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Sentinel-2A影像的枸杞种植区域识别

枸杞(Lycium barbarum L.)是西北地区重要的经济作物,靖远县作为甘肃省主要枸杞产区之一,快速准确地获取枸杞种植结构与空间分布对当地农业种植结构调整及区域经济可持续具有重要意义。基于Sentinel-2A影像数据,采用面向对象的分类方法,利用光谱特征与纹理特征构建随机森林分类器,实现枸杞种植信息的提取。结果表明：将光谱特征和纹理特征相结合的随机森林分类方法精度最高,分类总体精度达到88.14%,Kappa系数为0.81,枸杞的用户精度为81.03%;靖远县枸杞种植面积为297.12 km~2,分别呈现出集中连片、零星分布特征,主要集中分布在靖安乡、五合镇、东升镇和北滩镇的种植基地,采用Sentinel-2A可以很好地提取空间上分散种植的枸杞。研究结果可为靖远县特色农作物枸杞的种植结构调整和开发利用提供数据支撑,研究方法可为大面积的枸杞遥感监测提供参考。     

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Sentinel-1和Sentinel-2A的西小山林场平均树高估测

森林资源调查对于我国森林生态系统可持续发展具有重要意义,森林平均高度是森林资源调查的主要结构参数,也是获取难度最大的关键参数之一。为探究联合主被动遥感技术在估测森林平均高度方面的潜力,本研究以吉林省临江市西小山林场为研究区,利用Sentinel-1 SAR和Sentinel-2A数据,通过提取Sentinel-1的2个后向散射系数、8个纹理信息,以及Sentinel-2A的10个光谱波段及其纹理信息和11个植被指数,采用多元线性回归方法分别建立基于上述变量以及融合4类变量的5组平均树高估算模型,并评估各变量对反演精度的影响。结果表明: 单一数据源变量中,基于Sentinel-2A光谱波段提取的纹理信息建模效果较好,能够作为估算森林平均高度的有效数据;融合4类变量的森林平均高度估算模型最优,R²达0.56、留一交叉验证均方根误差为2.92 m、相对留一交叉验证均方根误差为21.5%。基于Sentinel-1与Sentinel-2A特征变量的平均树高模型能够提高森林高度的估算精度,可用于区域森林平均高度估测和制图。     

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Sentinel-2的丛生竹林信息提取方法比较及分布特征

滇西南地区拥有丰富的丛生竹林景观和珍稀特有竹种资源,但竹资源分布储量不清、监测技术缺乏等问题很大程度限制了竹资源开发与利用。基于Sentinel-2A影像数据,采用反向传播神经网络、支持向量机、随机森林三种机器学习分类方法进行沧源县丛生竹林信息提取及精度评价,利用Google Earth影像和DEM数据对竹资源分布的空间和地形特征进行了分析。结果表明,随机森林分类精度优于支持向量机和反向传播神经网络,分类总体精度达90%,Kappa系数达0.87,竹林用户精度达81%。沧源县共有竹林138.07 km2,主要分布于城镇村庄、道路、水系和耕地周边,以四旁竹和防护竹林为主,采用Sentinel-2A10 m的分辨率很好地提取了空间上分布分散的丛生竹林。沧源县竹林主要分布在海拔900～2000 m,坡度范围大都位于缓坡和斜坡。研究结果可为沧源县竹资源开发利用提供数据支持,研究方法可作为大型丛生竹遥感监测的参考。     

基于Sentinel-2的丛生竹林信息提取方法比较及分布特征

滇西南地区拥有丰富的丛生竹林景观和珍稀特有竹种资源,但竹资源分布储量不清、监测技术缺乏等问题很大程度限制了竹资源开发与利用。基于Sentinel-2A影像数据,采用反向传播神经网络、支持向量机、随机森林三种机器学习分类方法进行沧源县丛生竹林信息提取及精度评价,利用Google Earth影像和DEM数据对竹资源分布的空间和地形特征进行了分析。结果表明,随机森林分类精度优于支持向量机和反向传播神经网络,分类总体精度达90%,Kappa系数达0.87,竹林用户精度达81%。沧源县共有竹林138.07 km2,主要分布于城镇村庄、道路、水系和耕地周边,以四旁竹和防护竹林为主,采用Sentinel-2A10 m的分辨率很好地提取了空间上分布分散的丛生竹林。沧源县竹林主要分布在海拔900～2000 m,坡度范围大都位于缓坡和斜坡。研究结果可为沧源县竹资源开发利用提供数据支持,研究方法可作为大型丛生竹遥感监测的参考。     

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。     

外来入侵植物凤眼莲遥感监测方法研究

【目的】凤眼莲作为我国典型的外来入侵物种之一,其大规模入侵对水生生态系统破坏严重。目前在不同生境下开展的凤眼莲遥感监测方法研究精度有所不同。本研究对比了不同分类方法,拟筛选出适合我国南方地区凤眼莲的分类方法。【方法】基于Sentinel-2、Landsat8 OLI多光谱影像,选择最大似然和支持向量机监督分类、决策树分类以及植被指数阈值分类方法分别对海南省5个水库的凤眼莲遥感分类,依据无人机可见光影像目视结果对不同方法的分类精度进行评价。【结果】基于凤眼莲时相特征的决策树分类精度最高,总体精度达到90%以上;在基于光谱特征的分类方法中,最大似然监督分类的用户精度为77.88%、制图精度为72.44%,支持向量机分类的用户精度和制图精度分别达到87.00%和84.48%。【结论】基于时相特征与光谱特征的决策树分类方法精度高于仅基于光谱特征的监督分类方法,简单植被指数阈值方法难以区分不同生境内的凤眼莲,研究结果可为我国南方地区凤眼莲遥感监测与预警提供依据。     

森林结构复杂度对单木分割精度的影响——以田横岛为例

单木分割对于森林资源调查具有重要的意义,不同结构复杂度的森林单木分割算法的选择以及分割参数的选取对分割精度有着很大的影响。以山东田横岛为研究区,基于无人机正射影像与激光雷达数据,首先提取海岛森林典型植被二维与三维特征,然后利用随机森林算法对不同树种的树木进行分类,最后基于分类后的点云数据,选取不同结构复杂度的森林样地,对比分析聚类算法、层堆叠算法、分水岭算法在不同复杂度林区的适用性。结果表明:(1)随机森林算法结合单木二维、三维特征可有效对混交林树木进行分类,模型总体的精度为94.51%,Kappa系数为0.9038;(2)聚类算法对结构简单的林区具有更高的分割精度(F=96.41),但依赖于分割参数的选取;面对复杂单木集群,分水岭算法总体得分波动最小(ΔF=14.56),表现出较强的稳定性;(3)混交林预先进行树种分类可有效改善单木分割环境,相比于直接进行单木分割,聚类算法、层堆叠算法、分水岭算法的分割精度均得到不同程度的提升(ΔF₁=10.06,ΔF₂=9.51,ΔF₃=12.6)。     

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。     

秦岭南坡子午河中下游流域土地利用/土地覆被信息提取及其应用

精确的土地利用/土地覆被数据不仅可以反映区域的生态环境状况,为环境部门提供决策支持,也为实现区域生态环境更高质量发展发挥重要作用。以子午河中下游流域为研究区,利用多源多时相的landsat8卫星遥感数据,结合地面调查数据、文献调研等,探讨并研究支持向量机分类法（SVM）和随机森林模型（RFM）对该区的植被类型和土地利用现状类型进行识别,对两种方法的分类精度进行对比,并分析和评价光谱特征变量对模型的重要性和适用性。利用满足要求的土地利用现状数据,再结合修正的通用土壤流失方程RUSLE模型进一步计算出研究区的土壤侵蚀模数,绘制研究区土壤侵蚀分布图,结合土地利用/植被覆盖信息计算研究区的生态环境状况指数,从宏观上对子午河中下游流域进行生态环境评价。结果表明：①随机森林模型可以有效利用样本的特征因子,并与地形约束因子结合,从而对植被和土地利用类型进行分类,分类总体精度均达到80%以上,kappa系数分别为0.73和0.86,与传统的SVM方法相比,RFM方法均提高了森林类型和土地利用类型的分类精度。②研究区总体生态环境状况指数为87.12,生态环境状况为优,其中水源区附近由于土壤侵蚀流失量相对较大,所以生态环境状况为良,占研究区总面积的15.69%。     

普洱季风常绿阔叶林乔木物种多样性高分辨率遥感估测

季风常绿阔叶林是我国南亚热带典型的地带性植被,也是云南省普洱地区重要森林类型。季风常绿阔叶林乔木物种多样性遥感估测对研究区域尺度生物多样性格局及其规律具有重要作用。根据光谱异质性假说和环境异质性假说,首先使用1m空间分辨率的机载高光谱数据和激光雷达数据提取了光谱多样性特征和垂直结构特征。然后利用基于随机森林算法的递归特征消除方法选择对研究区森林乔木物种多样性指数具有较好解释能力的遥感特征,并对Shannon-Winner物种多样性指数进行建模、制图。研究结果表明：(1)基于机载LiDAR数据提取的垂直结构特征和机载高光谱数据提取的光谱多样性特征均对研究区森林乔木物种多样性具有较好的解释能力,随机森林模型估测结果分别为R²=0.48,RMSE=0.46和R²=0.5,RMSE=0.45;两种数据源融合可以进一步提高遥感数据的森林乔木物种多样性估测精度,随机森林估测模型R²和RMSE分别为0.69和0.37。(2)机载激光雷达数据对研究区针阔混交林乔木物种多样性的估测能力优于机载高光谱数据。(3)机器学习方法有助于从高维遥感...     

洞庭湖洲滩速生杨树林变化信息提取方法

洞庭湖是我国第二大淡水湖,其湿地资源具有重要的生态功能和经济价值。近20年来,洞庭湖洲滩速生杨树林发展迅速,其中西洞庭湖杨树林的扩张最为明显,极大改变了湖区湿地植被分布格局,隐含极大的生态风险。以Landsat ETM+和HJ-1A/1B CCD影像为数据源,提出了洞庭湖速生杨树林变化信息提取的两种方法,并对这两种方法进行了比较研究。一种是分类的方法,即采用面向对象分层信息提取的方法先提取出树林滩地信息,再将距离大堤一定范围内的树林滩地归为防护林,速生杨树林变化的面积即为两个时相提取结果的差值。另一种是变化检测的方法,它是基于像元进行变化检测,先确定出总的变化区域,再从中筛选速生杨树林的变化信息。结果表明:(1)两种提取方法都是可行的,不同方法提取的速生林变化信息存在一定差异,但空间分布大体一致;(2)基于分类的方法总体精度和Kappa系数均略高于基于变化检测的方法:其中基于分类的方法总体精度达84.00%,Kappa系数为0.67,基于变化检测的方法总体精度达83.00%,Kappa系数为0.65;(3)基于分类的方法图斑较大、图斑数较少,基于变化检测的方法图斑较小且较破碎、图斑数多;(4)基于分类的方法漏分较少、错分较多,基于变化检测的方法漏分较多、错分较少。为洞庭湖洲滩杨树林的动态监测提供了研究方法,也为杨树林扩张原因及其生态效应分析提供研究基础。     

西藏自治区草地地上生物量遥感反演研究

草地地上生物量（Aboveground Biomass,AGB）是反映草地生态系统功能和质量的关键指标,大尺度地准确估算草地AGB对草地生态系统经营管理至关重要。研究以MODIS影像为数据源,提取反射率、植被指数和植被产品三种不同类型的特征变量,结合野外实测样地草地AGB数据,构建以多元线性逐步回归为代表的参数模型以及随机森林、支持向量机和kNN等非参数模型进行西藏自治区草地AGB估测及空间分布制图。结果表明：（1）多元线性逐步回归、随机森林、支持向量机和kNN模型在加入植被产品特征变量后,RMSE分别降低了15.8%、13.5%、4.1%和17.3%,表明植被产品作为建模变量用于草地AGB估测可有效提高模型精度;（2）三种组合变量构建的草地AGB估测模型中,反射率、植被指数、植被产品组合构建的模型效果最佳,其中kNN模型估测精度最高,R²达到0.60,RMSE和MAE分别为0.43、0.34 t/hm²;（3）草地AGB空间分布呈现出西北地区较低、中部地区较高且分布形态较破碎和东部地区较高的变化特征;（4）利用MODIS植被产品结合kNN模型的预测值与草地实测的AGB空间分布趋势基本一致。综上,MODIS植被产品结合kNN模型可作为大尺度区域草地AGB遥感估测的有效参考。     

生物土壤结皮对照相法测量植被覆盖度结果的影响

植被覆盖度测度的准确性很大程度上影响着研究结论是否科学合理。在干旱半干旱退化草原区,尤其是受采矿剧烈扰动的矿区,发育的生物土壤结皮(Biological soil crust,BSC)由于其颜色和光谱同绿色植被具有相似性,导致对植被覆盖度的测量存在一定的影响。以伊敏露天矿区为研究区,在西排土场和内排土场采集了含苔藓结皮、地衣结皮和藻结皮的样方相片各四组(每组中包含样方喷水前和喷水后的相片各一张),并采集了一组不含结皮的样方相片作为对照组,运用数码照相法提取植被覆盖度,通过不同的数据处理方法(最大似然分类法及RGB阈值法)进行植被覆盖度提取,设立对比试验,分析BSC对于植被覆盖度测度是否有影响,其影响大小如何,影响程度是否受BSC含水量大小的影响,并对比各常规处理方法的优劣,研究能否通过结合纹理特征与色彩信息剔除BSC对植被覆盖度提取值的影响。研究结论:1)基于照相法的常规数据处理方法提取植被覆盖度时,BSC的存在导致测得的植被覆盖度值偏高,且苔藓结皮、地衣结皮吸水后比吸水前影响更显著,藻结皮相反;2)3个演替阶段的BSC中,尤以含苔藓结皮的样方植被覆盖度高估最为明显,其次为地衣,而含藻结皮样方规律不明显;3)样方内BSC覆盖度越高,植被覆盖度越低,其植被覆盖度测度越不准确,因此在研究草原矿区这类草本植物覆盖度较低、结皮发育的区域时,应当注意BSC的影响;4)试通过应用纹理信息提出改进的提取方法,发现单纯的纹理分类精度极低,而结合了纹理信息与RGB色彩信息的分类精度较高;5)对两种常规分类方法的精度进行比较,RGB阈值法较最大似然分类法更为不准确,对植被覆盖度的高估接近最大似然分类法的2倍。对两种改进的提取方法的精度进行比较,二者都可以有效提高测量精度,基于波段合成的纹理分类方法最佳。四种方法精度由高到低的顺序为:纹理结合RGB法考虑生物土壤结皮的最大似然分类法普通最大似然分类法RGB阈值法。     

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SNIC-CNN-SVM模型的京津风沙源二期工程区土地利用/土地覆盖遥感识别研究

稀疏植被覆盖(草地、沙地、戈壁)演变能够直接表征区域生态环境和人类活动的动态影响变化。但由于大尺度稀疏植被区一般都具有地理跨度大,景观结构复杂多样,破碎化程度高,现有地表覆盖分类产品针对性不足等问题,使得该区域内林草沙的遥感提取难度较大,精度普遍偏低,直接制约生态效应评价模型的应用效果。因此,以典型大尺度稀疏植被区——京津风沙源治理二期工程区为研究区,研建了SNIC-CNN-SVM(SCS)模型,实现了大尺度稀疏植被区林草沙典型要素的信息自动提取和主要土地利用/土地覆盖类型识别。研究结果表明：1)引入惩罚性机制优化后的SNIC分割算法,有效提升了稀疏植被区与沙地区的边界区分度,有助于分类精度的提升;2)基于改进SNIC-CNN-SVM模型方案的研究区总体分类精度达89.41%,较优化前提高了11.17%,特别是乔、灌、草、沙地和戈壁的分类识别精度显著提升,表明该优化方案在以研究区为代表的稀疏植被区域分类中具有较好的应用效果和推广价值;3)分类结果显示,2020年工程区草地面积最大,占到了一半以上(51.52%),沙地占比11.96%,稀疏植被覆盖(草地、沙地、戈壁)区域占比68.68%...