基于MODIS数据的水体超分辨率制图——以丹江口水库为例

遥感数据是提取水体信息的常用数据,实际应用中,中、高分辨率空间数据能够以较高精度提取水体信息,但由于时间分辨率较低,难以有效监测水体的动态变化过程.以MODIS(Moderate-resolution Imaging Spectroradiometer)为代表的低空间分辨率遥感数据时间分辨率高,在全球大范围快速提取水体及水体动态变化监测中具有重要意义,但是受其空间分辨率较低的限制,提取的水体信息精度不高.针对该问题,该文提出了一种针对MODIS数据的水体超分辨率制图方法.该方法首先利用MODIS数据MOD09Q1产品的1、2波段,通过线性混合像元分解,得到水体丰度图;然后利用MODIS数据MOD09A1产品的2、4波段,计算得到水体归一化指数,对水体丰度图进行后处理以减少混合像元分解误差;最后以修正后的水体丰度图为输入,建立超分辨率制图模型,从而得到最终的高空间分辨率水体分布图.将上述方法应用于丹江口水库,并与利用Landsat-8/OLI数据提取的水体分布图进行对比,结果表明,相对于传统像元尺度的水体制图结果而言,通过超分辨率制图得到的水体制图结果精度更高,不仅能够更好的保留水体空间分布特征,提取的水体面积也更加准确.基于MODIS数据利用超分辨率制图方法对丹江口水库进行水体提取,完成了2014年12个月丹江口水体面积变化图.超分辨率制图可以获得具有Landsat空间分辨率和MODIS时间分辨率的水体制图结果,实现对丹江口水库的高时空分辨率的水域变化监测.     

基于MODIS数据的生物保护区域土地覆被分类

中分辨率(250 m和500 m)MODIS数据比1 km分辨率的AVHRR具有更高的空间和光谱分辨率,在区域尺度上土地利用/覆盖得到了广泛的应用.该文主要探讨了如何在生物保护中利用MODIS数据获得区域土地覆被分类信息.采用决策树和最大似然法相结合的分类方法,对MODIS数据进行了生物保护区域土地覆被分类制图,并利用Landsat TM土地覆被制图作为参考数据对MODIS数据土地覆被制图进行了精度评价.结果表明,利用MODIS数据在区域尺度上可以获取令人满意的土地覆被分类.     

基于随机森林的MODIS遥感影像水体分类研究

本文采用随机森林分类方法提取MODIS影像中的水体,根据水体和非水体在不同波段的反射率特征差异计算水体指数,选择一年内水体指数总和大于零的点构造分类特征,以全球30 m地表覆盖数据作为真值进行训练和验证.依据在随机森林中分类特征的重要性选出了10个分类特征,并通过一定量的实验统计选出有较好分类结果的随机森林模型参数.采用混淆矩阵及相关精度指标、Kappa系数等进行精度评价,获得较好的水体分类结果.     

基于随机森林模型的不平衡大数据分类算法

针对目前不平衡大数据分类算法分类效果较差的问题,提出基于随机森林模型的不平衡大数据分类算法。首先采用SVM(Support Vector Machine)支持向量机算法对不平衡大数据进行信息过滤,然后利用反k近邻法检测并消除离群点,通过增量主成分分析法去掉不平衡大数据中协方差矩阵存在的奇异性,并依据熵值法对其展开权重解析,进而提取不平衡大数据特征信息。将CART(Classification and Regression Trees)决策树当作不平衡大数据的基分类器,进而构建随机森林决策树分类器,最后将提取的不平衡大数据特征信息输入分类器中,实现不平衡大数据分类。实验结果表明,该算法对不平衡大数据的采样效果较好,并且分类精准度、稳定性和性能都较高。     

基于地面高光谱数据鲜茶叶特征选择与品种识别

使用ASD Field3在武夷山实测的9种鲜茶叶数据,该数据经过预处理后,计算24种光谱指数,用于对9种茶叶的分类,用SVM-RFE对光谱反射率数据和光谱指数数据进行特征选择,最后用线性SVM和随机森林分类.检验SVM分类器的性能和SVM-RFE选择特征的适用性,其中SVM分类器在4个数据集中都达到了95%以上的分类精度.随机森林分类器在其中3个数据集达到90%以上的精度,一个70%的精度.研究表明SVM-RFE是一个稳定有效的特征选择算法,并且SVM的性能优于随机森林.     

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.     

基于局部密度改进的SVM不平衡数据集分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出基于局部密度改进的SVM不平衡数据集分类算法.该算法先将多数类划分成多个子类,并依据子类内每个样本的局部密度选出边界区域、靠近边界区域的与少数类数目相等的样本,与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器进行迭代优化.结果表明,与WSVM,ALSMOTE-SVM和基本SVM算法相比,该算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能.     

一种新的近邻密度SVM不平衡数据集分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出一种新的近邻密度SVM(NNDSVM)不平衡数据集分类算法。该算法先计算多数类中每个样本K近邻范围内的密度值,依据该密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明,与SVM、ALSMOTE-SVM和WSVM算法相比,本文算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。     

基于中分辨率成像遥感数据的毕拉河林场林火信息检测

利用中分辨率成像光谱仪(MODIS)时间序列数据进行森林火情监测的原理及通道特性进行分析,利用阈值算法提取火点信息作为鲁棒卫星技术(RST)算法阈值确定前提,结合2种算法对内蒙古大兴安岭毕拉河林场火灾进行火点信息的提取,提高火点信息算法精度;然后,基于确认的火点信息,结合局部变化检测指数(ALICE)和全球环境监测指数(GEMI)提取过火迹地信息。结果表明:结合2种算法确定新的阈值可以有效地提取森林火点信息,检测精度由高到低的顺序为基于连续日期均值算法和基于空间域均值算法、基于每月同期均值算法,基于连续日均值的RST算法更加适合林火信息检测;结合ALICE和GEMI提取过火迹地信息的方法可以检测出绝大部分过火迹地像元,检测精度较高。     

基于SMOTE采样和支持向量机的不平衡数据分类

不平衡数据集广泛存在,对其的有效识别往往是分类的重点,但传统的支持向量机在不平衡数据集上的分类效果不佳.本文提出将数据采样方法与SVM结合,先对原始数据中的少类样本进行SMOTE采样,再使用SVM进行分类.人工数据集和UCI数据集的实验均表明,使用SMOTE采样以后,SVM的分类性能得到了提升.     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

基于长时序影像的森林矿区开采扰动识别

针对煤炭开采对矿区及周围的森林生态环境产生剧烈扰动的问题,提出了长时间序列的开采扰动识别方法.基于1984年—2015年共20期的Landsat TM/ETM+/OLI长时间序列遥感影像,以美国西弗吉尼亚州布恩县为例,利用植被变化监测（VCT）算法,应用综合森林特征指数（IFZ）,构建“IFZ-时间”时间序列轨迹,实现了森林矿区开采扰动的识别,得到扰动年产品,重建森林从扰动到恢复的整个历史周期,可以为矿区环境监测和生态恢复工作提供技术支持.分类精度评价结果显示研究区分类的总体精度达到83.2%,Kappa系数达到0.814,表明植被变化监测算法可以有效地提取森林矿区的开采扰动信息.     

随机森林在城市不透水面提取中的应用研究

基于高分一号数据采用随机森林模型,引入归一化水体指数NDWI、归一化植被指数NDVI、土壤调节植被指数SAVI、建筑指数BAI、Brightness指数、ICA独立分量、纹理信息及原始影像波段等共17个特征,在matlab环境下提取了深圳市某区域不透水面,并与最大似然分类和支持向量机方法进行对比.结果表明:随机森林的多特征组合方法能有效提升分类精度,在不透水面信息提取中比传统参数分类方法(MLC)总体精度提高了7.681%,Kappa系数提高了0.119 4.     

基于随机森林和支持向量机的云南省土地利用分类

针对基于遥感进行大尺度空间上土地利用类型分类研究的精确性问题,对比提出适用于多样性高原山地地貌大尺度下精确高效的土地利用分类提取方法和土地分类模型。基于2019—2021年云南省sentinel-2卫星影像数据,分别采用随机森林（random forest,RF）和支持向量机（support vector machines,SVM）算法对云南省土地利用进行分类,通过目视解译随机抽样选取1 525个样本点进行精度验证。结果表明：应用RF和SVM分类算法对云南省土地利用分类精度均达80%以上,2019—2021年云南省土地利用中耕地主要呈现先增加后减少趋势;采用RF与SVM总体精度和Kappa系数均值能够更加有效进行土地利用分类比较分析;研究区内RF算法识别地物信息的准确度高于SVM,更适合云南省高原山地土地利用分类研究     

渤海海域叶绿素浓度的遥感反演研究

以渤海海域为研究区域,以MODIS1B卫星影像为数据源,利用MODIS 250.m分辨率的波段反射率构建的NDPI(Normalized Difference Pigment Index)遥感指数结合叶绿素质量浓度(ρ)实测值进行回归拟合分析,建立基于MODIS1B数据的渤海海域叶绿素质量浓度遥感提取模型,并应用该模型反演出渤海海域叶绿素浓度的分布情况,对其分布进行了分析和评价.研究结果表明,利用MODIS1B数据监测渤海海域的水质情况是可行的.     

基于新改进的SVM不平衡数据集分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出一种新改进的SVM(IMSVM)不平衡数据集分类算法。该算法先计算每个样本在距离临界区域内的密度值,依据样本的密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;再用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明:与WSVM、ALSMOTE-SVM和基本SVM算法相比,对于不平衡性较高的Spectf Heart数据集;本文算法较其他算法的G-mean提高了5.59%,F-measure提高了6.43%,CPU运行时间降低了13%。上述结果表明:IMSVM算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。     

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.     

中国典型区域GLC2009数据的精度评价

为研究GLC2009在中国地区数据的分类精度,以中国典型区域为研究内容,选择空间分辨率为30 m的中国TM影像为参考数据,利用混淆矩阵方法,从空间一致性和面积数量精度两方面对全球土地覆盖数据GLC2009产品进行精度检验.结果表明：GLC2009在中国总体精度较低,其中华东区域的分类精度最高,Kappa系数达到0.77;西北和华南区域的分类精度次之;东北区域的精度则最低,Kappa系数仅为0.02.该结果为地表层发展过程研究提供了参考依据.     

一种新的基于局部密度改进SVM分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出基于局部密度改进的SVM(NLDSVM)不平衡数据集分类算法。该算法先用层次k近邻法计算多数类中每个样本的局部密度,依据每个样本的局部密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明,与WSVM,ALSMOTE-SVM和基本SVM算法相比,NLDSVM算法G-mean的平均值提高了7%,F-measure的平均值提高了6%,AUC的平均值提高了6%。NLDSVM算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。     

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。