高原山区遥感植被制图研究综述

 植被制图是植被生态学研究的基础和重要内容之一.在环境复杂、异质性高的高原山区,由于诸多因素的影响给该区域的遥感植被制图带来很大的困难和挑战.作者重点介绍在复杂山区环境中利用遥感技术进行植被制图的基本过程.为了提高山区遥感植被图的精度,建议注意以下几点：①在提取训练样本阶段,应将同一地物或者植被类型根据其不同的光谱特征分成不同亚类型进行选取训练样本;②现有许多地形校正模型不能有效地提高遥感分类精度;③分类器选择时,建议选择人工智能神经网络分类法、决策树、基于专家知识分类法等先进的非参数分类器;其次如果选择使用中低分辨率影像数据,可以考虑使用亚像元或软分类法;当使用高分辨率影像时,选择基于对象分类法要优于基于像元分类法;④结合辅助数据,尤其是DEM数据能显著提高山区遥感植被或森林制图精度.将来高级地形校正模型和分类算法需要进一步开发和发展.GIS技术与遥感数据结合也是未来遥感植被制图技术发展的一个重要方向.未来研究还需要将群落和植被生态学的理论和方法与遥感技术相结合来提高山区植被制图精度,并促进遥感科学和空间植被生态学发展.     

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%。     

鄱阳湖滨湖区多季相Landsat 8 OLI数据遴选及其土地利用/覆被遥感分类提取

鄱阳湖滨湖地区是中国南方内陆浅水型湖泊滨岸带与红壤丘陵交错的典型区域。研究以江西省上饶市鄱阳县为例,在ENVI遥感平台的支持下,利用2014年多季相Landsat 8 OLI遥感影像数据资料,通过实地土地利用/覆被调查与地物光谱分离度分析进行遥感数据遴选,对优选数据采用马氏距离(MD)法、最大似然(ML)分类器、人工神经网络(ANN)分类器、支持向量机(SVM)分类器、光谱信息散度(SID)分类器、波谱角分类器(SAM)等8种监督分类方法进行监督分类。在先验知识和野外调查数据的基础上,对分类结果进行分析;然后通过总体分类精度、混淆矩阵和Kappa系数对几种分类器的精度进行评价和比较。并针对鄱阳湖滨湖地区土地利用/覆盖分类问题探究几种遥感分类方法的优劣,挑选最适用遥感分类方法。结果表明:在鄱阳湖滨湖地区,各季节影像中地表光谱可分性在8月达到最佳值,期间所获取是优选数据,有利于遥感分类识别;人工神经网络法、支持向量机法(SVM)具有较好的的分类效果和分类精度,总体分类精度96%,Kappa系数0.94。总体上讲,SVM分类器的分类精度和Kappa系数都要优于其他分类器,相比之下7-10月获取的影像更适合于鄱阳湖滨湖地区土地利用/覆被的遥感识别和提取。通过遥感数据最优遴选,并结合优选遥感分类器,可以显著提高鄱阳湖滨湖区土地利用/覆盖信息提取效率和遥感高精度分类的总体精度,有助于提升该地区大范围土地利用/覆盖遥感宏观监测的可靠性和精准度。     

基于中分辨率遥感影像的水体信息精确提取

为了精确提取地表覆盖类型复杂、水体类型多样的山区水体信息,本文提出一种基于Landsat 8多光谱影像的综合集成的决策树分类法。该方法以决策分类树为模型框架,以分层分类的遥感地学分析思想为主线,将自动水体提取指数(AWEI)以及基于知识的缓冲区图像分割法集成到决策树分类器中进行分类。对两个典型测试区域进行精度评价,得到Kappa系数分别为0.9596和0.8960,总体精度分别为99.7792%和99.6577%。     

BP网络与LVQ网络在遥感影像分类中的比较分析

遥感影像分类是遥感技术研究发展应用中的一个重要组成部分。基于Matlab平台应用BP、LVQ两种神经网络算法对TM多光谱影像进行了分类研究,最后应用混淆矩阵对这两种网络算法与最大似然法的影像分类结果做了精度评价与对比分析。实验结果表明,神经网络分类器作为一种非参数分类器,进行影像光谱特征分类时能获得较高的分类精度,引入对比度纹理特征后精度有更进一步的提高。两种神经网络算法中,LVQ网络算法的影像分类精度比BP网络要高。     

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...     

基于最大似然和支持向量机方法的遥感影像地物分类精度评估与比较研究

遥感影像的监督分类算法在环境监测、地质调查等领域均有重要应用。本文利用最大似然(ML)分类器和支持向量机(SVM)分类器对土地利用和地表覆盖问题中地物类型的提取和识别进行研究,系统分析两种不同分类方法对地物分类结果的影响。通过选取Landsat LT5和LE7卫星遥感影像数据及定义训练样本,对比分析利用ML和SVM分类器的分类成果精度,其中Landsat LT5和ML、SVM组合的分类精度分别达94.64%和94.98%,而Landsat LE7和ML、SVM组合的分类精度则分别达97.63%和99.29%。研究表明,对于LT5影像,ML和SVM两种分类器的精度相当,而对于LE7影像,SVM分类器的精度明显高于ML分类器。     

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)。     

土地覆盖遥感分类方法的比较与分析

针对遥感技术在土地覆盖分类中应用的重要性,以Landsat TM影像为数据源,选择传统的最大似然分类器、最小距离分类器和新兴的支持向量机分类器、以及面向对象分类方法,设计不同的分类判据特征组合,对不同分类器、不同分类特征组合的精度进行比较分析。结果表明,最大似然分类器、支持向量机分类器都具有良好的分类效果,综合使用多种特征作为输入可以提高分类精度,适合于研究区域土地覆盖分类。     

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GIS的BP神经网络遥感影像分类研究

传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布且难以加入地理辅助数据．通过分析BP网的分类原理与学习算法，采用了融合遥感影像光谱数据和GIS产生的地理辅助数据进行土地利用类型分类的方法．选择最能反映实验区土地利用信息的光谱数据，结合DEM数据和坡度数据，通过归一化处理后进行BP网的训练分类．将分类结果与采用最大似然法所得的结果综合比较，结果表明，该方法优于最大似然法．     

Knowledge-based land use/cover classification of remote sensing image in Kenli, Shandong Province, China

Quantitative remote sensing methods have been widely adopted for land use/cover information extraction. However, in the Yellow River delta, spectral confusions between different surface features are common, which always introduce errors into the ordinary automatic spectral classification. A knowledge-based land use/cover classification is tried. Based on a systematic analysis of the spectral characteristics of different land use/cover types in the study area, several index models derived from TM digital data of Kenli County are built, which can make pixels of certain land use/cover types enhanced. With the combination of the index models, the expert knowledge of the area and some ancillary data, such as land use maps and soil maps based on ground surveys, rules of every class are determined to extract the land use/cover information. Accuracy evaluation shows that without any manual modification, the land use/cover information determined with remote sensing is 81.8% and accuracy for the spatial distribution of land use/cover cross checked with a random sample is 84.5%. Therefore, this approach provides an effective means for land use/cover information extraction in the Yellow River delta and can be used as reference for other areas where spectral confusions commonly exist.     

Integrating genetic algorithm method with neural network for land use classification using SZ- 3 CMODIS data

This paper presents a methodology on land use mapping using CMODIS (Chinese Moderate Resolution Imaging Spectroradiometer) data on-board SZ-3 (Shenzhou 3) spacecraft. The integrated method is composed of genetic algorithm (GA) for feature extraction and neural network classifier for land use classification. In the data preprocessing, a moment matching method was adopted to remove the stripes in the images. Then by using the reproduction, crossover and mutation operators of GA based on the mechanism of “natural selection”, and with Jeffries-Matusita distance as its discriminate rule and the training samples, the optimal band combination for land use classification was obtained. To generate a land use map, the three layers back propagation neural network classifier is used for training the samples and classification. Compared with the Maximum Likelihood classification algorithm, the results show that the accuracy of land use classification is obviously improved by using our proposed method, the selected band number in the classification process is reduced, and the computational performance for training and classification is improved. The result also shows that the CMODIS data can be effectively used for land use/land cover classification and change monitoring at regional and global scale.     

利用分层分类法进行厦门岛城市地表分类研究

利用分层分类法把厦门岛城市土地类型分为七类,并对分类结果进行了验证．在TM图像光谱特征分析和归一化差异型指数分析结论上,提出分层分类法的分类步骤．利用ERDAS的专家分类器逐类地提取土地类型,并利用掩膜法将原图像上新提取地类所对应区域掩膜掉,使得分类过程越来越容易．分层分类法避免了一次划分多种类别方法在选择波段组合上的矛盾．精度评价结果表明,总分类精度达到90．9％,达到分类要求标准．     

多源数据结合的高分一号土地利用/覆盖分类方法研究

基于多时相的GF-1数据获取NDVI时序变化、NDWI和MNDVI等指数图像数据，辅以Landsat8卫星OLI影像和数字高程模型(DEM)数据，得到了不同地物在光谱、时相和形状等方面的特征；通过分析各种地物类型在这些特征上的差异和变化规律，总结出不同地物的特征提取规则，构建了一种基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法，并以广州市为实验区，运用该方法、最大似然法和最小距离法进行了土地利用/覆盖分类及其精度评价.结果显示:基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法的总体精度为85.86%(部分地物分类精度达到95%以上)，与最大似然法及最小距离法相比，其总体精度分别提高了4.62%和12.24%，说明该方法能够更好地发挥GF-1遥感数据在土地利用/覆盖分类中的实际应用潜力，且有效提高了各种土地利用/覆盖地物类别的分类精度.     

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．      

基于神经网络的扎龙湿地土地覆盖分类研究

主要研究神经网络在土地覆盖分类方面的应用问题．采用四层神经网络结构,对扎龙湿地的TM影像进行了分类研究,并提出一种基于鲁棒误差函数的自适应反向传播学习算法．仿真结果表明,该方法能够有效地对扎龙湿地TM影像进行分类．所采用的四层网络结构可减轻存储量大的负担,鲁棒误差函数有效地抑制了大误差,自适应反向传播算法使误差下降更快,而且最终得到的分类精度高于三层神经网络和最大似然法的分类精度。     

基于集成分类器的用户属性预测研究

用户属性在个性化服务中具有重要的作用,利用手机数据进行用户属性预测逐渐成为新方向.利用手机应用类别均使用时长和应用类别个数,提出了基本属性与辅助属性的概念.首先对所有未标注样本的辅助属性离散化,将辅助属性基于类别的海灵格距离作为基本属性的特征权重,将基本属性与权重的乘积作为特征训练集成分类器中的各个基分类器,并引入随机森林中的带外样本准确率作为基分类器的权重,得到最终的分类结果.实验结果表明,本文所给出的集成分类器框架能够提高用户属性预测的效果.     

基于单个特征分类准确率的特征选择方法研究

【目的】随着遥感技术迅猛发展,在影像解译过程中提取的信息越来越繁杂多样。为提高地物分类准确率,常加入更多的特征信息,而由此往往造成一定的信息冗余,导致分类效率甚至准确率降低。笔者利用随机森林(RF)和支持向量机(SVM)分类器,探索在遥感分类过程中保证分类精度的同时又能降低特征维度的方法。【方法】以吉林省安图县福兴林场部分区域为研究对象,利用2015年Landsat-8影像为数据源,提取光谱信息(红、绿、蓝、近红外和短波红外波段)、植被指数(NDVI、增强型植被指数、比值植被指数和裸土植被指数)、纹理(同质性、均值、二阶矩、方差、差异性、对比度、熵和相关性)和地形信息(坡度和坡向)共19个指标作为分类特征变量。以RF分类器估测的特征重要性进行特征选择为对照,分别以单个特征在RF和SVM两分类器中的分类准确率为依据进行特征选择,并对选取的特征进行主成分分析,与未做主成分分析的进行区分,再分别用RF和SVM分类器进行分类,评价分类精度,确定最优特征和分类器组合。【结果】①基于SVM单个特征分类准确率选取特征,对选取的特征进行主成分分析,再用RF进行分类,该方法与其他方法相比分类性能最好,当特征维度为5时,总体精度为0.86,Kappa系数为0.83; 与输入全部特征进行分类相比,不仅提高了分类精度,而且降低了特征维度,使分类效率得以提升。基于RF特征重要性选取特征的RF分类取得了较高的分类准确率,但特征维数小于7时,分类准确率波动较大; 在特征维数为4时分类准确率增至最大值(0.88),随后骤降为0.83,之后基本保持在此水平。而基于单个特征分类准确率选取特征,分类准确率变化较为平缓,如上所提最优分类性能方法的分类准确率波动范围基本在0.02。②基于单个特征在RF和SVM分类器中的分类准确率进行特征选择,在随后的分类过程中,SVM分类器分类精度总体高于RF。基于RF单个特征分类准确率选取特征的SVM分类,及基于SVM单个特征分类准确率选取特征并对选取特征进行主成分分析的RF分类,较仅利用SVM或RF单个分类器选取特征并分类的分类准确率更高。【结论】①基于单个特征分类准确率的特征选择方法,可在保证分类精度的同时降低特征维度,且在较低维度时,基于该方法选取特征的分类精度较基于特征重要性选取特征的分类精度更稳定。②基于单个特征分类准确率进行特征选择,不同分类器选取的特征有所差异,分类准确率也不同,利用多个分类器较单个分类器选取特征并分类的性能更好。③在中低维度时,RF分类器的分类准确率可能与特征输入顺序有关,对输入特征进行主成分分析有利于提高分类器的分类精度及稳定性。