共查询到20条相似文献，搜索用时 625 毫秒
1.
水稻是中国三大粮食作物之一,提供准确、及时的水稻种植信息对水稻生产管理、水稻种植保险赔偿以及国家粮食安全指导、政策制定和实施等具有重要意义。针对中国南方水稻种植地块破碎、种植结构复杂等造成的水稻识别难点,为提高水稻识别精度,本研究以哨兵一号(Sentinel-1)、哨兵二号(Sentinel-2)遥感影像为数据源,构建光谱特征、植被/水体指数特征、纹理特征和雷达特征等特征集,设置包括优选特征在内的7种特征组合,采用随机森林算法对江苏省常州市溧阳市上兴镇的水稻进行识别。结果表明,在光谱特征中,红边波段对于水稻识别精度有着较高的提升作用。光谱特征结合植被/水体指数特征、雷达特征后,水稻识别精度有所提高。基于优选特征进行分类的精度最高,总体分类精度、Kappa系数分别为93.26%、0.904 8。综上,结合遥感影像的光谱特征、植被/水体指数特征和雷达特征等并进行特征优选可以提高水稻识别精度。 相似文献
2.
基于多时相GF-1遥感影像的作物分类提取 总被引：1，自引：0，他引：1
为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。 相似文献
3.
【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%,Kappa系数为0.94；在枣阳市的总体精度为93.78%,Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF... 相似文献
4.
本研究以哨兵二号影像为数据源,以江苏徐淮地区邳州市西南部作为研究区,开展大豆、玉米遥感识别研究。采用覆盖玉米和大豆主要生长期的多时相哨兵二号影像构建遥感特征参数数据集,包括12个光谱波段的反射率和47个植被指数,采用递归特征消除与随机森林、支持向量机相结合的算法开展特征参数优选,明确最优识别时相-特征参数组合,在此基础上,采用随机森林和支持向量机分类器进行分类,并比较分类精度。研究结果表明,利用特征参数优选方法提取最优特征参数组合,在保证总体精度的前提下能够减少特征参数数量;陆地水指数和倒数差值等植被指数是2种优选算法所提取出的共性特征参数;9月8日是研究区玉米和大豆遥感识别的最佳时相,总体精度和Kappa系数均为0.99。 相似文献
5.
为提高高分辨率遥感影像分类精度,针对高分二号影像发展一种综合利用遥感影像光谱和纹理信息的茶园种植区提取方法。该方法首先利用归一化植被指数(NDVI)和修正的归一化植被指数(MNDVI)构建新的光谱特征——差异归一化差分植被指数(DNDVI),通过灰度共生矩阵(GLCM)构建新的纹理特征——灰度共生纹理(GLCT),然后结合光谱和纹理特征运用支持向量机(SVM)的方法进行分类。试验采用2种方案(原始波段+光谱特征,原始波段+光谱特征+纹理特征)对影像进行分类,分类总体精度分别为79. 6%、89. 8%,Kappa系数分别为0. 659、0. 788。结果表明,结合纹理信息能明显地提高分类精度,并较好地实现对高分二号影像茶园种植区的分类提取。 相似文献
6.
本研究探讨了如何利用中分辨率遥感影像实现县域作物快速识别的方法。以沙湾县为研究区,基于Landsat8和高分一号遥感影像,利用实地调查的2016年沙湾县作物种植信息,建立解译标志,加入耕地掩膜,选取不同的监督分类方法,对沙湾县作物识别的最佳识别时相、最佳识别方法以及最佳数据源进行研究。结果表明:Landsat8影像与高分一号影像分别在7月与9月可分离度与总体精度最高;通过六种分类方法对比,均为支持向量机分类法分类精度最高,Landsat8影像总体精度91. 22%,Kappa系数0. 916,高分一号影像总体精度88. 23%,Kappa系数0. 876,Landsat8影像分类整体精度略高于高分一号影像;对于两种数据源,棉花、玉米、小麦和其它作物分类总体精度均达到88. 23%以上,证明使用中分辨率遥感影像对县域作物进行识别是可行的。 相似文献
7.
基于递归纹理特征消除的WorldView-2树种分类 总被引：1，自引：0，他引：1
利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.8410,比基于光谱特征的总体精度和Kappa系数高12.32%和0.1436。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。 相似文献
8.
以黑龙江省凉水国家级自然保护区为研究区,采用“高分一号”卫星提供的多光谱影像作为遥感数据源,通过对遥感影像进行小波变换处理,之后选择植被指数、纹理特征、地形因子作为分类特征,利用随机森林算法对该地区森林类型进行分类。结果表明,遥感图像在进行小波变换后,基于随机森林算法的森林类型分类精度为91.68%,Kappa系数为0.90,较未进行小波变换时的分类精度提高10.67%。总体来看,结合小波变换的随机森林分类方法可以获得比较高的分类精度。为森林类型分类提供一种新的思路,且为提高森林类型分类精度提供一种参考方法。 相似文献
9.
《北京林业大学学报》2015,(8)
利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.841 0,比基于光谱特征的总体精度和Kappa系数高12.32%和0.143 6。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。 相似文献
10.
应用哨兵2A多时相遥感影像对树种的识别 总被引：1，自引：0，他引：1
森林树种类别的准确识别和专题图制作对于森林经营管理具有重要作用。以哨兵2A多时相遥感影像数据源,通过对单时相影像以及根据基尼系数(Gini系数)和信息熵进行的不同影像组合,利用随机森林算法对大孤家林场的树种类别进行识别和分类制图。结果表明:哨兵2A多时相影像组合能够显著改善树种分类的精度,多时相影像组合总体分度最高为87.45%,Kappa系数为0.825,比单时相遥感影像分类总体精度提升了4%~7%。 相似文献
11.
12.
基于高光谱影像的树种分类 总被引：1，自引：0，他引：1
应用环境与灾害监测预报小卫星(HJ-1A)的超光谱成像仪(HSI)高光谱影像,对大兴安岭地区塔河林区进行树种分类。HSI数据经过去条带和大气校正预处理,获取准确的树种光谱信息,分别采用波谱角填图法和线性波谱分离法进行树种分类。结果表明:在树种识别中,基于线性波谱分离的方法较基于波谱角填图法要优越,线性波谱分离方法的总体精度为72.0%,Kappa系数为0.600;波谱角填图法的总体精度为62.5%,Kappa系数为0.459。 相似文献
13.
以鄯善绿洲为研究靶区,应用遥感技术对葡萄干晾房遥感影像特征进行光谱和纹理分析,使用二次分类方法提取葡萄干加工晾房信息。结果表明,晾房光谱特征由晾房顶部和阴影组成,纹理特征因具有阴影而增强;葡萄干晾房斑块共有701块,占地面积3 120hm2,最大斑块面积178hm2,最小斑块面积338.76m2,平均面积4.34hm2;建筑单体18 819栋,建筑面积261hm2。经验证,一次分类精度为84.06%,Kappa系数为0.80;二次分类精度为88.66%,Kappa系数为0.84。 相似文献
14.
[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kappa系数达到0.8311。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。 相似文献
15.
为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。 相似文献
16.
结合多尺度纹理特征的高光谱影像面向对象树种分类 总被引：1，自引：0，他引：1
17.
18.
《江苏农业科学》2019,(19)
为探索西南地区水稻种植信息的有效提取方法,以重庆市永川区朱沱镇为例,根据Sentinel-2多光谱影像,结合高分一号(GF-1)影像数据选取样本分布点,构建水稻作物信息随机森林提取模型,同时分析样本地类像元光谱曲线,构建不同地类样本影像像元光谱库,并将随机森林分类结果与传统最大似然法、光谱角及基于时差的光谱角水稻空间种植信息分类结果进行对比及精度分析。结果显示,通过光谱角分类器提取地物精度有限,结合时差特征能够明显提高目标提取精度,而基于水稻样本信息训练构建的光谱角模型提取方法获取水稻种植面积准确率高达90.62%,分类结果总体精度达91.50%,Kappa系数达到0.83,实现了对西南地块破碎地区分散作物种植信息的有效提取,可为西南地形复杂、地块破碎地区农作物信息提取提供一定参考。 相似文献
19.
《福建农林大学学报(自然科学版)》2020,(2)
以山东省平邑县为研究区,在随机选取的子研究区中,利用3种不同的融合模型,以Sentinel-2影像的红、绿、蓝、近红外4个波段作为高分辨率融合参考影像,获得12组融合影像,结果表明,利用小波变换(ATWT)算法并以红波段为高分辨率融合影像时,融合效果最好.采用最优模型和波段,对整个研究区进行数据融合,并利用随机森林算法对原始Sentinel-2影像、融合获得影像和Landsat影像进行土地利用分类,其中Sentinel-2影像总体分类精度为89.693 9%,Kappa系数为0.886 0,融合影像的总体分类精度为88.765 7%,Kappa系数为0.869 0,略低于前者,结果表明,"红波段+ATWT"融合影像在土地利用分类中可以获得接近原始影像分类精度的结果,能较好地保留原始影像的光谱信息并应用于较大区域的土地利用精细提取. 相似文献
20.
基于Softmax分类器的小春作物种植空间信息提取 总被引：1，自引：0，他引：1
[目的]使用浅层机器学习分类方法和多光谱遥感影像快速准确提取研究区小春作物(油菜、小麦)种植空间信息。[方法]选择研究区小春作物识别最佳时期的Sentinel 2A MSI多光谱影像,融合得到10 m分辨率影像,然后降尺度生成15、20、30 m分辨率影像,结合地面调查数据,建立油菜、小麦、林地、居民地、水体等典型地物感兴趣区,训练Softmax分类器,基于不同空间分辨率影像提取油菜、小麦种植空间信息。[结果]①基于Softmax分类器和10 m分辨率融合影像的小春作物分类总体精度为90.02%,Kappa系数为0.8344,其中油菜生产者精度和用户精度分别为93.14%、91.42%,小麦的分别为87.93%,98.09%;②Softmax法的小春作物分类精度随影像空间分辨率下降而降低,15、20、30 m分辨率影像的分类精度较10 m的分别下降9.80%、12.04%和13.04%,Kappa系数依次减少0.1538,0.1873和0.2088;③15、20、30 m分辨率影像的油菜分类精度较小麦的低,影响因素为油菜花期和种植地块破碎分散。[结论]Softmax分类器在10～30 m中高分辨率影像小春作物分类中具备较高的精度,可作为常规方法应用于业务化的作物监测工作。 相似文献