共查询到20条相似文献，搜索用时 846 毫秒
1.
基于无人机遥感与随机森林的荒漠草原植被分类方法 总被引：2，自引：0，他引：2
荒漠草原是草原中最旱生的类型,属于草原的极限生态状态,也是气候变化和生态系统演变的预警区。利用无人机高光谱遥感技术快速、准确地提取荒漠草原草地植被类型,对动态监测草原生态安全和合理开发草地畜牧业具有重要意义。以无人机搭载高光谱成像系统采集内蒙古荒漠草原遥感图像,获得具有高空间分辨率和高光谱分辨率的图像;通过光谱连续统去除变换,增强草地植被之间的光谱差异,并构建植被指数;采用分步波段选择法选择荒漠草原植被的特征波段,实现高光谱数据降维;构建融合光谱特征、植被特征、地形特征和纹理特征等24个变量的随机森林分类模型,并与支持向量机（SVM）、K-最近邻（KNN）和最大似然分类（MLC）法进行比较。结果表明,在4种分类方法中随机森林分类算法分类效果最好,总体分类精度达到91.06%,比SVM、KNN和MLC等机器学习算法分别高7.9、15.61、18.33个百分点,Kappa系数达到0.90,比SVM、KNN和MLC算法分别高0.13、0.23和0.26。无人机高光谱低空遥感和随机森林算法的结合为荒漠草原草地植被分类提供了新途径。 相似文献
2.
荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机（Unmanned aerial vehicle,UAV）遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络（Three-dimensional convolutional network,3D-CNN）方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度（Overall accuracy,OA）可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。 相似文献
3.
基于无人机高光谱成像遥感系统,在400～1 000 nm波段内采集低矮、混杂生长的荒漠草原退化指示物种的高光谱图像信息。分别在退化指示物种的开花期、结实期和黄枯期进行飞行实验,飞行高度30 m,高光谱图像地面分辨率2. 3 cm。采用特征波段提取与深度学习卷积神经网络相结合的方式,提出一种荒漠草原物种水平分类的方法,结合植物物候给出了中国内蒙古中部荒漠草原物种分类的推荐时相,总体分类精度和Kappa系数平均值分别达到94%和0. 91。研究结果表明,无人机高光谱成像遥感技术及深度卷积神经网络可以较好地实现荒漠草原退化指示物种的分类,与基于径向基核函数的支持向量机、基于主成分分析的深度卷积神经网络分类法相比,基于特征波段选择的深度卷积神经网络分类法效果最好,分类精度最高。无人机搭载高光谱成像仪低空遥感和卷积神经网络法提供了一种草原物种水平分类的途径。 相似文献
4.
遥感凭借其快速、宏观、无损及客观等特点,在快速获取与解析作物类型、种植面积、产量等信息方面具有独特优势。遥感提取和解译的作物空间分布图、种植面积、产量信息可以服务于农业资源监管、农业信息普查、农业保险、农业投资、精准农业等方面。本文分别就农作物遥感识别与农作物单产遥感估算的研究现状、面临的问题、潜在研究方向进行了总结概述。首先总结了农作物遥感识别特征与分类模型的研究现状,针对遥感识别特征与作物类型缺乏知识关联的核心问题,提出利用深度学习方法协同学习作物生长过程中的“时-空-谱”特征,并构建面向农作物遥感识别的知识图谱,从而解决当前农作物遥感识别在识别精度和识别效率方面的问题。然后,分别从经验统计模型、遥感光合模型、作物生长模型方面对当前作物单产遥感估算进行分析总结,提出随着高空间分辨率、高光谱分辨率、高时间分辨率数据的普及和深度学习技术发展,未来应充分利用作物生长模型机理性强、深度学习对复杂问题建模能力强的特点,使用作物生长模型进行点位尺度模拟以驱动深度学习完成复杂场景下的建模学习,最终实现以机理做约束、以深度学习做空间外推的单产估算模式。 相似文献
5.
为提高高光谱遥感图像的分类精度,通过局部保留判别式分析与深度卷积神经网络(DCNN)算法,提出了基于局部保留降维卷积神经网络的高光谱图像分类算法。首先,用局部保留判别式分析对高光谱数据降维,再用二维Gabor滤波器对降维后的高光谱数据进行滤波,生成空间隧道信息;其次,用卷积神经网络对原始高光谱数据进行特征提取,生成光谱隧道信息;再次,融合空间隧道信息与光谱隧道信息,形成空间-光谱特征信息,并将其输入到深度卷积神经网络,提取更加有效的特征;最后,采用双重优选分类器对最终提取的特征进行分类。将本文方法与CNN、PCA-SVM、CD-CNN和CNN-PPF等算法在Indian Pines、University of Pavia高光谱遥感数据库上进行性能比较。在Indian Pines、University of Pavia数据库上,本文算法识别的整体精度比传统CNN方法的整体精度分别高3. 81个百分点与6. 62个百分点。实验结果表明,本文算法无论在分类精度还是Kappa系数都优于另外4种算法。 相似文献
6.
基于多源数据融合模型的水稻面积提取 总被引：1，自引：0，他引：1
中高空间分辨率影像数据缺失是高空间分辨率作物空间分布提取的主要限制因素,针对部分地区的中高空间分辨率遥感影像缺失使得作物提取的关键生育期无卫星覆盖的问题,提出了一种基于模糊C聚类算法的多源遥感植被指数数据融合方法,融合Landsat和MODIS数据生成高时空分辨率的植被指数数据,对融合生成的多时相植被指数数据进行聚类后获取各类的时序植被指数曲线。通过与水稻标准时序植被指数曲线进行光谱相似性分析来提取水稻的空间分布。经测试表明,该方法能够获得相对较高的精度,可应用于中高分辨率遥感数据缺失地区的高空间分辨率作物空间分布信息提取。 相似文献
7.
中高空间分辨率影像数据缺失是高空间分辨率作物空间分布提取的主要限制因素,针对部分地区的中高空间分辨率遥感影像缺失使得作物提取的关键生育期无卫星覆盖的问题,提出了一种基于模糊C聚类算法的多源遥感植被指数数据融合方法,融合Landsat和MODIS数据生成高时空分辨率的植被指数数据,对融合生成的多时相植被指数数据进行聚类后获取各类的时序植被指数曲线。通过与水稻标准时序植被指数曲线进行光谱相似性分析来提取水稻的空间分布。经测试表明,该方法能够获得相对较高的精度,可应用于中高分辨率遥感数据缺失地区的高空间分辨率作物空间分布信息提取。1 相似文献
8.
根据制种玉米与其他作物在中高分辨率遥感影像上的光谱和纹理差异,利用多源遥感数据,以提取制种玉米种植田为研究目标,提出了作物多时相光谱特征分析的植被指数体系,多维度反映了作物不同光谱差异;在纹理检测前加入图像旋转不变处理,解决了遥感影像中作物田纹理方向问题;最后构建了多时相光谱特征和高空间分辨率遥感影像LBP-GLCM纹理特征的制种玉米田识别方法体系。以新疆霍城县为研究区,利用上述方法体系结合随机森林分类器,通过实验得到分类总体精度为90.57%,Kappa系数为0.79,制种玉米田分类结果用户精度为99.20%,制图精度为86.68%,基本满足对制种玉米田的识别需求。 相似文献
9.
基于光谱解混的城市地物分类研究 总被引：1，自引：0，他引：1
高光谱遥感信息提取面临的突出问题是混合像元的广泛存在,如何有效地解译混合像元是高光谱遥感应用的关键问题。混合像元不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍,混合像元分解是解决混合像元问题最有效的方法,能够克服高光谱图像空间分辨率的限制。针对传统混合像元分解算法的缺点,基于优化的候选端元判断方法及端元提取的并行设计方法,提出了一种优化的混合像元分解方法,实现了光谱特征信息和空间特征信息的有机融合。通过模拟高光谱数据和真实遥感图像进行仿真研究,实验结果表明,该方法能得到精确的端元和对应的丰度,获得较好的解混效果,为城市地物分类提供了有力支持。 相似文献
10.
无人机低空遥感数据具有机动性好、时效性强,受大气辐射影响小,空间分辨率高、数据量大、数据质量好的特点,是传统卫星遥感所无法比拟的,在探测和识别地表的物质种类、评价和测量光谱所反映出来的物质含量、描绘地物空间分布、监测地物变化等应用领域具有较强的优势。随着遥感技术的发展,遥感已成为精准农业中农田信息获取的重要手段,也是地块面积量算、作物种类识别、长势分析等工作的重要数据来源,由于无人机低空遥感数据具有机动性好、时效性强、空间分辨率高的特点,主要应用于绘制低空大比例尺地图、监测自然灾害等[1]。受传感器单一导致的光谱分辨率低的限制,目前在精准农业领域的应用才刚刚起步。 相似文献
11.
为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。 相似文献
12.
基于Landsat和MODIS数据融合的农牧区NPP模拟 总被引：2，自引：0，他引：2
天山北坡是中国重要的农牧业发展基地,利用遥感数据准确获取植被净初级生产力(Net primary productivity,NPP)的时空信息,对于合理分配农牧业草地资源具有重要意义。由于受到天气影响及卫星传感器受到时间分辨率和空间分辨率的限制,获取既具有中空间分辨率、又具有高时间分辨率的遥感数据比较困难。本文基于中空间分辨率Landsat 8 OLI数据与高时间分辨率MODIS数据,采用遥感数据时空融合STARFM算法,获取中空间分辨率和高时间分辨率序列的遥感数据,以天山北坡中段区域为实验区,结合CASA模型,对区域内植被NPP进行模拟。结果表明,2016年内8个时期,融合后的NDVI数据与对应时刻的Landsat 8 OLI NDVI数据的相关系数不小于0.759,偏差在0.006 2～0.009 4之间,均方根误差在0.074～0.135之间;利用融合数据与CASA模型协同模拟的NPP具有良好的空间细节信息,NPP模拟值与野外实测值决定系数R~2为0.860 1,表明两者具有较好的相关性。本研究为多源遥感影像融合技术与光能利用率模型协同模拟NPP提供了新的思路。 相似文献
13.
病虫害是农业生产过程中影响粮食产量和质量的重要生物灾害。目前,我国的作物病虫害监测方式以点状的地面调查为主,无法大面积、快速获取作物病虫害发生状况和空间分布信息,难以满足作物病虫害的大尺度科学监测和防控的需求。近年来,随着国内外卫星光谱、时间和空间分辨率的不断提升,利用遥感手段开展高效、无损的病虫害监测成为有效提升我国病虫害测报水平的重要手段。与此同时,多平台、多种方式的作物病虫害遥感监测也为病虫害的有效防治和管理提供了重要科技支撑。本文从作物病虫害光谱特征、遥感监测方法和遥感监测系统等方面阐述了作物病虫害遥感监测研究的进展,分析了当前面临的挑战,并对未来发展趋势进行了展望。 相似文献
14.
15.
基于高光谱特征参数荒漠草原生物量估测研究 总被引：2，自引：0，他引：2
应用高光谱技术对荒漠草原草地生物量进行估测,分别采用原始光谱、一阶微分光谱和高光谱特征参数,分析荒漠草原草地冠层光谱数据与草地生物量相关关系,选择与草地生物量显著相关的高光谱特征参数,利用单变量线性与非线性、逐步回归和BP(Back Propagation)神经网络构建估测模型。试验结果表明:与草地生物量相关系数最大的为高光谱特征参数SDR/SDb,相关系数为0.792;通过高光谱特征参数Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb、(SDR-SDy)/(SDR+SDy)建立的BP神经网络回归模型最优,决定系数R2为0.766,均方根误差为40.19g/m2,相对误差为29.88%。因此,利用草地冠层高光谱特征参数可以估测草地生物量,能够对草地生物量进行定量分析,为草地精细化管理提供技术支持,对畜牧业可持续发展具有重要意义。 相似文献
16.
该文以Landsat TM 遥感影像为主要数据源,获取了宁夏中卫市沙坡头区1992年和2007年的土地利用信息;利用单窗算法反演了对应时期该区域的地表温度（LST）;据此分析了土地利用变化与地表温度变化之间的关系。结果显示：1）不同利用方式的土地的LST有显著差异,流动沙地的LST最高,其次是固沙用地、草原化荒漠等;2）过去15 a间,研究区内最为明显的土地利用变化方向是“草原化荒漠转变为农田”和“流动沙地转变为固沙用地”;3）“草原化荒漠转变为可灌溉农田”会导致LST明显下降,“草原化荒漠转变为压砂田” 相似文献
17.
棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法... 相似文献
18.
《灌溉排水学报》2019,(12)
【目的】利用中低分辨率遥感影像,精确获取县域尺度的农田分类结果,提供一定的方法参考。【方法】兹以中等分辨率的Landsat8 OLI遥感影像数据为数据源,采用面向对象的CART决策树分类法,对垫江县的农田进行了识别与提取,并与基于像元提取的最大似然法分类结果进行精度对比。【结果】(1)与最大似然分类法相比,CART决策树分类法的精度更高,总体精度和Kappa系数分别达到88.8%和0.85,对于旱地和水田的制图精度高达90%以上;(2)在分割尺度的确定上,使用eCognition软件中的ESP工具能快速的确定最优分割尺度,提升了效率和科学性;(3)县域尺度上,面向对象分类法对中等分辨率影像数据进行遥感提取也具有一定的适用性。【结论】基于Landsat8 OLI遥感数据的面向对象分类法能够实现县域尺度低成本高精度农田分类的需要,也为缓解精度和成本、空间分辨率和提取方法的矛盾提供了一定的参考。 相似文献
19.
针对目前农田灌排系统识别研究中遥感影像分辨率不足,难以提取田间毛渠且对无水或少水灌排沟渠识别不足等问题,以内蒙古河套灌区磴口县坝塄村为研究区域,利用固定翼无人机搭载520~920 nm多光谱相机进行航拍试验,采用基于面向对象法的特征组合分层分类的提取方法对获取的高分辨率单幅多光谱影像数据进行解译,采用分割阈值为65、合并阈值为90的遥感影像最佳分割参数。利用含水田间毛渠和无水、少水田间毛渠在光谱、几何、空间关系等特征参量中表现出的与其它地物的特异性,建立不同分类层次的规则提取田间毛渠分布信息。提取结果表明,由于水体对近红外波段光谱的强烈吸收,含水毛渠提取效果很好,精度达到97.8%;无水、少水田间毛渠提取精度为75.7%。无人机遥感技术和面向对象法的特征组合分层分类方法为灌区田间渠系识别提供了一种新途径。 相似文献
20.
基于无人机多光谱遥感的马尾松林叶面积指数估测 总被引：2，自引：0，他引：2
快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。 相似文献