基于决策树模型的面向对象方法的遥感湿地信息提取

以宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域为研究区,运用基于决策树模型的面向对象方法,对图像融合后15m分辨率的Landsat 8 OLI遥感影像进行湿地信息提取研究,并与基于对象的最大似然法的分类结果进行比较,结果表明,基于决策树模型的面向对象法相比于基于对象的最大似然法的湿地分类总体精度提高了18.45%,Kappa系数提高了0.17,分类结果精度显著提高。     

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.     

提高城市TM图像分类精度的两种方法比较

城市遥感图像分类是获取城市绿地空间分布状况的基础,然而混合像元的存在导致分类精度不高.因此,提出了混合像元分解模型结合神经网络法(MPD-NN法),利用其对北京市TM图像进行地物分类,并与较常用的决策树法分类结果比较,研究在图像现有空间分辨率的条件下提高城市分类精度.结果表明,MPD-NN法分类可较为有效地处理城市遥感图像存在的混合像元问题,可以提高城市分类精度,分类精度高于决策树法,其总体精度和Kappa精度均将近90%,水体、草地、农田、裸地、林地的分类精度在85%以上,高密度建筑区、低密度建筑区、水泥地的分类精度接近80%,也均高于决策树法,是遥感分类较精确识别城市下垫面地物的一种可行方法.     

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。     

基于HJ影像的面向对象土地覆被分类方法

提出了基于HJ影像的面向对象技术土地覆被分类的一整套方法,即采用面向对象的影像分类技术,充分利用影像的光谱特征、空间特征、纹理、上下文关系,综合运用多层分割、整体分割、类内分割和局部分割模式,融入二叉树流程法,以多时相HJ影像为实验数据,对土地覆被类型进行自动提取.并以地形复杂的麻阳苗族自治县为例进行实验研究,结果表明:分类总体精度为82.88%,能够满足利用遥感影像进行土地覆被信息提取的精度要求,说明是可行的;由于中分辨率的HJ影像提供的光谱细节并不是很丰富,HJ影像面向对象土地覆被分类技术的光谱特征优势不明显,利用二叉树流程法和多种分割方法是降低误差提高分类精度的有效途径.     

高空间分辨率遥感影像分类最优分割尺度

在对高空间分辨率遥感影像进行分类时,为解决不同地物其空间尺度不同的问题,采用多尺度分割的面向对象分类技术,提出采用"对象完整面积个数最多法"的分割方法,研究得出道路、农田、居民地、裸地、水域的最优分割尺度分别为20、30、50、80和100,采用成员函数法对分割后的影像进行分类,并将分类后的结果与基于像元的监督分类结果进行了对比.研究结果表明:使用"对象完整面积个数最多法"实现最优分割的面向对象分类技术的分类精度高于基于像元的分类精度.     

基于最优特征空间构建的随机森林算法在WorldView-2影像分类中的适用性研究

目前面向对象的分类研究中,对于研究区影像的分割尺度问题多以试验者的多次试验以及主观推断为主,缺乏定量化的评价标准。同时,在对遥感影像分类的算法选择以及在分类过程中,有效特征空间的选取均存在一定程度的主观性。针对遥感影像面向对象分类过程中分割尺度选择盲目及分类空间构造主观性较强的问题,以World View-2遥感影像数据为例,首先利用改进的全局最优分割尺度的方法获取研究区影像的最优分割尺度,在此基础上选取了研究区分割对象的48个特征,利用OOB误分率对各个特征的重要性排序;然后按重要性顺序以5为步长讨论特征数量对分类精度的影响,构建了用于分类的最优特征空间;最后将采用最优特征空间的随机森林算法获得的最佳分类结果,与面向对象的最邻近像元、决策树以及支持向量机分类算法进行了比较。结果表明,用于分类的特征数量与分类精度之间,并不是简单的正相关关系;与面向对象的最邻近像元、决策树以及支持向量机分类算法相比,利用最优特征空间进行随机森林分类的分类精度最高,表明该方法更适合于高分辨率World View-2数据的分类。     

基于深度学习的无人机遥感影像水体识别

针对无人机遥感影像分辨率高、信息量大易造成错分、漏分现象,导致识别分类精度不高的问题,采用一种基于深度学习的水体识别方法进行无人机遥感影像水体识别。该方法首先选取大量样本训练并构建深度卷积神经网络模型(DCNN),然后利用最大稳定极值区域(MSER)对无人机遥感影像进行分割得到待识别目标子区,最后根据深度卷积神经网络模型对分割后影像目标进行水体识别,并且将识别结果与目前常用方法进行比较。实验结果表明,该方法能有效识别水体目标,减少错分、漏分现象,提高识别精度,优于其他方法。     

基于GF-2遥感影像的面向对象分类方法比较研究

基于eCognition软件分别采用K-最近邻(KNN)分类、支持向量机(SVM)分类和CART决策树分类对GF-2遥感影像进行面向对象分类,并对3种分类方法的结果进行比较分析。结果表明:K-最近邻分类在影像准确性、复杂多样性、影像光谱混淆以及分布边界模糊等方面具有较高的识别能力。     

基于决策树的多源遥感数据分类

遥感影像是获取土地覆盖信息的重要手段。分析了影响决策树分类的特征因子,并根据这些因子构建分类决策树。结合中分辨率多源遥感数据,对贡嘎山区进行土地覆盖分类,通过与最大似然法分析对比,基于决策树的多源数据分类对试验区的分类精度(总体精度85.71%,Kappa系数0.83)远高于基于像素的最大似然法监督分类(总体精度63.56%,Kappa系数0.58)。     

基于面向对象和CART决策树方法的遥感影像湿地变化检测研究——以龙祥岛地区为例

以乌龙江流域龙祥岛地区为研究区,以两期不同水位的Landsat-8 OLI影像与高分一号(GF-1)PMS1影像为数据源,经过面向对象的分割技术,以CART(Classification And Regression Tree,CART)决策树方法挖掘不同地类的特征指数阈值,提取出该地区滩涂湿地并根据水位值进行变化检测分析.研究表明:GF-1 PMS1传感器8 m分辨率影像可以与Landsat-8 OLI传感器15 m分辨率影像结合进行变化检测,总体分类精度分别达到0.89和0.92;CART决策树算法与面向对象的分类方法相结合可以获得很好的分类效果,对于湿地滩涂信息提取具有高效快捷的优势,这种方法随着多元遥感的发展将展现巨大的应用潜力;水位变化对湿地滩涂的影响可以通过遥感影像进行检测分析,两期影像T1与T2两时刻水位高程分别为3.34 m与3.56 m,水位变化0.22 m,T1时刻河流水面面积为1 811.09 hm~2,T2时刻河流水面面积为2 092.34hm~2,两期变化增加的水面面积为281.25 hm~2,未变化面积为1 778.47 hm~2,占T1时刻总面积的98.20%,T1时刻内陆滩涂转化为T2时刻河流水面的面积为244.91 hm~2,占T1时刻内陆滩涂总面积的34.60%.     

基于Sentinel-1和Sentinel-2影像的洪泽湖国家湿地公园水生植被信息提取

【目的】探索利用光学遥感和雷达遥感数据进行湖泊湿地水生植被信息提取方法。【方法】以洪泽湖国家湿地公园为研究区,基于Sentinel-1的SAR影像和Sentinel-2的MSI影像,利用面向对象影像分析技术,结合EVSI、NDVI、SR特征指数和对象之间的上下文特征,以及挺水植被高度的差异所对应SAR影像上的后向散射系数,在对象级的基础上建立决策树模型对湿地水生植被进行分类,分析洪泽湖国家湿地公园水生植被以及挺水植被的分布状况。【结果】研究区水生植被类群分类精度为89%,Kappa系数为0.85;挺水植被种群分类精度为85.2%,Kappa系数为0.76。与基于像元分析方法的结果相比,面向对象的影像分析方法具有更高的精度;湿地水生植被以沉水植被和挺水植被为主,其中挺水植被中以荷叶和芦苇为主。【结论】本研究提出的湖泊湿地水生植被信息提取方法具可行性,可为湿地管理与决策提供科学依据。     

面向对象的遥感影像分类研究

在基于传统的遥感影像分类方法的基础上,结合面向对象分析理论与方法,提出了面向对象的遥感影像的分类方法,通过实验分析探讨了面向对象影像分类的关键技术。包括多尺度的分割,分类器的建立,包括最近邻分类和模糊聚类分类。实验表明,面向对象的分类方法较传统基于像素分类法有较高的精度,具有很大的发展潜力。     

基于多时相Sentinel-2数据的中牟县冬小麦种植面积提取

农作物的遥感识别监测是开展农作物长势监测、估产的前提和出发点，是农业遥感的焦点之一.利用遥感数据监测作物种植面积，日益成为农业管理及政策制定的重要技术支撑.以中牟县为研究区，选取2020—2021年期间的6幅Sentinel-2遥感影像数据，主要依据农作物的物候期光谱特征曲线变化和时序归一化植被指数曲线的变化，利用面向对象提取方法提取中牟县冬小麦面积及空间分布.将提取结果与谷歌地球高分辨率影像结合野外调查得到的验证样本进行精度验证，评价结果显示：总体精度93.33%,Kappa系数86.38%，结果能够较好地反映中牟县冬小麦种植面积及空间分布情况.该方法为大区域农作物的面积提取提供了重要方法参考.     

基于面向对象分类法的高分辨率遥感滑坡信息提取

运用面向对象分类法中的基于监督分类和基于规则的滑坡识别方法,选择合适的特征属性,利用Aster和Geoeye的融合影像对构林坪流域进行滑坡信息提取,并对分类结果进行精度评价和比较.结果表明:基于监督分类的滑坡信息提取总体精度为66.58%,Kappa系数为0.65,具有较高的分类精度;基于规则的滑坡信息提取方法也取得了84.7%的识别结果,但是区域特殊地形地貌和引发滑坡因子的复杂性导致了72.6%的分歧因子.总体上基于面向对象分类法的高分辨率遥感滑坡信息提取在白龙江流域具有良好的适用性.     

中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例

"土地利用/土地覆被"(简称LUCC)是全球环境变化研究的热点问题之一,遥感技术是LUCC研究的重要手段,遥感影像LUCC信息的高精度自动提取成为众多专家学者关注的重要研究领域.Landsat系列卫星影像是最早且最为广泛使用的中分辨率陆地遥感影像.文章以2013年2月发射的Landsat8卫星的OLI影像为研究对象,利用ENVI软件,对太原市区的土地利用/土地覆被信息分别用最大似然法和决策树分类法实现自动提取,并进行精度比较.结果表明:最大似然法提取的总体精度为69.33%,Kappa系数为0.605 5,主要是耕地与林地、草地、建设用地以及建设用地与裸地的混分、错分现象较为严重,造成分类精度较低;而决策树分类法的自动提取通过确定适当的判别规则,使地类间的混分、错分现象明显改善,分类总体精度提高到91.33%,Kappa系数达到0.892 3,各土地利用类型的分类精度均有一定提高.     

基于面向对象分类方法的城市用地类型提取

丰富的高分辨率影像及面向对象分类方法为城市土地利用分类与分析提供了新的机遇.以SPOT-5 2.5 m融合后的多光谱遥感影像为主要数据源,采用基于规则的面向对象分类法进行分类.首先分析典型地物的影像光谱特征、几何特征和纹理特征,找出区分点进行,对最终的房屋、工厂、道路、阴影、未利用地5类城市用地进行精度分析,进而对面向对象的分类方法及存在问题进行阐述.     

决策树在高分辨率影像目标为小地物的分类应用研究

高分辨率遥感影像的应用越来越多,但其高昂的成本让一般项目望而却步．应用软件从Google Earth上下栽已成为获取高空间分辨率影像的有效途径,但因无光谱信息,解译局限较大．选用C4．5算法的决策树方法,对目标为水塘研究的广州市天河区的下载的快鸟数据进行解译,与最大似然分类法和面向对象分类法相比较．结果表明：决策树分类法的分类精度和kappa系数均较高,能利用多源数据,结构简单直观,易于表达和应用;提取小目标地物更有效,数据量相对小．速度较快．     

基于Landsat影像的面向对象土地利用分类——以下辽河平原为例

基于Landsat OLI影像运用支持向量机和随机森林分类方法进行下辽河平原地区面向对象土地利用分类,同时探讨DEM因素对分类精度的影响.结果表明:(1)研究区随机森林分类的总体精度和Kappa系数优于支持向量机分类的结果,同时参考DEM因素有助于提高分类精度,总体精度最高为91.80%.(2)研究区支持向量机分类方法下水田和建设用地的分类精度较高;而旱地、林地、水域和未利用地更适用于随机森林分类方法.DEM因素对于水田、旱地、水域及未利用地的分类精度有提升作用,而对林地的分类精度有一定的削减.(3) 2015年研究区土地利用以耕地为主,其次是建设用地和林地,水域、未利用地和草地的面积相对较少.中等分辨率遥感影像的面向对象土地利用分类的适用性较好,可为区域土地利用信息提取提供参考.     

基于HCS方法融合高时空遥感数据的玉米种植面积提取

目的提出一种利用高空间分辨率Landsat8 OLI全色影像和高时间分辨率MODIS影像进行融合的方法,构建出高时空分辨率遥感数据,提供一种监测农作物种植面积新思路,为农业生产信息化奠定科学的理论依据.方法以沈阳市法库县为例,基于色彩超球面锐化(HCS)方法,利用多光谱Landsat8 OLI全色影像数据与MODIS-NDVI时间序列数据相结合的手段,对其进行预处理后,根据该地区的物候数据和具有可信度的样本数据进行面积估算,并统计出玉米种植面积的制图精度和用户精度;对Landsat8 OLI全色影像数据和MODIS-NDVI时间序列数据进行融合处理,再利用马氏距离分类法对高时空分辨率遥感数据进行玉米种植面积提取.结果融合后的高时空遥感数据对玉米种植面积的识别效果较好,制图精度和用户精度分别达到89.62%、99.71%.结论 HCS方法适用于高时间数据和高空间数据的融合,融合后的影像保持了原有的光谱特征及空间细节纹理.