基于不同决策树的面向对象林区遥感影像分类比较

面向地理对象影像分析技术(GEOBIA)是影像分辨率越来越高的背景下的产物.如何提高高分辨率影像分类精度和分类效率是影像处理的重要议题之一.本研究对QuickBird影像多尺度分割后的对象进行分类,分析了C5.0、C4.5、CART决策树算法在林区面向对象分类中的效率,并与kNN算法的分类精度进行比较.利用eCognition软件对遥感影像进行多尺度分割,分析得到最佳尺度为90和40.在90尺度下分离出植被和非植被后,在40尺度下提取不同类别植被的光谱、纹理、形状等共21个特征,并利用C5.0、C4.5、CART决策树算法分别对其进行知识挖掘,自动建立分类规则.最后利用建立的分类规则分别对植被区域进行分类,并比较分析其精度.结果表明: 基于决策树的分类精度均高于传统的kNN法.其中,C5.0方法的精度最高,其总体分类精度为90.0%,Kappa系数0.87.决策树算法能有效提高林区树种分类精度,且C5.0决策树的Boosting算法对该分类效果具有最明显的提升.     

基于多源遥感信息融合的广东省土地利用分类方法——以雷州半岛为例

准确高效的获取土地利用信息对生态环境评价非常重要。广东省地处华南热带和亚热带季风气候区,经济作物种类繁多,土地覆盖破碎,为土地利用精确分类带来很大不确定性,而常年多云雨的天气也为有效光学影像的获取带来困难。为提高土地覆盖分类精度,以雷州半岛为实验区,综合应用Landsat-TM/ETM、多时相HJ光学影像,以及X波段Terra SAR数据,通过分析不同地物类型在光谱、极化以及多时相特征上的差别,对原始图像进行特征提取。在此基础上融合多源遥感信息的地物特征运用面向对象土地覆盖分类方法获取研究区高精度的土地利用信息。结果显示这一方法能有效提高土地覆盖利用信息获取精度,为研究生态环境变化提供更准确的数据支持。     

基于面向对象的QuickBird遥感影像林隙分割与分类

传统的实地调查和人工解译方法已经不能满足区域尺度的林隙获取,高空间分辨率遥感影像的出现为区域尺度的林隙获取提供了可能.本研究采用QuickBird高空间分辨率光学遥感影像,结合面向对象分类技术对福建省三明市将乐县将乐国有林场进行林隙分割与分类.在面向对象分类过程中,采用10种尺度(10~100,步长为10)对QuickBird遥感影像进行分割,应用参考对象相交面积(RA_or)和分割对象相交面积(RA_os)进行分割结果评价.对每个尺度分割结果应用16个光谱特征,采用向量机分类器(SVM)进行林隙、非林隙和其他类型分类.结果表明:通过RA_or和RA_os等值法获得最优分割尺度参数为40.不同尺度参数之间的分类总精度最高相差22%.在最优尺度下,应用SVM分类器对林隙、非林隙和其他类型分类的总精度高达88%(Kappa=0.82).采用高空间分辨率遥感数据并结合面向对象的方法,可以代替传统的实地调查和人工解译对区域尺度的林隙进行识别分类.     

基于多时相无人机遥感影像优化河口湿地景观分类

河口湿地具有丰富的生物多样性和高度异质化的景观格局。针对河口湿地景观的复杂性,采用传统的基于单幅遥感影像的分类方法并不能得到较好的分类结果。本研究采用多时相无人机遥感影像参与分类,以优化河口湿地景观自动分类结果。选择天目湖上游平桥河河口湿地为研究区,选取4个季节的无人机影像为基础数据源,采用面向对象与决策树相结合的分类方法,针对不同季节组合的影像进行分类。结果表明:采用多时相无人机影像能显著提升分类效果,且参与分类的时相越多,效果越好;单季影像中,春季是最适合进行景观分类的季节,分类总体精度为62.7%,Kappa系数为0.59;当4个季节获取的影像同时参与分类时,分类总体精度为91.7%,Kappa系数为0.90;参与分类的时相光谱特征差异越大,分类效果提升越明显。本研究可为河口湿地景观分类提供技术支持,并提出了一种利用可见光无人机遥感影像进行湿地景观分类的新思路。     

基于高分二号遥感影像树种分类的时相及方法选择

掌握森林内树木种类及其分布情况对研究森林生态系统具有重要意义.为推广国产高分数据在森林树种分类方面的应用,同时探究不同时相、分类特征及分类器的组合对树种分类结果的影响,本研究利用3景高分二号影像构建了3种单时相和4种多时相,通过多尺度分割、C5.0特征优选及支持向量机(SVM)和随机森林(RF)两种分类器分别实现了不同时相及特征维度下面向对象的8个树种的分类,最终取得了总体精度在63.5～83.5%、Kappa系数在0.57～0.81的良好结果.结果表明: 时相的选择会对分类结果产生较大的影响,其中,基于多时相的结果往往优于单时相,多时相下不同影像组合间以及单时相间亦存在明显的精度差异;特征优选会对分类精度的提升起到积极作用,应予以足够重视;SVM在不同时相及特征维度下的表现均较为稳定,在单时相及分类特征难以直接区分树种的情况下应优先使用SVM,但使用SVM时应注意其易发生过拟合;RF不易发生明显的过拟合,但其对分类特征的质量依赖较大,并倾向于在良好的影像组合下取得较为优异的结果.     

基于多源遥感数据的面向对象林分类型识别

林分类型的识别是森林资源监测的核心问题之一.为研究多源遥感数据协同的面向对象林分类型分类识别,采用Radarsat-2数据和QuickBird遥感影像协同进行面向对象分类.在面向对象分类过程中,采用3种分割方案:单独使用QuickBird遥感影像分割;单独使用Radarsat-2数据分割;Radarsat-2&QuickBird协同分割.3种分割方案均采用10种分割尺度(25～250,步长25),应用修正的欧式距离3指标评价不同分割方案的分割结果,确定最优分割方案及最优分割尺度.在最优分割结果的基础上,基于地形、高度、光谱及共同特征的不同特征组合,应用带有径向基(RBF)核函数的支持向量机(SVM)分类器进行杉木林、马尾松林、阔叶林3种林分类型识别.结果表明:与单独使用一种数据相比,Radarsat-2数据和QuickBird遥感影像协同方案在面向对象林分类型分类方面具有优势.Radarsat-2&QuickBird协同分割方案,以最优尺度参数100进行分割时,分割结果最好.在最优分割结果的基础上,应用两种数据源提取的全部特征进行面向对象林分类型识别的精度最高(总精度为86%,Kappa值为0.86).本研究结果不仅可为多源遥感数据结合进行林分类型识别提供参考和借鉴,而且对于森林资源调查和监测有现实意义.     

基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类

明确滨海湿地植物物种类型及其分布状况是实现滨海湿地精细化生物多样性监测的基础,对于滨海湿地的保护管理与生态可持续发展均具有重要意义。本研究以无人机可见光遥感影像为基础数据源,在定量分析最优分割尺度与最优分类特征组合的基础上,应用面向对象-U-net深度学习方法对闽江河口湿地植物物种类型进行分类,并与K最近邻、决策树、随机森林和贝叶斯分类方法进行精度对比分析,以期为滨海湿地植物物种遥感精细分类与生物多样性保护管理提供方法借鉴与科学参考。研究结果表明,利用面向对象-U-net深度学习方法提取不同滨海湿地植物物种类型的分类精度可达95.67%,总体精度较其他分类方法提高6.67%–13.67%, Kappa系数提高0.12–0.31,且分类整体性好。此外,实现植物物种光谱特征、形状特征、纹理特征与高度特征的最优特征选择对于有效提高湿地植物物种信息分类精度具有重要作用,应用最优分割尺度实现影像分割可提高整体分类效率。     

基于阈值法的山区森林常绿、落叶特征遥感自动识别方法——以贡嘎山地区为例

森林的常绿、落叶特征是土地覆被产品的重要属性。由于山区地形复杂,地表遥感辐射信号地形效应明显,导致山区森林常绿、落叶特征遥感自动识别一直是难点。提出了一种基于阈值法的山区森林常绿、落叶特征遥感自动识别简单实用方法。该方法利用多源、多时相遥感影像,选择归一化植被指数(NDVI)为指标,通过统计参考样本的NDVI在生长季和非生长季的差异,自动找出区分常绿、落叶特征的阈值,基于判别规则识别山区森林常绿、落叶特征。以贡嘎山地区为例,分别以多时相Landsat TM影像(简称TM)、多时相环境减灾卫星影像(简称HJ)为单源数据,多时相的HJ、TM组合影像为多源数据,验证该方法的有效性。实验结果表明,该方法能够有效识别山区森林常绿、落叶特征,总体精度达到93.87%,Kappa系数为0.87。该方法适用于山区大面积森林常绿、落叶特征遥感自动提取,已被成功应用于"生态十年"专项西南地区土地覆被数据的生产。     

基于多时相SAR数据和SPOT数据的盘古林场林分类型识别

林分类型信息的提取是遥感影像分类中的热点和难点。而大兴安岭地区又是我国重点林区和天然林主要分布区之一,植被类型丰富,种类繁多,为林分类型精确识别带来了很大的难度。为了比较和提高林分类型的分类精度,研究以大兴安岭地区盘古林场为实验区,综合利用SPOT-5影像和不同时相的RADARSAT-2全极化SAR影像,采用3种分类方案及最大似然分类方法对研究区遥感影像进行分类,并比较不同分类方案对林分类型识别的精度。3种方案分别是:(1)单独采用SPOT影像对林分类型进行识别;(2)对全极化SAR数据进行极化分解提取参数并结合SPOT数据参与分类;(3)结合SPOT数据与多时相全极化SAR分解参数进行分类。结果表明:对比SPOT、加入单时相和加入多时相3种方案的分类结果,方案三加入多时相SAR影像与SPOT数据对白桦林、落叶松林、樟子松林和云杉林的分类中总分类精度最高,为84.64%,Kappa系数为0.79,对林分类型的识别最为有效,而单用SPOT数据对林分类型识别的精度最低,精度为76.66%,Kappa系数为0.70。     

发展NECT土地覆盖特征数据集的原理、方法和应用

着重探讨了建立中国东北样带 (NortheastChinatransect, NECT) 土地覆盖特征数据集的原理、方法及其在全球变化研究方面的重要应用。NECT土地覆盖特征数据集是以多时相的 1km分辨率的NOAA/AVHRR归一化植被指数NDVI (Normalizeddifferencevegetationindex) 数字影像为基础, 同时采用高程、气候、土壤、植被、土地利用、土地资源、生态区域、行政边界、经济、社会等多源数据作为数据源, 并经过标准化处理 (如数字化、空间插值、几何配准、投影转换 ) 集成而成。在土地覆盖特征数据集的主要应用方面, 如 :1) 利用多时相、1km分辨率的NOAA/AVHRR影像完成了中国东北样带土地覆盖分类图。一级分类系统包括森林、草原、荒漠和沙地、灌丛、农田、混合覆盖 类型、城镇和水体等 8类, 二级分类体系包括 12类。经过地面采样进行精度检验, 分类精度达到 81.6 1%。 2 ) 对主要植被类型的植物生长季变化进行的研究。利用多时相的遥感影像构造了能够反映植被年际、季节生长变化的遥感植被指数ND VImax、NDVI变幅xam以及NDVI的标准偏差x′s 等, 分析这 3个参数 1983~ 1999年的 17年中的变化情况。该数据集的建立是研究该样带土地覆盖特征及其变化规律的基础, 对基于样带的全球变化研究有重要的意义。     

Object-oriented methods for habitat mapping at multiple scales – Case studies from Northern Germany and Wye Downs, UK

This paper presents an application of object-oriented techniques for habitat classification based on remotely sensed images and ancillary data. The study reports the results of habitat mapping at multiple scales using Earth Observation (EO) data at various spatial resolutions and multi temporal acquisition dates. We investigate the role of object texture and context in classification as well as the value of integrating knowledge from ancillary data sources. Habitat maps were produced at regional and local scales in two case studies; Schleswig-Holstein, Germany and Wye Downs, United Kingdom. At the regional scale, the main task was the development of a consistent object-oriented classification scheme that is transferable to satellite images for other years. This is demonstrated for a time series of Landsat TM/ETM+ scenes. At the local scale, investigations focus on the development of appropriate object-oriented rule networks for the detailed mapping of habitats, e.g. dry grasslands and wetlands using very high resolution satellite and airborne scanner images. The results are evaluated using statistical accuracy assessment and visual comparison with traditional field-based habitat maps. Whereas the application of traditional pixel-based classification result in a pixelised (salt and pepper) representation of land cover, the object-based classification technique result in solid habitat objects allowing easy integration into a vector-GIS for further analysis. The level of detail obtained at the local scale is comparable to that achieved by visual interpretation of aerial photographs or field-based mapping and also retains spatially explicit, fine scale information such as scrub encroachment or ecotone patterns within habitats.     

基于可见光植被指数的面向对象湿地水生植被提取方法

利用ESP分割工具确定最佳分割尺度,通过多尺度分割算法创建最优分割影像,基于微型无人机影像数据生成可见光植被指数,从一系列可见光植被指数中选取一组最优植被指数,建立决策树规则,利用隶属度函数对研究区自动分类,生成水生植被分布图.结果表明: 监督分类法的总体精度为53.7%,面向对象分类法总体精度为91.7%,与基于像元的监督分类法相比,面向对象分类法显著改善了影像分类结果,并大大提高了水生植被提取精度,监督分类法的Kappa系数为0.4,而面向对象分类法的Kappa系数为0.9.这表明利用微型无人机数据生成的可见光植被指数结合面向对象分类方法提取水生植被在该研究区是可行的,并能够应用到其他类似区域.     

基于中分辨率TM数据的湿地水生植被提取

利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取。研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果。2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源。     

基于多时相中巴资源卫星影像的冬小麦分类精度

中巴资源卫星2号星（CBERS-02）具有较高的空间分辨率和较丰富的光谱信息,对植被有较强的探测能力.利用2006—2007年北京地区冬小麦生育期早期的5景CBERS-02卫星影像,计算了各时相和不同时相组合的主要地物类型及冬小麦的光谱可分性距离,进行了监督分类,同时,结合高分辨率航空和卫星遥感影像,构建了训练样本和验证样本,对利用CBERS-02卫星提取的生育早期的冬小麦进行了时相分析和精度评价,并与同期TM影像提取结果进行对比.结果表明：时相是影响冬小麦分类的主要因素,不同光学传感器的遥感影像也会影响分类精度;多时相组合有利于提高冬小麦的提取精度,与单时相冬小麦提取的最高精度相比,最佳时相组合的制图精度提高了20.0%、用户精度提高了7.83%;与TM数据相比, CBERS-02卫星影像的冬小麦分类精度略低.     

浙江省森林信息提取及其变化的空间分布

如何利用遥感技术提取森林信息是遥感应用的重要领域之一。以不同时相的Landsat TM/ETM+为数据源,采用面向对象和基于多级决策树的分类方法得到浙江省2000年、2005年以及2010年的森林植被覆被图。经实地采样点验证,2010年分类精度达到92.76%,精度满足要求。介绍了浙江森林信息的快速提取方法,即统计不同森林类型的Landsat TM影像原始波段和LBV变换值以及各种植被指数在各时相上的差异,经过C5决策树训练,选取合适的规则和阈值实现森林信息的提取。结果表明,面向对象分割与决策树算法结合可以作为森林信息提取的有效方法。最后,通过对3期森林专题图进行空间叠加分析,得到了森林资源动态变化的空间分布,并以此为基础对林地变化的类型及原因进行分析,结果显示浙江省森林资源变化主要分布在浙西北山区、浙中南山区以及沿海地带,这一结果可以为有关部门的决策提供依据。     

Using spectral analysis of Landsat-5 TM images to map coastal wetlands in the Amazon River mouth,Brazil

Tropical coastal wetlands form complex and dynamic ecosystems based on a mixture of vegetation, soil, and water components. Optical remotely sensed data have often been used to characterize and monitor these ecosystems, which are among the environments most threatened by climate change and anthropogenic activity worldwide. The present study sought to evaluate the spectral response of Landsat-5 Thematic Mapper (TM) images for the interpretation of different wetlands and associated environments at the mouth of the Amazon River, including mangroves, saltmarshes, beaches, and dunes, as well as secondary vegetation, water with different levels of sediment suspension, and human occupation. A Spectral Angle Mapper (SAM) classifier was applied to the analysis of Landsat-5 TMsatellite imagery to evaluate the potential for the mapping of these coastal wetland land cover classes. The characterization and comparison of the different spectral classes were obtained through the collection of at least 20 polygonal samples (5 × 5 pixels) for each class, with a total of 4,544 points. Spectral separability indices for each pair of classes were based on an Analysis of Variance, with Tukey post-test. The results indicated that most land cover classes could be separated spectrally with Landsat-5 TM. The overall accuracy and Kappa indices for the results of the classification were 86.1 and 0.84 %, respectively. The results of this spectral analysis demonstrated the potential of the SAM classifier for the classification of the different tropical wetlands in a typical Amazon coastal setting from optical remotely sensed data.     

Remote sensing imagery in vegetation mapping: a review

Aims Mapping vegetation through remotely sensed images involves various considerations, processes and techniques. Increasing availability of remotely sensed images due to the rapid advancement of remote sensing technology expands the horizon of our choices of imagery sources. Various sources of imagery are known for their differences in spectral, spatial, radioactive and temporal characteristics and thus are suitable for different purposes of vegetation mapping. Generally, it needs to develop a vegetation classification at first for classifying and mapping vegetation cover from remote sensed images either at a community level or species level. Then, correlations of the vegetation types (communities or species) within this classification system with discernible spectral characteristics of remote sensed imagery have to be identified. These spectral classes of the imagery are finally translated into the vegetation types in the image interpretation process, which is also called image processing. This paper presents an overview of how to use remote sensing imagery to classify and map vegetation cover.Methods Specifically, this paper focuses on the comparisons of popular remote sensing sensors, commonly adopted image processing methods and prevailing classification accuracy assessments.Important findings The basic concepts, available imagery sources and classification techniques of remote sensing imagery related to vegetation mapping were introduced, analyzed and compared. The advantages and limitations of using remote sensing imagery for vegetation cover mapping were provided to iterate the importance of thorough understanding of the related concepts and careful design of the technical procedures, which can be utilized to study vegetation cover from remote sensed images.     

Object-based classification of land cover and tree species by integrating airborne LiDAR and high spatial resolution imagery data

We evaluated the effectiveness of integrating discrete return light detection and ranging (LiDAR) data with high spatial resolution near-infrared digital imagery for object-based classification of land cover types and dominant tree species. In particular we adopted LiDAR ratio features based on pulse attributes that have not been used in past studies. Object-based classifications were performed first on land cover types, and subsequently on dominant tree species within the area classified as trees. In each classification stage, two different data combinations were examined: LiDAR data integrated with digital imagery or digital imagery only. We created basic image objects and calculated a number of spectral, textural, and LiDAR-based features for each image object. Decision tree analysis was performed and important features were investigated in each classification. In the land cover classification, the overall accuracy was improved to 0.975 when using the object-based method and integrating LiDAR data. The mean height value derived from the LiDAR data was effective in separating “trees” and “lawn” objects having different height. As for the tree species classification, the overall accuracy was also improved by object-based classification with LiDAR data although it remained up to 0.484 because spectral and textural signatures were similar among tree species. We revealed that the LiDAR ratio features associated with laser penetration proportion were important in the object-based classification as they can distinguish tree species having different canopy density. We concluded that integrating LiDAR data was effective in the object-based classifications of land cover and dominant tree species.     

基于环境星与MODIS时序数据的面向对象森林植被分类

林区地形复杂、植被分布无序,且森林植被光谱信息相近,因而森林二级类型边界的确定成为土地覆盖遥感分类的难点。选择吉林省东部山区为研究区,以环境星影像(HJ-1 CCD)和中等分辨率成像光谱仪(MODIS)时序数据为基础,采用面向对象的分类方法进行森林植被类型的提取。分类特征参数主要选取了HJ-1 CCD的光谱和纹理特征,以及MODIS时序数据的物候特征。研究区总体分类精度为91.5%,Kappa系数为0.88,森林二级类型的分类精度均较高,其中落叶阔叶林的制图精度达到了97.1%。所用的面向对象分类方法与未加入物候特征的面向对象分类方法相比,森林二级类型的分类精度得到大幅度提高。