的算法克服了传统ＲBFN 神经网络易于陷入局部极值的缺点,利用PSO( Particle Swarm Optimization) 算法调节权值后向传输网络,对布里渊散射谱进行精度提取,保证了求解的速度和精度。数值分析过程中,利用新型结合算法在不同线宽和不同信噪比大测量范围情况下的散射谱进行参数估计。通过实验获得不同温度下的布里渊散射谱数据,利用YSPSO-ＲBFN( Particle Swarm Optimization with Shinkage Factor Shirnhage Factor-Ｒadical Basis Function) 算法处理实验数据,结果表明,该算法可提高布里渊散射谱特征提取的精度,25 ℃下拟合误差为1． 99 MHz,温度升高拟合误差也在减小。在85 ℃时的频移拟合误差为0． 047 MHz。因此,将该算法用于布里渊散射温度和应变传感系统,可有效提高检测精度。     

基于偏微分方程的遥感成像雷达距离图像分类方法

针对传统方法分类遥感成像雷达距离图像时, 未对图像进行平滑处理, 导致其易受环境干扰, 分类性能较差的问题, 提出一种基于偏微分方程的遥感成像雷达距离图像分类方法. 首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理, 然后采用基于偏微分方程的多区域分割模型, 将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程, 通过分割对能量泛函数进行最小化处理, 实现遥感成像雷达距离图像的多区域分类. 实验结果表明, 该方法成像速度快, 去噪和图像分割效果好, 分类精度和Kappa系数值均较高.     

基于Keyhole和Landsat MSS融合影像的土地利用变化监测研究—以杭州湾南岸为例

以杭州湾南岸为研究区,利用1980年9月20日的Keyhole遥感影像与同一时期的Landsat MSS遥感影像,通过融合处理,获得既具有高空间分辨率又有多光谱分辨率的历史遥感影像,填补历史高分辨率遥感影像的空缺．研究结果将历史土地利用类型变化监测时间序列推前的同时,提高杭州湾南岸土地利用变化监测的精度．研究中将使用历史融合影像对杭州湾土地利用类型变化进行监测,同时结合1990—2020年4景Landsat遥感影像,获得杭州湾南岸地区近41年的土地利用情况,辅以前人的目视解译结果图,得到分类精度>90%的土地覆被利用分类结果．从面积变化、类型转化、年均变化率3方面分析讨论了1980—2020年间杭州湾南岸地区土地利用的时空变化特征．结果表明:1980—1990年,杭州湾南岸库塘呈减少的趋势,耕地逐渐向海岸地区扩张;1990—2020年,城市的扩张面积不断增加且呈现向海岸扩张的趋势,库塘的面积增加明显,主要表现在人工养殖场继续向海岸扩张．城市的发展是影响杭州湾南岸土地利用变化的主要因素,并且在杭州湾城市规划的同时应该充分考虑其生态环境的问题,加强自然湿地保护,严格控制自然湿地的开发规模,坚持可持续发展,在保护湿地的基础上进行合理的开发利用．      

基于偏微分方程的遥感成像雷达距离图像分类方法

针对传统方法分类遥感成像雷达距离图像时, 未对图像进行平滑处理, 导致其易受环境干扰, 分类性能较差的问题, 提出一种基于偏微分方程的遥感成像雷达距离图像分类方法. 首先通过偏微分方程对遥感成像雷达距离图像进行平滑处理, 然后采用基于偏微分方程的多区域分割模型, 将分割后的遥感成像雷达距离图像分类过程视为泛化函数最小化过程, 通过分割对能量泛函数进行最小化处理, 实现遥感成像雷达距离图像的多区域分类. 实验结果表明, 该方法成像速度快, 去噪和图像分割效果好, 分类精度和Kappa系数值均较高.     

基于残差神经网络的视频内容快速检索系统研究

为解决公共安全视频图像信息轨迹追踪的问题,设计一个基于图像识别的视频内容快速检索系统,使用方向梯度直方图特征提取( HOG: Oriented Histogram Feature Extraction) 算法进行人脸定位,通过迁移学习对ＲesNet 模型进行再训练建立专用的神经网络的分类器。进行视频内容检索的过程是提取视频关键帧,对其中人物进行定位,提取其特征值,使用训练好的分类模型进行分类。将分类信息标注在图片上,将有关信息存入数据库,使用时查询数据库,得到详细信息。实验结果表明,该系统可有效地对视频内信息进行快速定位,对截取图片可以进行精准识别,在公共安全领域具有应用前景。