共查询到17条相似文献，搜索用时 265 毫秒
1.
基于多时相遥感数据的吉林西部土地覆被分类提取 总被引：2，自引：1，他引：1
为深化计算机自动提取土地覆被类型在遥感分类研究中的应用,以吉林西部的镇赉县为试验区,利用Landsat8多时相遥感数据的季节变化信息、地表植被、水体与土壤等特征参量,构建多维分类特征数据集对试验区进行土地覆被分类研究,提取了11种地表覆被类型。结果表明:1)多维变量组合方案的总体分类精度为95.50%,Kappa系数为0.9504。该方案自动提取地类达到了一个比较理想的分类结果,方案有效可行;2)方案中,3个主要特征分类变量的引入能很好改善易混淆地类的可分性,尤其,地表植被季节变化信息和土地信息的引入能明显提高土地覆被的分类精度;3)实际情况表明,引入的分类特征量不是越多越好,只有将多种分类特征有效结合才能够提高土地覆被分类精度。该文为农牧交错带上的土地覆被遥感监测提供了一个可行的方案,该方案有效可行。 相似文献
2.
基于多源数据的南方丘陵山地土地利用随机森林分类 总被引：5，自引：5，他引：0
针对南方丘陵山地因地形破碎和山体阴影而导致的分类精度低问题,该研究以东江源地区为例,通过结合多源数据,以Sentinel-1、Sentinel-2A卫星影像和DEM作为数据源提取27个指标,构建了6种特征变量集,并设计了9种方案,探讨加入红边特征、雷达特征和地形特征对南方丘陵山地土地利用分类信息提取的作用。同时结合随机森林算法和递归特征消除法进行特征变量优选和特征重要性排序,将随机森林特征优选后的分类结果与支持向量机算法(Support Vector Machine,SVM)和K近邻算法(K-Nearest Neighbor,KNN)作对比。结果表明:在未进行特征变量优选时,仅使用Sentinel-2A的光谱特征提取的东江源地表覆盖分类总体精度和Kappa系数最低,在以光谱特征、植被指数和水体指数作为基本方案时,加入红边特征、雷达特征和地形特征后均可以有效地提升各地物分类精度,其中地形特征的加入更有助于对东江源园地和耕地信息的提取。通过结合随机森林和递归特征消除算法进行特征优选,在保持分类精度最优的情况下将所有特征变量从21个降低到13个,并且总体精度达到0.937 2,Kappa系数达到0.923 4,分类精度优于相同特征下的支持向量机算法(SVM)和K近邻算法(KNN),对东江源土地利用信息提取效果最佳。该研究提出基于多源数据的随机森林方法可为地形复杂的南方丘陵山地土地利用信息提取提供技术支持和理论参考。 相似文献
3.
融合光谱混合分解与面向对象的土地利用/覆被分类 总被引：2，自引：2，他引：0
错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。 相似文献
4.
高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。 相似文献
5.
遥感技术是研究土地覆盖类型的重要手段，但大部分研究仅采用单一数据源、少特征，该研究基于GEE环境对多源遥感数据、多特征协同进行地物类型分类研究。采用哨兵一号（Sentinel-1）合成孔径雷达数据、哨兵二号（Sentinel-2）多光谱数据和国产高分二号（GF-2）多光谱数据，构建了青海省诺木洪地区地表8类地物的波段特征、植被指数特征、纹理特征和极化特征空间，利用特征优化算法和RF算法实现了研究区域地物的有监督分类，以此评估构建的多特征空间性能及多源数据协同分类的能力。结果表明，基于Sentinel-1与Sentinel-2数据源，使用多特征空间协同分类时的总体精度和Kappa系数可达到97.62%和0.971 6，精度均高于使用单一数据或部分特征的分类精度（总体精度为95.91%，Kappa系数为0.951 1）。而基于Sentinel-1、Sentinel-2与GF-2数据提取的波段、植被指数、纹理特征和极化特征进行的协同地物分类结果总体精度达到了96.67%，Kappa系数达到了0.960 2。总体上，基于多数据源、多特征协同分类结果精度要优于单一数据源或少特征分类结果，而不同空间分辨率图像提取的纹理特征对分类结果有着不同影响，在适宜的分辨率下提取纹理特征参与分类才能达到更好的效果。 相似文献
6.
基于GF-2数据结合多纹理特征的塑料大棚识别 总被引：1，自引：0，他引：1
塑料大棚在全球范围的大量使用带来经济效益,同时也引发了很多环境问题,及时准确的塑料大棚空间分布信息是农业生产和土壤治理决策的重要依据。塑料大棚的使用改变了土壤表面的光谱特性和空间结构,塑料薄膜材质的特殊性,使其反射光谱具有强烈的方向性和不确定性,因而仅依靠地物反射光谱特征难以准确识别塑料大棚。本文以GF-2影像作为单一数据源,针对塑料大棚特有的空间分布细节信息,分析不同纹理提取算法对塑料大棚识别的适用性。结果表明:1)纹理能有效提高基于遥感影像的塑料大棚识别精度;2)使用单一纹理算法识别不同空间分布结构塑料大棚的分类方案中,采用LBP (local binary pattern)纹理算法的塑料大棚识别精度均优于GLCM (gray-level co-occurrence matrix)、PSI (pixel shape index)纹理算法,其中研究区A基于LBP纹理特征的塑料大棚识别总体精度为96.85%,Kappa系数为0.95,研究区B的总体识别精度为95.58%,Kappa系数为0.94;3)本文使用3种不同的纹理特征组合分类方案,均能提高塑料大棚的识别精度,但不同纹理特征组合算法运用到空间结构差异较大的2个区域时表现不同。加入GLCM的纹理特征组合能提高分布范围较大且聚集度高的塑料大棚识别精度(研究区A塑料大棚斑块平均面积为3.39 hm2,聚集度指数为80.64),对于塑料大棚使用面积小且分布破碎的区域识别精度提升效果不明显(研究区B塑料大棚斑块平均面积为1.37hm2,聚集度指数为72.98)。本试验结果中研究区A的地物光谱特征、NDVI和3种纹理特征组合的大棚识别精度最高,总体识别精度和Kappa系数分别达到了98.13%和0.97,研究区B的地物光谱特征、NDVI、PSI和LBP纹理特征组合识别精度最高(总体精度为96.13%,Kappa系数为0.95)。基于影像对象的多纹理特征能够实现塑料大棚的精细识别,该方法对塑料大棚空间分布精确制图具有重要意义。 相似文献
7.
基于网格搜索随机森林算法的工矿复垦区土地利用分类 总被引：9，自引：7，他引：2
为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。 相似文献
8.
基于特征优选决策树模型的河套灌区土地利用分类 总被引：2，自引：2，他引：0
为了提高土地利用遥感识别精度,探索不同识别期及不同特征变量对土地利用类型遥感识别精度的影响。该研究采用Landsat时间序列影像数据,考虑不同月份和不同特征变量(波段、光谱指数及纹理特征)组合方式建立土地利用决策树分类模型,并利用河套灌区永济灌域实测数据和Google earth影像对不同组合方式的土地利用模型进行数量结构和空间布局的验证,筛选出最优的土地利用遥感模型并确定最佳识别期。结果表明:在不同月份Green(绿波段)和Ent(熵Entropy)分别与波段和纹理特征变量中的因子所含有的信息重复率最高,需剔除,归一化植被指数(Normalized Differential Vegetation Index, NDVI)和增强型植被指数(Enhanced Vegetation Index,EVI)在今后的研究中可选其一应用;与单一特征变量相比,不同特征变量组合后能提高模型精度,平均总体精度和Kappa系数分别提高了6.72个百分点和0.09。采用8月影像数据构建的遥感模型精度最高,最优遥感模型的特征变量组合方式为波段+光谱指数+纹理特征,总体精度、Kappa系数、制图精度和用户精度分别为80.23%、0.74、80.95%和86.26%,且减少了未利用地和居民工况用地空间布局的错分。通过综合比较,该研究区土地利用最佳识别期为8月,其次为9月。利用8月最优遥感模型(最佳识别期和最优组合)识别的耕地、林地、草地、未利用地、水域和居民工矿用地的制图精度分别为96.83%、73.33%、70.00%、65.52%、100.00%和80.00%,用户精度分别为76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。因此可选用8月最优模型应用于长时间序列的土地利用类型识别。 相似文献
9.
机器学习用于耕地土壤有机碳空间预测对比研究——以亚热带复杂地貌区为例 总被引：1，自引：0，他引：1
耕地土壤有机碳(SOC)是土壤质量的重要指标,也是生态系统健康的重要表征。当前机器学习(Machine Learning, ML)用于SOC数字制图日益热门,但不同算法在高空间分辨率SOC数字制图中的对比研究尚有欠缺。本研究以福建省东北部复杂地形地貌区为例,采用10m空间分辨率Sentinel-2影像数据,选取地形、气候、遥感植被变量为驱动因子,重点分析当前常用的机器学习算法——支持向量机(SupportVector Machine,SVM)、随机森林(RandomForest,RF)在SOC预测中的差异,并与传统普通克里格模型(Ordinary Kriging, OK)进行比较。结果表明:基于地形、遥感植被因子和气候因子构建的RF模型表现最佳(RMSE=2.004,r=0.897),其精度优于OK模型(RMSE=4.571, r=0.623),而SVM模型预测精度相对最低(RMSE=5.190, r=0.431);3种模型预测SOC空间分布趋势总体相似,表现为西高东低、北高南低,其中RF模型呈现的空间分异信息更加精细;最优模型反演得到耕地土壤有机碳平均含量为15.33 g·kg-1; RF模型和SVM模型变量重要性程度表明:高程和降水是影响复杂地貌区SOC空间分布的重要变量,而遥感植被因子重要性程度低于高程。 相似文献
10.
基于多时相遥感数据的农田分类提取 总被引：1，自引：3，他引：1
为深化遥感解译在农田类型自动提取研究中的应用,了解研究区内农业资源的现状,该文以镇赉县为试验区,设计了基于多时相遥感数据的农田分类提取方案。该方案通过计算地表植被指数时序变化的变程(主要分类变量),结合研究区影像纹理局部方差、修正土壤调整指数和地表水体指数构建多维特征空间数据,对研究区内的水田和旱地进行分类提取。结果表明:1)该算法的总体分类精度为94%,Kappa系数为0.87:2)水田的遥感提取精度为98.3%,旱地为98%;3)水田占全区总面积的13.26%,旱地为20.12%,旱地是研究区内的主要农田类型。该文研究成果为未来农业发展的政策和规划提供一定的参考依据。 相似文献
11.
DEM支持的黄土丘陵沟壑区地被遥感分类方法 总被引：1，自引：0，他引：1
DEM支持的黄土丘陵沟壑区地被遥感分类方法的提出,目的是解决由于受到复杂地形影响,遥感影像地被分类精度低且不具有地形特征的问题。在分类预处理过程中利用基于PCA的方法复原阴影区域的信息,可以减少大量阴影造成的影响。分类时对分布在不同地形区域的相同地被选取不同的样本,利用Bayes分类进行土地覆盖分类。根据正负地形特征和剖面曲率将DEM划分为梁峁地、沟坡地、沟底地。分类后使用最小面积原则的滤波方法对土地覆盖分类图与土地类型分类图进行处理,并以土地类型边界为标准进行图斑的叠加重组。该方法将光谱特征与空间地形信息相结合,得到的分类结果精度有所提高且带有地形信息,充分体现了黄土丘陵沟壑区地被分布的实际情况,增强了分类结果的实用价值。 相似文献
12.
地形因子是丘陵山区土地利用空间分布格局的重要影响因素之一,对土地的利用方式和空间格局有着直接作用。以乌江北源2000年、2005年和2010年Landsat TM/ETM遥感影像为数据源,采用高程、坡度、地形位指数3个指标,分析了山地流域土地利用时空演变的地形梯度特征。结果表明:（1）2000—2010年,林地、建设用地和水域用地面积增加,耕地和草地面积减少。土地利用类型以林地和耕地为主,反映了山地流域土地利用结构特点;（2）研究区土地利用类型的地形梯度特征明显。耕地、建设用地、水域用地在低地形梯度上有明显分布优势。林地、未利用地分布优势在高地形梯度上;（3）耕地、建设用地优势分布主要受坡度梯度的影响,高程梯度决定了水域用地的分布,这与其他平原、丘陵地区有所不同。地形因素是山地流域土地利用结构演变的决定性因素,其他社会、经济、人文因素都对该区域土地利用格局的转变起到推动作用。在对山地流域土地开发利用过程中,应兼顾生态效益和社会经济效益,保障河流源区生态经济的持续发展。 相似文献
13.
基于HJ卫星数据与面向对象分类的土地利用/覆盖信息提取 总被引：3，自引：0，他引：3
土地利用/覆盖信息是区域气候与环境研究的基础,是土地资源规划与管理、合理开发与保护的信息保障。为此,该文选取长株潭城市群核心区为试验区,以时间序列HJ卫星影像为数据源,首先构建了时间序列归一化植被指数(normalized difference vegetation index,NDVI)、时间序列光谱第一主成分(first principal component,PC1)数据集,通过J-M(Jeffries-Matusita)距离变量可分离性分析结合地表覆盖的物候特征,确定最佳时序HJ组合数据;其次,采用面向对象的随机森林算法对研究区土地利用/覆盖信息进行分类,并对分类结果进行精度评价与比较分析。研究结果表明:采用时间序列HJ组合数据与面向对象的分类方法,提取城市土地利用/覆盖信息的总体精度和Kappa系数分别达到91.55%和0.90,其中水田、水浇地、旱地、林地、建设用地的生产者精度均达到90%及以上;相对于时间序列基于像元分类、单时相面向对象的分类方法,该文提出的土地利用/覆盖信息提取方法的总体分类精度和Kappa系数分别提高了2.26%、0.02和6.82%、0.08,有效提高了区域土地利用/覆盖信息提取的精度,为大范围土地利用/覆盖精细化分类提供了有效的途径。 相似文献
14.
基于特征优选随机森林算法的农耕区土地利用分类 总被引：1，自引：11，他引：1
为了提高农耕区土地利用分类精度,该文采用较高空间分辨率和丰富光谱信息的Sentinel-2数据生成光谱特征、无红边波段的植被指数、红边指数和纹理特征4种基本特征变量,并对以上特征变量优选后进行特征重要性排序,进而构建7种特征组合方案,基于随机森林算法和支持向量机对农耕区土地利用信息进行提取并对比验证分类精度。研究结果表明:通过特征优选的随机森林算法进行土地利用信息提取效果最佳,总体精度达到88.24%,Kappa系数为0.84,精度优于相同特征变量下的支持向量机分类方法。该方法能够有效提高农耕区土地利用分类精度,可为土地资源监测、管理提供技术支持和理论参考。 相似文献
15.
多源土地覆被产品在长三角地区的一致性分析与精度评价 总被引：4，自引：3，他引：1
土地覆被数据是全球环境问题,人类活动对生态系统影响评估等相关研究的重要数据源。近年来国内外生产了众多全球尺度或国家尺度上的土地覆被数据集,这些数据集在应用于特定区域研究时精度的可靠性以及多源数据集间的一致性对数据集的选择有着重要意义。该研究以长三角为研究区域,采用混淆矩阵、构成相似性分析和空间一致性分析等方法,对CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC6种土地覆被数据集进行了基本精度验证及一致性分析,并探讨了面向不同用户需求的土地覆被数据产品的适用性。结果表明:CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC在长三角地区的总体精度分别为76.89%、78.42%、84.67%、74.26%、80.61%和85.43%;产品间土地覆被类型面积估算的相关系数均大于0.9;FROM-GLC、GLC_FCS30和GlobeLand30三套产品对长三角地区65.51%的土地分类有完全一致性,产品间一致性分别为72.23%、77.99%和76.41%。6种产品对于广泛分布且占研究区大部分面积的耕地、林地、水体和建设用地具有较好的分类精度,湿地、裸地、灌丛和草地分类结果较弱,需要辅助其他数据产品使用。结合地形地貌分析来看,长三角地区土地覆被分类精度整体受地形起伏影响较小,但丘陵密布的浙江省的部分区域受地形影响出现了分类不稳定的情况。从城市发展的角度看,长三角地区土地覆被分类精度受到城市经济发展活跃程度影响。面向用户应用需求来看,耕地类型上CGLS_LC数据具有最优表现,林地和建设用地类别上GLC_FCS30和CGLS_LC具有相近的优秀表现,而水体类别则是FROM-GLC数据更具有优势。 相似文献
16.
土地利用信息是重要的基础数据,其准确程度将对其后续应用工作的结果产生重要影响。岩溶区地形复杂、地表覆盖类型多样,使用目视解译和传统监督分类的方法都存在一定的局限。通过结合遥感影像和植被指数、湿度指数、地形等多元信息,结合主成分分析方法,利用决策树实现上述多元信息建模,进而以实地调查样点为目标函数获取决策树的分类决策参数阈值,从而构建了多元信息支持的岩溶区土地利用信息提取方法。经试验区的模型应用和样点验证表明,该方法获取的土地利用信息基本符合典型岩溶区土地利用比例和分布特征,总体分类精度达到82%。该方法能够加深对多维遥感信息的认识,充分挖掘出其中隐含的信息,并根据这些信息提高岩溶区土地利用信息提取的精度,尤其能体现出岩溶区地貌特征对土地利用空间分布的影响。 相似文献
17.
δ13C法研究砂姜黑土添加秸秆后团聚体有机碳变化规律 总被引：5，自引：3，他引：2
为研究水稻秸秆添加对砂姜黑土水稳性团聚体分布及稳定性的影响,探索水稻秸秆腐解过程中外源新碳及原有机碳在不同粒级团聚体中的分配规律,该文通过室内模拟试验,运用δ~(13)C示踪方法,将稳定同位素碳(δ~(13)C)标记的水稻秸秆添加入砂姜黑土,利用湿筛法得到不同培养时期不同粒级的土壤水稳性团聚体,测定不同时期各粒级土壤外源新碳及原有机碳含量。结果表明:未添加水稻秸秆的砂姜黑土(对照组),水稳性微团聚体(250μm)占主体,团聚体有机碳含量低。与对照相比,添加水稻秸秆(试验组)显著促进了2000、2000~250μm粒级水稳性大团聚体的团聚(P0.05);培养到120 d时,2000、2000~250μm水稳性团聚体比对照组分别增加了265.5%、16.0%,促使水稳性大团聚体(250μm)占主体,显著提高了砂姜黑土水稳性团聚体的平均重量直径(mean weight diameter,MWD)、几何平均直径(geometric mean diameter,GMD)、水稳性大团聚体含量(R0.25),降低了分形维数(D)值(P0.05),土壤结构稳定性明显得到改善。试验组各粒级团聚体有机碳含量显著增加,培养到15 d时,2000、2000~250、250~53、53μm粒级团聚体有机碳分别比对照组增加了21.4%、25.4%、34.7%、50.0%,其中微团聚体有机碳增加幅度大于大团聚体的增加幅度。MWD、GMD、R0.25与2000~250、250~53μm粒级团聚体有机碳呈极显著正相关关系(P0.01),与2000μm粒级团聚体有机碳呈显著正相关关系(P0.05)、与53μm粒级团聚体有机碳关系不显著。不同粒级团聚体的δ~(13)C值明显增加,动态变化较大,表明外源新碳周转速率较快。外源新碳主要分配在250~53、53μm粒级微团聚体中,分配比例分别为38%、28%,外源新碳的分解速率明显快于原有机碳。研究得出添加水稻秸秆有利于增加砂姜黑土的团聚体稳定性,提高土壤及不同粒级团聚体的有机碳含量,提升土壤碳水平,改善了土壤结构,这为淮北地区土壤质量提升及有机碳循环提供了理论依据。 相似文献