联合LiDAR和多光谱数据森林地上生物量反演研究

【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R²)为 0.76,均方根误差(RMSE)为 21.78 t/hm²;单一Landsat8 OLI数据的反演精度R²为 0.24,RMSE为39.27 t/hm²;LiDAR和Landsat8 OLI联合反演精度R² 为 0.84,RMSE为18.16 t/hm²;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R²为 0.74,RMSE为23.83 t/hm²;单一Landsat8 OLI数据的反演精度R²为0.60,RMSE为 29.63 t/hm²;LiDAR和Landsat8 OLI联合反演精度R²为0.80,RMSE为21.15 t/hm²。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。     

基于数据挖掘和高光谱数据的湿地植被精细分类

以大丰市沿海滩涂湿地区域为研究区,以机载高光谱影像为主要数据源,冠层高度模型(canopy height model,CHM)数据为辅助数据,采用数据挖掘的方法对高光谱数据进行特征规则提取,实现了湿地植被的精细分类.结果表明:3种湿地植被分类结果的总体精度为90.3%,说明数据挖掘技术在处理高维数据时不仅可以提取重要程度较高的数据,而且可以减少数据量,提高数据处理效率与分类精度;与传统的支持向量机分类法(SVM)分类结果进行对比,基于数据挖掘的湿地植被精细分类总体精度比SVM分类方法高10.8%,表明数据挖掘方法在湿地植被高光谱遥感分类问题上具有较大优势.     

LiDAR与航空影像的融合分类与精度分析

为了弥补单一数据源在地物分类时的不足,提出将机载激光扫描(LiDAR)数据与航空影像融合进行地物分类的思想,实现基于面向对象和单像元的复杂城区多级地物分类.将真彩色航空影像与机载激光扫描距离影像融合,采用光谱特征和空间特征将影像分割成若干同质区域;利用多源数据产生的各种信息建立分类规则并实现基于面向对象的地物分类,将植被信息和高差信息与分类结果叠加,实现基于单像元的分类结果纠正,然后再以对象内包含的建筑物直线段数量为约束条件对分类结果中的建筑物进行三级精化分类.实验表明该方法能够有效地自动分离建筑物、树木、草地和道路,其中建筑物的制图精度和用户精度分别是92.53%和95.79%,整个区域的分类精度为89.62%,该方法在复杂城区可行有效.     

基于随机森林算法的航空高光谱数据分类方法研究

高光谱数据具有光谱范围广,光谱分辨率高等优势,可以用于不同地物的分类识别,为近年来遥感领域的研究热点。采用随机森林算法对机载高光谱数据进行了地物分类识别研究,首先选取不同种类的地物样本,并对每类样本打上类别标签,每个像素包含的波段数即为样本的特征数,送入随机森林分类器进行训练;然后将训练好的分类器对待分类的高光谱影像数据进行分类,待分类的数据初始化为统一的类别标签;并根据袋外数据自变量的扰动对分类精度的影响,计算不同波段特征对分类效果的重要性系数。实验采用C++语言结合Intel Open CV计算机视觉库,编写了高光谱影像分类识别程序,对机载AISA高光谱传感器获取的甘肃省张掖市农村与城市影像数据进行分类,结果表明本文算法具有较高分类精度和可靠性。     

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...     

基于多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为数据源,借鉴决策树分类思想,采用了一种结合光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】基于多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被的分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

随机森林在高光谱遥感数据中降维与分类的应用

高光谱数据的特征数目庞大,而且波段之间存在冗余信息,对高光谱数据进行分类的成本较高,因此需要提取合适的特征达到提高效率的目的.随机森林作为一种热门算法,广泛应用于各种分类、特征选择等问题中,均取得了良好的效果.本文选择北京小汤山农业试验区的OMIS高光谱影像作为研究数据,利用随机森林算法计算每个特征的重要性指标并对其排序,针对面向精度和效率的特征选择策略,使用RF-RFE波段选择方法去除价值低的特征分别得到最佳波段组合,实现高光谱数据降维,进行随机森林、支持向量机分类.实验结果表明随机森林分类精度为72.82%,SVM分类精度为65.21%,随机森林分类器优于SVM,是一种较好的高光谱数据分类器.     

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Sentinel-2A影像的森林类型提取研究

基于Sentinel-2A遥感影像的光谱特征、指数特征和纹理特征,结合野外调查数据、森林 二类调查数据和DEM数据等辅助数据,采用分层多尺度分割提取技术,对研究区主要森林类型进 行提取。研究表明：主成分变换前三个分量的加入有助于提高影像分割效果和分类精度;在影像 光谱特征基础上,加入指数特征和纹理特征可在一定程度上提高森林类型提取精度;在多元数据 的支持下,选取合适的特征和阈值进行分层与分类是一种有效的森林类型分类策略,取得了较高 的分类精度,其中杉木、马尾松、竹林和其它林地的总体分类精度达79.80%,Kappa系数为0.725;通 过决策树和随机森林两种分类器的优势互补,以分类精度混淆矩阵中的生产精度和用户精度平均 值作为先验知识进行多分类器决策级投票融合,相比于单一决策树和随机森林分类器,组合分类 器具有更高的分类精度,总体分类精度分别提高了3.32%和2.13%。     

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.     

无人机航高对落叶松毛虫虫害遥感监测精度的影响

【目的】探究无人机航高对落叶松毛虫(Dendrolimus superans)虫害监测精度的影响机制，以期构建先进的森林虫害监测技术框架，为无人机近地面森林虫害遥感监测提供重要参考。【方法】以大兴安岭落叶松毛虫虫害频发区为试验区，以无人机不同航高下采集的多光谱遥感影像为基础数据，获得健康、轻度和重度虫害的386株落叶松树冠层光谱指数和纹理特征，通过方差分析法(ANOVA)及连续投影算法(SPA)提取对虫害严重程度敏感的光谱特征，结合随机森林(RF)和支持向量机(SVM)算法构建虫害严重程度监测模型，揭示航高对监测精度的影响。【结果】(1)光谱指数和纹理特征的总体(轻度+重度)监测精度均随航高上升呈下降趋势，而轻度和重度虫害的监测精度却有不同变化态势。(2)光谱指数(修正型三角植被指数2、绿光归一化差值植被指数2、绿光归一化差值植被指数、差值植被指数、简单比值指数1)+纹理特征(MEA 3)组合的虫害监测精度达到最优(总体精度和Kappa值分别为92.3%和0.891),但其总体和轻度的监测精度随航高上升呈下降趋势(下降速率分别为0.04%/m和0.03%/m),重度的监测精度有上升趋势...     

基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法

提出一种利用形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法。用该方法计算路域范围内两时相高分辨率遥感影像的形态学属性剖面, 将得到的形态学属性剖面与光谱特征叠加, 采用改进的单类随机森林分类方法直接提取新增建筑物。以北京市稻香湖地区两时相高分辨率影像作为实验数据, 对比分析该方法与经典两时相直接分类及分类后比较方法的新增建筑物提取精度。结果表明, 综合利用形态学属性剖面和光谱特征提取得到的新增建筑物提取精度比仅使用光谱特征的提取精度显著提高, 其中Kappa系数提高15.11%。此外, 该方法提取结果的Kappa系数比两时相直接分类方法提高1.78%, 比分类后比较方法提高25.15%, 验证了所提方法的有效性。所采用的单类随机森林方法能够有效地处理高维数据, 并可以度量不同特征对分类结果的重要性。     

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QuickBird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eCognition 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QuickBird遥感影像进行分割质量最高(ED3_Modified=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QuickBird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。     

结合多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为材料,借鉴决策树分类思想,采用了一种结合了光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】结合多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

基于特征优选的随机森林算法在湿地信息提取中的应用——以湖北洪湖湿地自然保护区为例

以湖北洪湖湿地自然保护区为研究区,采用随机森林算法对研究区内湿地信息提取.以Sentinel-2A遥感影像为数据源提取光谱特征、植被指数、水体指数、红边指数、纹理特征等特征变量,在随机森林算法框架下,对不同特征变量进行特征重要性评估,比较分类后精度并对特征组合进行优选.将基于随机森林算法的分类精度与传统的基于像元的支持向量机分类方法和最大似然分类方法的分类精度相比较,并通过双比例Z检验比较各算法中正确分类像元的比例统计各分类算法之间的分布差异.结果表明： 1) 特征个数为13时,分类精度达到最大,随着特征个数的增多,分类精度呈现波动减小的趋势; 2) 特征变量中蓝光波段重要性得分最高,达到2.85,可见光(B2、B3)与红边指数(IRECI、MCARI)重要性排名靠前,对于提取湖泊湿地信息具有重要意义; 3) 基于特征优选的随机森林方法分类精度优于支持向量机和最大似然法分类后的精度,其总体精度分别高出6.02%和7.57%;经检验, χ2分别达到25.891和38.895,具有显著差异,表明基于特征优选的随机森林算法分类对湿地信息提取发挥重要作用。     

基于随机森林算法的特征选择的水稻分类——以南昌市为例

在南方水稻遥感分类中,耕地细碎化;干扰性其他植被多是造成分类效果差主要因素。针对此类因素可对多时相影像进行特征提取、叠加成多时相特征集合,利用随机森林并结合归一化特征重要性对多时相影像特征集合进行特征测试,分析每个特征对分类结果的影响。根据每个变量的影响程度(贡献程度)的不同进行一个排序,从而选出最优的分类的特征优选子集。再利用随机森林作为分类器,对特征优选子集进行水稻的分类提取的识别方法。与3组未进行特征选择的SVM(支持向量机)算法的分类结果进行对比。实验结果表明:1)多时相影像的特征集合的分类精度高于单时相影像的特征集合的分类精度;2)基于随机森林对原始特征集合进行特征选择后的总体精度92.09%和Kappa系数90.36%,特征选择能有效去除冗余信息,从而提高分类精度。综上所述,在耕地细碎化,多植被干扰的南方丘陵地带中,结合随机森林的归一化特征选择的方法为水稻的识别和提取研究提供了有效方法。     

基于特征组合的黄河源园区土地覆被分类

为了解黄河源园区地物分布格局,本文以黄河源园区为研究对象,利用Landsat 8 OLI影像获取其光谱、植被、水体和纹理特征,采用Relief F算法对所有特征进行重要性排序,选出前8个特征作为优选特征;基于随机森林(RF)方法研究不同特征组合对分类结果的影响,为评估RF方法的效果,对优选特征组合,采用决策树、K近邻、感知机和支持向量机方法与RF方法进行对比;最后综合所有特征完成黄河源园区土地覆被分类。结果表明:(1)综合利用光谱、植被、水体和纹理特征,可以有效提高分类精度;(2)利用Relief F算法,可快速遴选出有效特征,大幅缩短模型运行时间;(3)相对于其他4种分类方法,随机森林的分类精度最高;(4)黄河源园区地物类型以中低覆盖度草地为主。     

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。     

基于分形纹理特征的新疆罗布麻遥感分类

传统遥感影像仅利用光谱信息制约了分类精度,对基于分形提取纹理特征在罗布麻分类中的有效性进行了研究。采用分形中的双毯覆盖模型和传统的灰度共生矩阵(GLCM)方法分别提取了Worldview-2影像的纹理特征,结合光谱信息对影像进行最大似然法分类。比较了双毯覆盖模型中不同大小窗口下提取纹理特征的分类结果。结果显示:加入纹理特征后,较多光谱分类总体分类精度提高了1.21%-8.63%,结合分形纹理较GLCM总体分类精度提高了大约两倍;仅分析罗布麻的精度,引入分形的分类精度提高到99.96%,引入GLCM精度却降低了0.09%-0.12%;使用5×5滑动窗口提取纹理特征的分类效果最好。表明基于分形提取纹理特征的遥感分类能有效提高精度,对于Worldview-2影像罗布麻的识别是可行的。     

基于RF模型的高分辨率遥感影像分类评价

以QuickBird高分辨率遥感影像为主要数据源,采用多尺度影像分割方法提取地物对象的光谱、纹理和形状特征;在此基础上,构建基于随机森林（RF）方法的遥感影像分类模型,分析和评价特征变量对模型重要性与稳定性的影响。结果表明:1研究区最优分割尺度参数为70、形状因子0.2、色彩因子0.8,同时构建研究区乔木、灌木和草地等8个景观类型的光谱、纹理和形状等32个特征变量信息;2选择5 000棵树和1个节点变量构建的RF分类模型的总体精度为0.94,Kappa系数为0.93,OOB（Out of Bag）数据泛化误差为6.01%;3通过分析特征变量的重要性发现,Ratio_la₁和Ratio_la₂等光谱特征的重要性值明显比形状特征和纹理特征的高;4基于平均下降精度,选择16个变量构建RF模型时总体精度达到0.94,Kappa系数0.93;5基于基尼指数构建的RF模型,在19个变量时总体精度和Kappa系数达到峰值。相比较而言,基于平均下降精度构建的RF较稳定。