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C5.0的钱塘江流域地区土地利用/覆被信息提取研究

选取钱塘江中游地区约348 km²为实验区,综合归一化植被指数、纹理信息和数字地形模型(DEM)派生的高程、坡度等辅助数据,对SPOT5影像的光谱特征进行扩展,建立基于C5.0算法的模型,实现对土地利用信息的自动提取,并将分类结果与基于传统像元的最大似然分类结果作比较。结果表明,训练样本的有效性和辅助特征数据的参与可排除干扰信息;随着样点数量的增加,分类精度提高;决策树向决策规则的转化,能够在保证精度的基础上使规则更易理解;利用C5.0算法的总精度达到94.68%,较最大似然分类法提高了7.37%,有效实现了高精度分类,是保证钱塘江流域地区土地利用遥感信息快速准确提取的方法之一。     

基于决策树的代偿期和失代偿期肝硬化自动诊断的方法

决策树方法因结构简单、便于理解和具有较高的分类精度而在数据挖掘中被广泛采用.本文利用改进的决策树算法C4.5从201例肝硬化病例中自动地提取相应的肝硬化状态识别规则,得到决策树分类模型并归纳出代偿性肝硬化和失代偿性肝硬化的诊断规则,识别正确率为84.6%.实验结果表明决策树能较好的自动从肝硬化病例中归纳出代偿性和失代偿性肝硬化的诊断规则.     

基于多尺度分割和决策树算法的山区遥感影像变化检测方法——以四川攀西地区为例

山区遥感影像变化检测面临地形效应明显、空间异质性高等不利因素的影响,构建适用于复杂地形条件的变化检测方法一直是遥感应用研究的难点。在对影像进行多尺度分割的基础上,构建对象的多种光谱、形状及地形特征,将地形阴影、物候等造成的虚假变化当作"未变化"训练样本,利用决策树算法自动提取检测规则,建立复杂地形条件下面向对象的遥感影像变化检测方法,并将该方法用于四川攀西山区1989年和2009年TM影像的检测试验,最后对方法的不足和改进措施进行了讨论。主要结论包括:(1)文中构建的方法能够有效减弱山区复杂地形条件对遥感影像变化检测的不利影响,采用地面调查数据和分层随机采样的总体验证精度为93.57%,Kappa系数为0.8706。(2)C5.0决策树算法对于只有"变化"和"未变化"两种类别且同类间训练样本高度异质化的影像分类仍能取得较好的效果,具有较好的鲁棒性和适应能力。通过将地形、物候等引起的虚假变化当作"未变化"训练样本可以有效提高检测精度。(3)光谱特征仍是TM影像遥感分析的主要信息源,影像间NDVI的差值对于植被覆盖区域土地覆盖格局变化的检测具有良好的表征作用。(4)攀西地区1989—2009年间土地覆盖格局变化明显且与人类活动关系密切,典型的驱动方式包括退耕还林(草)工程、水利工程建设和矿山开采等。共检测出变化面积740.2km2,占影像总面积的2.49%。     

面向对象的优势树种类型信息提取技术

森林植被优势树种类型信息的提取是遥感影像分类中的难点.面向对象分类方法是用高空间分辨率遥感数据实现精确类型信息提取的新方法.本文以2013年Quickbird影像作为基础数据,选择福建省三明市将乐林场为研究区,采用面向对象多尺度分割方法提取耕地、灌草地、未成林造林地、马尾松、杉木和阔叶树等类型信息.分类特征融合植被的光谱、纹理和多种植被指数3类特征信息,建立类层次结构,对不同层次分别用隶属度函数和决策树分类规则,最终完成分类,并与只用纹理与光谱特征相结合的方法进行对比.结果表明:融合纹理、光谱、多种植被指数的面向对象的分类方法提取研究区优势树种类型信息的精度为91.3％,比只用纹理和光谱的方法精度提高了5.7％.     

基于QUEST决策树兼容多源数据的淡水沼泽湿地信息提取

以三江平原东北部为例,探讨了中国典型淡水沼泽湿地信息的提取方法.利用TM卫星影像数据,基于半方差分析和z检验方法对比研究区典型地物不同尺度的各种纹理特征,从而遴选最优的窗口大小、纹理特征及其派生波段以提高地物之间的可分性.采用快速、无偏、高效统计树(quick,unbiased,and efficient statistical tree,QUEST)算法集成遥感影像的光谱特征、多尺度纹理特征和地学辅助数据建立研究区湿地信息提取的决策树模型.基于实测的GPS样本点采用混淆矩阵的方法对分类结果进行精度验证,并与传统的最大似然监督分类方法(maximum likelihood classification,MLC)进行对比.结果表明,基于QUEST的决策树分类结果的总精度和Kappa系数分别为84.58%和0.816,分类精度较MLC监督分类方法有明显提高,是内陆淡水沼泽湿地信息提取的有效手段.     

基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类

对于基于像元的土地覆被分类来说,植被的分类是难点。使用多时相面向对象分类方法可以较好的解决这个问题。以山东省烟台市丘陵地区为研究区,采用Landsat TM(Landsat Thematic Mapper remotely sensed imagery)、DEM(Digital Elevation Model)、坡度、坡位、坡向等多种数据,利用基于对象特征的多时相分类方法对研究区进行土地覆盖自动分类。首先对影像进行多尺度分割并检验分割结果选取合适的分割尺度,然后分析对象的光谱、纹理、形状特征。根据各类地物的光谱特征、地理相关性、形状、空间分布等特征,明确类别之间的差异。建立决策树使用隶属度函数进行模糊分类,借助支持向量机提高分类精度。研究结果表明,通过使用多时相影像采用面向对象分类方法,相对于传统的基于像素的分类可以明显提高分类精度,尤其是解决了乔灌草的区分问题。     

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。     

综合面向对象与决策树的毛竹林调查因子及碳储量遥感估算

综合面向对象和CART决策树方法,对浙江省安吉县山川乡毛竹林分布信息及胸径、树高、郁闭度等调查因子和地上部分碳储量进行遥感定量估算.结果表明: 综合基于多尺度分割的对象特征及决策树,能够充分利用不同尺度层次信息关联的优势,实现毛竹林专题信息高精度提取,其用户精度达到89.1%;基于对象特征构建的毛竹林调查因子回归树估算模型,其估算结果均能达到正常或较好水平,其中,郁闭度回归树模型的精度最高为67.9%,估算效果较好;而平均胸径和树高估算的总精度相对较低,这与采用光学遥感数据进行森林树高、胸径估算达不到理想结果的结论一致;毛竹林地上部分碳储量回归树模型的估算结果较好,高值区域估算精度达到80%以上.     

互信息理论结合决策树算法的土壤质量预测

在充分利用土壤类型、土地利用方式、岩性类型、地形、道路、工业类型等影响土壤质量主要因素,准确获取区域土壤质量的空间分布特征的基础上,采用互信息理论对13个辅助变量（岩性类型、土地利用方式、土壤类型、到城镇的距离、到道路的距离、到工业用地的距离、到河流的距离、相对高程、坡度、坡向、平向曲率、纵向曲率和切线曲率）进行筛选,然后通过决策树See5.0预测研究区土壤质量.结果表明： 影响研究区土壤质量的主要因素包括土壤类型、土地利用方式、岩性类型、到城镇的距离、到水域的距离、相对高程、到道路的距离和到工业用地的距离;以互信息理论选取的因子为预测变量的决策树模型精度明显优于以全部因子为预测变量的决策树模型,在前者的决策树模型中,无论是决策树还是决策规则,分类预测精度均达到80%以上.互信息理论结合决策树的方法在充分利用连续型和字符型数据的基础上,不仅精简了一般决策树算法的输入参数,而且能有效地预测和评价区域土壤质量等级.     

Classification of Pinus massoniana and secondary deciduous tree species in northern subtropical region based on high resolution and hyperspectral remotely sensed data

Aims Using remote sensing data for tree species classification plays a key role in forestry resource monitoring, sustainable forest management and biodiversity research.Methods This study used integrated sensor LiCHy (LiDAR, CCD and Hyperspectral) to obtain both the high resolution imagery and the hyperspectral data at the same time for the natural secondary forest in south Jiangsu hilly region. The data were used to identify the crown and to classify tree species at multiple levels. Firstly, tree crowns were selected by segmenting high-resolution imagery at multiple scales based on edge detection; secondly, characteristic variables of hyperspectral images were extracted, then optimization variables were selected based on the theory of information entropy. Tree species and forest types were classified using either all characteristic variables or optimization variables only. Finally, tree species and forest types were reclassified along with the tree crowns information, and the accuracy of classification was discussed. Important findings Based on all available characteristic variables, the overall accuracy for four typical tree species classification was 64.6%, and the Kappa coefficient was 0.493. The overall accuracy for forest types classification was 81.1%, and the Kappa coefficient was 0.584. Based on optimization variables only, the overall accuracy for four typical tree species classification dropped to 62.9%, and the Kappa coefficient was 0.459. The overall accuracy for forest types classification was 77.7%, and the Kappa coefficient was 0.525. Obtaining both high resolution image and hyperspectral data at the same time by integrated sensor can increase overall accuracy in classifying forest types and tree species in northern subtropical forest.     

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Landsat TM的热带精细地物信息提取的模型与方法——以海南岛为例

应用遥感技术进行精细地物信息提取是研究生态系统结构、过程和功能的重要手段之一。由于热带地区生态系统复杂,为精细地物信息提取带来很大的不确定性,极易产生"同物异谱"、"同谱异物"的现象。研究以地处热带地区的海南岛精细地物遥感信息提取为例,在综合分析典型地物光谱特征、空间分布、斑块形状等基础上,构建和优化了水陆指数WLI(Water and Land differing Index)、乔灌草指数GSI(Grass and Shrub differing Index)、旱地-沙地指数SSI(Field and Sand differing Index),并结合新型通用植被指数VIUPD(Vegetation Index of the Universal Pattern Decomposition Method)及DEM(Digital Elevation Model)等多源数据,提出基于决策树的面向对象遥感信息提取方法。该方法首先确定要提取的对象,明确对象类别与对象隶属关系,然后逐层逐项的提取天然林、橡胶林、浆纸林等地物信息。结果表明,综合提取的精度达88%,相比传统的监督分类方法精度(66%)提高22个百分点,精度明显提高。     

基于多光谱影像的森林树种识别及其空间尺度响应

当前,不同空间分辨率卫星影像对森林类型识别结果中普遍存在的尺度效应,而且纹理参量对不同尺度下树种识别精度的影响仍缺乏广泛认知.本研究以中国东北旺业甸林场为研究区,采用观测时相同步、地理坐标匹配的GF-1 PMS、GF-2 PMS、GF-1 WFV,以及Landsat-8 OLI卫星传感器数据组成空间尺度观测序列(1、2、4、8、16、30 m),并结合支持向量机(SVM)模型,探讨了区域内5种优势树种遥感识别结果的尺度变化规律及其纹理特征参数的影响,同时检验了基于尺度上推转换影像的树种识别结果差异.结果表明: 影像空间分辨率对区域树种识别结果具有显著影响,其中,研究区森林树种识别的最佳影像分辨率为4 m,当分辨率降低至30 m时,树种识别结果最差.在1～8 m影像分辨率范围内,增加纹理信息能够显著提高不同优势树种的识别精度,使总分类精度提升了2.0%～3.6%,但纹理信息对16～30 m影像的识别结果没有显著影响.与真实尺度卫星影像相比,基于升尺度转换影像的树种识别结果及其尺度响应特征存在显著差异,表明在面向多个空间尺度的遥感观测和应用研究中,需要采用真实分辨率影像以确保结果的准确性.     

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。     

基于景观及微地形特征的丘陵区土壤属性预测

为探讨小流域尺度丘陵区的高分辨率数字土壤制图方法,通过对景观相分类的探索,配合应用不同尺度的Geomorphons(GM)微地形特征数据构成分类变量组参与高分辨率土壤pH、黏粒含量和阳离子交换量的预测制图,并与传统数字高程模型衍生变量和遥感变量进行组合与比较分析。此外,采用支持向量机、偏最小二乘回归和随机森林3种机器学习模型择优与残差回归克里金复合参与预测模型的构建与评价。结果表明: 景观及多尺度微地形分类变量组的应用分别提高小流域尺度丘陵地貌区pH、黏粒含量和阳离子交换量预测精度的18.8%、8.2%和8.7%。包含植被信息的景观相分类图相比土地利用数据有更高的模型贡献度;5 m分辨率的GM微地形分类图相比低分辨率的分类图更适宜高精度的预测制图。黏粒含量使用随机森林复合模型有最高的预测精度,而pH和阳离子交换量则不适宜在随机森林模型的基础上加入残差回归克里金模型。景观-多尺度微地形分类变量、数字高程模型衍生变量和遥感变量三者结合的模型预测表现最佳,表明多元变量在起伏地形区域相比单一数据源能够包含更多的土壤有效信息。由GM数据和地表景观数据组成的景观分类变量组作为主要变量能够解释小流域丘陵区部分土壤属性约40%的空间变异。在同类型土壤预测制图研究中,多分辨率GM及景观分类数据有潜力作为环境变量参与预测模型的构建。     

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。     

基于遥感的塔里木盆地北缘绿洲干湿季土地盐渍化监测

土壤盐渍化是导致干旱区土地退化、抑制植被生长、影响区域农业生产的最主要的生态环境地质问题.利用遥感数据准确、快速地获取区域盐渍化土壤的动态变化信息对于土壤盐渍化监测具有重要意义.本文以盐渍化现象严重的新疆渭干河-库车河三角洲绿洲为研究区,以2011年4月15日和2011年9月22日成像的两期Landsat-TM多光谱遥感数据为数据源,结合对研究区实地考察所采集的实测数据,通过提取改进型归一化差异水体指数、归一化植被指数以及K-L变换后所提取的第3主成分等参数作为特征量,利用决策树分类方法分别建立了研究区两个关键季节（干季和湿季）的土壤盐渍化信息提取模型,并绘制了两个季节的土壤盐渍化信息分类图.结果表明： 该方法对干季和湿季盐渍地信息的提取精度分别达到87.2%、85.3%,识别精度较高;采用该方法可以有效地对盐渍地变化信息及其空间分布状况进行监测,可为干旱区盐渍地的综合治理和绿洲土地资源的合理利用提供科学依据.