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.     

亚热带常绿林型遥感识别及尺度效应

光学遥感是获取宏观地表植被覆盖信息的重要手段,但常绿树种之间物候差异小,关于亚热带地区常绿林型的遥感识别研究相对较少。遥感林型识别存在尺度效应,从实际应用视角出发,常绿林型遥感识别的最优空间分辨率仍然不清楚。本研究以湖南省会同县为例,利用Pléiades(2 m)、RapidEye (5 m)、Landsat-8 (15、30 m) 4种光学遥感影像,结合光谱、纹理、植被覆盖度等特征变量与随机森林模型,探讨了3种典型亚热带常绿林型:杉木林(Chinese fir forest,CFF)、马尾松林(Masson pine forest,MPF)、常绿阔叶林(evergreen broadleaved forest,EBF)的最优遥感识别分辨率以及尺度效应问题。结果表明:研究区地表覆盖分类精度随影像空间分辨率的降低呈现先降低后上升的变化趋势,在2 m时具有最佳分类精度(Kappa=0.70,总精度=0.77)。3种林型的识别精度随空间分辨率的上升均表现出先降低后上升的变化规律,识别率(rate of identification,RI)范围分别为:RI_(CFF)=68%～87%、RI_(MPF)=55%～84%、RI_(EBF)=29%～74%。杉木林与马尾松林的漏分误差(omission error,OE)与错分误差(commission error,CE)低于常绿阔叶林(OE_(CFF)=0.26～0.46,CE_(CFF)=0.32～0.53; OE_(MPF)=0.31～0.50,CE_(MPF)=0.31～0.46; OE_(EBF)=0.47～0.71,CE_(EBF)=0.39～0.66)。本研究证实了亚热带常绿林型的遥感识别存在明显的尺度效应,30 m分辨率的Landsat-8影像相比高分辨率遥感影像因具备更丰富的光谱信息而具有更高的识别精度。本研究表明,常绿林型的遥感识别不宜盲目追求高空间分辨率,需要综合考虑遥感传感器光谱配置与空间分辨率之间的内在权衡。     

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。     

基于无人机多源遥感数据的亚热带森林树种分类

树种多样性是生态学研究的重要内容,树木的种类和空间分布信息可有效服务于可持续森林管理。但在复杂林分条件下,获取高精度分类结果的难度大。而无人机遥感可获取局域超精细数据,为树种分类精度的提高提供了可能。基于可见光、高光谱、激光雷达等多源无人机遥感数据,探究其在亚热带林分条件下的树种分类潜力。研究发现:(1)随机森林分类器总体精度和各树种的F1分数最高,适合亚热带多树种的分类制图,其区分13种类别(8乔木,4草本)的总体精度为95.63%,Kappa系数为0.948;(2)多源数据的使用可以显著提高分类精度,全特征模型精度最高,且高光谱和激光雷达数据显著影响全特征模型分类精度,可见光纹理数据作用较小;(3)分类特征重要性从大到小排序为结构信息,植被指数,纹理信息,最小噪声变换分量。     

基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类

利用遥感数据开展森林资源树种的分类对森林资源的监测、森林可持续经营及生物多样性研究都有重要意义。该文以江苏南部丘陵地区的北亚热带天然次生林为研究对象, 利用LiCHy (LiDAR、CCD、Hyperspectral)集成传感器同期获取的高分辨率和高光谱数据, 进行冠幅识别和多个层次的树种分类: 首先, 对高分辨率影像进行基于边缘检测的多尺度分割, 提取出单木冠幅; 其次, 对高光谱影像进行特征变量提取, 并对提取出的特征变量利用信息熵原理选取优化特征变量; 然后, 分别利用全部特征变量和经优化的重要特征变量对森林树种及森林类型进行预分类; 最后, 在预分类结果中加入单木冠幅信息对森林树种及森林类型进行重分类, 并分析分类结果的精度。研究表明: 1)利用全部特征变量进行4个典型树种分类时, 总体精度为64.6%, Kappa系数为0.493; 而针对森林类型的分类精度为81.1%, Kappa系数为0.584。2)利用选取的优化特征变量分类精度略低于利用全部特征变量的分类精度, 其中对4个典型树种分类时, 总体精度为62.9%, Kappa系数为0.459; 而针对森林类型的分类精度为77.7%, Kappa系数为0.525。通过集成传感器同期获取的高分辨率和高光谱数据可以有效地进行北亚热带森林的树种分类及森林类型的划分。     

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。     

基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类

高效而精确的湿地遥感分类是大范围湿地资源动态监测与管理的必要保障。本研究使用ETM 遥感数据,借助Matlab神经网络工具箱,构建了基于BP神经网络的滨海湿地覆被分类模型,并将其应用于江苏盐城沿海湿地珍禽国家级自然保护区的核心区的自然湿地覆被分类研究中。本研究选择3、4、7、8波段作为输入层变量,单隐藏层设为10个节点,输出层变量对应待划分的8种覆被类型,构建三层式BP神经网络滨海湿地覆被分类模型。结果显示,BP分类总精度为85.91%,Kappa系数为0.8328,与最小距离法和极大似然法的分类总精度相比,分别提高了7.99%和6.08%,Kappa系数也相比提高。研究结果表明,BP神经网络分类法是一种较为有效的湿地遥感影像分类技术,能够提高分类精度。     

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。     

基于阈值分割的京津唐城市群生态用地多源遥感识别

当前中国快速城市化进程中的生态环境问题日益突出,在国家生态文明建设理念及新型城镇化战略指引下,有必要通过区域生态用地的快速遥感识别为城市群生态环境问题的有效解决提供基础数据支撑。鉴于不同类型遥感数据在表征特定地物类型的精度上各有优劣,综合多源信息的区域生态用地遥感反演是当前研究的趋势所在。本研究以京津唐城市群为例,综合考虑DMSP/OLS夜间灯光数据和SPOT/VGT数据在建设用地、植被覆盖度识别方面的优点,探讨基于阈值分割法的大尺度区域生态用地多源遥感快速识别方法。研究采用SPOT/VGT数据定量识别林地、草地与耕地,进而基于DMSP/OLS夜间灯光数据区分水体与建设用地。结果表明:京津唐城市群土地覆被整体识别精度达到85.64%,Kappa系数0.771;各类生态用地识别精度均较高,其中林地识别精度最高(90.87%)、水体次之(78.33%)、草地最低(70.97%)。该方法较好地解决了单一遥感数据难以快速区分所有生态用地类型的不足,是基于全球开源数据进行大尺度生态用地快速识别的有效手段。     

基于多源遥感数据的植物物种分类与识别: 研究进展与展望

物种分类与识别是生物多样性监测的基础, 明确物种的类别及其分布是解决几乎所有生态学问题的前提。为深入了解基于多源遥感数据的植物物种分类与识别相关研究的发展现状和存在的问题, 本文对2000年以来该领域的研究进行了总结分析, 发现: 当前大多数研究集中在欧洲和北美地区的温带或北方森林以及南非的热带稀树草原; 使用最多的遥感数据是机载高光谱数据, 而激光雷达作为补充数据, 通过单木分割及提供单木的三维垂直结构信息, 显著提高了分类精度; 支持向量机和随机森林作为应用最广的非参数分类算法, 平均分类精度达80%; 随着计算机技术及机器学习领域的不断成熟, 人工神经网络在物种识别领域得以迅速发展。基于此, 本文对目前基于遥感数据的植物物种分类与识别中在分类对象复杂性、多源遥感数据整合、植物物候与纹理特征整合和分类算法技术等方面面临的挑战进行了总结, 并建议通过整合多时相监测数据、高光谱和激光雷达数据、短波红外等特定波谱信息、采用深度学习等方法来提高分类精度。     

利用GIS对吉林针阔混交林TM遥感图像分类方法的初探

为提高林区TM遥感图像自动分类识别精度,在GIS技术辅助下,以吉林省汪清林业局针阔混交林TM遥感图像为例,对研究区DEM、坡向等地理因子和土壤类型等环境因子与森林植被分布之间的内在规律进行了定量分析,并结合对遥感图像预分类的定性分析,形成分类知识库,建立了适用于针阔混交林的自动分类识别专家系统.分类试验证明,该系统能比较明显地削弱混合像元和地形阴影的影响,分类精度较无监督分类法提高了14.22%,Kappa指数为0.7556,达到区别森林类型的分类目的.将GIS数据引入专家系统,应用先验知识建立推理机制,可以解决遥感图像中云区和云阴影区由于不能接收到正确的光谱值而无法进行分类的问题.     

基于 SPOT5影像的红树林种类图谱特征分析和制图

本文以英罗港为研究区,利用 SPOT5假彩色合成影像,结合现场踏勘,提取了研究区内分布较广且面积较大的4种红树林种类（白骨壤、桐花、秋茄和红海榄）的图谱特征,并建立了相应的遥感解译标志。利用SVM方法开展了研究区内红树林的分类制图,采用样点验证方法评价提取精度,结果显示,对4种红树林的总体分类精度为86．67％,Kappa 系数为0．82。     

神农架川金丝猴栖息地优势乔木树种遥感识别及其分布特征

针对神农架川金丝猴生境基础研究中乔木树种大范围分布数据难以获取问题,尝试利用多源多时相遥感数据结合专家知识分层次实现树种识别。首先采用冬季Landsat8/OLI数据根据物侯特性分层提取常绿、落叶林的地域范围;进而依据夏季Worldview-2高分遥感影像的实地乔木样本的光谱特征分层次完成常绿树种(巴山冷杉、华山松、青$、刺叶栎)和落叶树种(红桦、日本落叶松、米心水青冈、漆树、锐齿槲栎、椅杨)的识别;并通过实地植被样方及专家知识通过高程数据完成分类结果的修正;最后结合GIS对主要优势树种的地形及地域分布特征进行了空间分析。实验精度表明常绿林中巴山冷杉、华山松、刺叶栎、虫害华山松整体精度较高,落叶林中红桦、漆树等识别精度相对较高,部分树种如椅杨、锐齿槲栎识别精度较低;总体上常绿树种的精度要优于落叶树种。从植物地理学、遥感、GIS三者相结合的角度,将多源、多时相遥感数据与物种物候特性、专家知识进行有效整合,提出了一种乔木树种识别的方法(1)提供了复杂山地环境的主要乔木优势种识别途径,且具有通用性;(2)完成了物种物候特性与遥感数据特性的整合利用,有效降低数据成本费用;(3)配合地面样方及专家知识修正结果,避免了过分依赖光谱特征引起的误判。这将为神农架川金丝猴栖息地保护与恢复提供更精确的数据依据。     

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.     

SPOT4遥感数据在荒漠-绿洲景观分类研究中的初步应用

应用SPOT4多光谱遥感数据,结合GPS（Global positioning system）所测定的地面控制点和地面景观类型调查数据,对新疆塔克拉玛干沙漠南缘中部和田地区的策略流漠-绿洲景观分类法及其特征进行了研究,利用ERDAS IMAGINE图像处理软件,对SPOT 4卫片进行几何纠正、投影转换和监督分类、形成研究区的景观分类图,对策勒绿洲的景观分布格局进行了定性的描述,并进一步探讨了SPOT及其它遥感数据在荒漠-绿洲景观研究中的应用研究前景。     

辅助数据在面向对象分类方法中的应用——以密云水库上游为例

密云水库上游位于华北平原向蒙古高原的过渡带内,自然条件差异大,人类活动对该区域影响显著。因此,对该地区土地覆盖类型遥感监测方法的研究具有典型的指导意义。基于高分辨率遥感影像,着重探讨辅助数据在面向对象分类方法中的应用,对密云水库上游地区的土地覆盖进行分类提取。结果显示,研究区内共包含26类土地覆盖类型,其中落叶阔叶灌木林、落叶阔叶林、草丛以及旱地,这4种类型的面积占总面积的85%,是全区的主要土地覆盖类型。在分类时,采用多源异构辅助数据,研究了北方山区常绿针叶林、旱地等土地覆盖类型的识别方法,有效降低了"同物异谱"和"同谱异物"现象对分类精度的影响。     

基于NOAA-AVHRR数据的中国东部地区植被遥感分类研究

该文采用 19幅 (时间跨 8个月 ) 时间序列的NOAA_AVHRR的归一化植被指数 (NDVI) 最大值合成影像遥感数据, 经过主分量分析 (Principlecomponentanalysis, PCA) 处理后, 用非监督分类方法的ISODATA算法, 对中国东部地区的 (五省一市 ) 植被进行分类, 结果可以分出 2 8种土地覆盖类型, 除了两种类型为水体和城市或裸地外, 其余 2 6种类型均为植被类型, 根据中国植被分类系统, 这 2 6类可以归并为 6大植被类型 :1) 常绿阔叶林 ;2 ) 针叶林 ;3) 竹林 ;4 ) 灌草丛 ;5 ) 水生植被 ;6 ) 农业植被。用 1∶10 0 0 0 0 0数字化《中国植被图集》的植被类型检验遥感分类结果表明, 针叶林、灌草丛、常绿阔叶林和农业植被的分类具有较高的位置精度和面积精度, 位置精度分别为 79.2 %、91.3%、6 8.2 %和 95.9%, 面积精度分别达到 92.1%、95.9%、6 3.8%和 90.5 %。这 6大植被类型在地理空间上的分布规律与中国东部常绿阔叶林区植被的地带性分布基本一致。