共查询到20条相似文献，搜索用时 218 毫秒
1.
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
2.
精确估算森林地上生物量有利于掌握森林资源碳储量的分布特征,该研究以普达措国家公园为研究区,基于国产高分一号(GF-1)全色多光谱(Panchromatic Multispectral Sensor,PMS)卫星影像和数字高程数据,提取波段信息、植被指数、纹理信息和地形因子,利用多元线性逐步回归、支持向量机、神经网络和随机森林模型,估算森林地上生物量。研究结果表明,基于GF-1影像构建的随机森林模型的精度效果最佳,决定系数为0.77,均方根误差为27.53 t/hm2;普达措国家公园森林地上生物量为7085614t,平均生物量达136.01t/hm2,表明公园内寒温性针叶林发育完好;海拔3 500～4000m区域森林生物量平均值最高,为126.56t/hm2,与生态保护目标分布范围相符;不同坡向生物量存在差异,阴坡和半阴坡平均生物量高出其他坡向20.48%,立地条件较优。研究结果证实基于GF-1优化的生物量经验模型具有对亚高山天然林地上生物量的估算潜力,对区域森林资源的有效科学管理和维护森林生态环境具有重要意义。 相似文献
3.
基于超高空间分辩率无人机影像的面向对象土地利用分类方法 总被引：2，自引：2，他引：0
为明确基于无人机超高空间分辨率影像的土地利用分类方法,尤其是有效特征和算法的选择,该研究获取吉林省德惠市一农耕区超高分无人机影像,获取区域正射影像图和数字表面模型,计算地形指标,采用面向对象方法进行土地利用分类研究。首先,采用随机森林算法,以光谱特征为基础,依次引入指数、形态、地形、纹理特征,建立5种特征选择方案,分析各类特征对分类效果的影响。其次,以Boruta特征选择算法获取的优化特征集为基础,采用随机森林算法、朴素贝叶斯算法、逻辑回归算法和支持向量机算法分类,分析不同算法的分类效果。结果表明:采用5种特征选择方案分类,引入形态特征时总体精度降低,引入其他特征时总体精度逐渐提高。5种特征共同参与的分类效果最佳,总体精度为98.04%,Kappa系数为0.980。错分主要发生在裸地和宅基地,漏分主要发生在草地、裸地、水渠和道路。错分和漏分主要是因为这几种类型对象具有相似的光谱、形态、纹理特征或相似的分布位置。采用优化特征集分类时,相比其他算法,随机森林算法更擅长处理高维特征集,获得最高的总体精度98.19%,最低的错分和漏分误差,分类效果最佳。借助无人机超高空间分辨率影像提取地形信息、形态信息,可以有效辅助土地利用分类,并能提高传统分类方法精度。 相似文献
4.
高光谱遥感数据植被信息提取方法 总被引：2，自引：0，他引：2
利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1 m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。 相似文献
5.
基于多源无人机影像特征融合的冬小麦LAI估算 总被引：3，自引：3，他引：0
为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。 相似文献
6.
GEE平台下利用物候特征进行面向对象的水稻种植分布提取 总被引：1，自引：1，他引：0
为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎（Google Earth Engine,GEE）平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）算法来分割影像,灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）来计算纹理特征,结合支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）算法构建6种不同的模型进行水稻种植分布提取,并基于目视解译及实地调查数据,对比6种模型提取水稻的验证精度和实测精度,确定最优模型。结果表明：在水稻种植分布提取中,面向对象方法有助于提高水稻种植分布提取精度,且RF算法优于SVM算法。其中SNIC图像分割结合RF模型具有最高提取精度,总体精度和Kappa系数分别为96.83%、0.934,经实测数据验证,水稻实测精度为95.43%,可满足区域水稻种植分布和面积监测需求。 相似文献
7.
OLI与HSI影像融合的土壤盐分反演模型 总被引：5，自引：2，他引：3
土壤盐渍化问题是黄河三角洲地区主要的土地退化问题,借助遥感技术快速、准确地掌握土壤盐渍化信息,对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区,利用超球体色彩空间变换算法,将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合,选择土壤盐分的特征波段,结合土壤盐分的实测数据,建立统计分析模型(多元线性回归、偏最小二乘回归)和机器学习模型(BP神经网络、支持向量机和随机森林),对土壤盐分进行遥感反演。结果表明:OLI影像的统计分析模型和机器学习模型精度均较低,精度最高的随机森林模型相关系数仅为0.570;HSI影像的反演模型精度高于OLI,BP神经网络模型相关系数为0.607;融合影像反演模型精度明显高于HSI影像和OLI影像,土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性,BP神经网络模型、支持向量机模型和随机森林模型的决定系数R~2分别达到0.966、0.821和0.926,模型反演精度较高。研究表明,多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度,机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。 相似文献
8.
《农业工程学报》2020,(2)
为明确基于无人机超高空间分辨率影像的土地利用分类方法,尤其是有效特征和算法的选择,该研究获取吉林省德惠市一农耕区超高分无人机影像,获取区域正射影像图和数字表面模型,计算地形指标,采用面向对象方法进行土地利用分类研究。首先,采用随机森林算法,以光谱特征为基础,依次引入指数、形态、地形、纹理特征,建立5种特征选择方案,分析各类特征对分类效果的影响。其次,以Boruta特征选择算法获取的优化特征集为基础,采用随机森林算法、朴素贝叶斯算法、逻辑回归算法和支持向量机算法分类,分析不同算法的分类效果。结果表明:采用5种特征选择方案分类,引入形态特征时总体精度降低,引入其他特征时总体精度逐渐提高。5种特征共同参与的分类效果最佳,总体精度为98.04%,Kappa系数为0.980。错分主要发生在裸地和宅基地,漏分主要发生在草地、裸地、水渠和道路。错分和漏分主要是因为这几种类型对象具有相似的光谱、形态、纹理特征或相似的分布位置。采用优化特征集分类时,相比其他算法,随机森林算法更擅长处理高维特征集,获得最高的总体精度98.19%,最低的错分和漏分误差,分类效果最佳。借助无人机超高空间分辨率影像提取地形信息、形态信息,可以有效辅助土地利用分类,并能提高传统分类方法精度。 相似文献
9.
基于机器学习和全极化雷达数据的干旱区土壤湿度反演 总被引：2，自引：1，他引：1
雷达遥感是区域土壤湿度监测最为有效的技术手段之一,为深入探讨全极化雷达特征参数和不同机器学习算法对干旱区土壤湿度反演的潜力,该研究以黑河下游的居延泽为研究区,基于全极化Radarsat-2数据,通过标准强度和相位处理提取后向散射系数(BackscatteringCoefficients,BC),并通过Cloude-Pottier分解(Cloude-Pottier Decomposition,CPD)与Yamaguchi分解(Yamaguchi Decomposition,YD)提取多个极化参数作为雷达影响因子,对其进行相关性及重要性分析。采用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和BP人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)3种不同的机器学习算法,构建土壤湿度反演的多种模型,并使用10折交叉验证的方法综合评价各模型的性能,最后使用最佳模型反演研究区土壤湿度,分析其空间分布格局与影响因素。结果表明:1)平均散射角对反演精度至关重要,熵与反熵的影响次之。交叉极化相较于同极化后向散射系数有更高贡献,偶次散射与体散射的重要性明显高于表面散射和螺旋体散射。2)不同类型因子组合建模的模型,其性能表现均明显优于仅采用单种因子类型的模型。3)相较于SVM和BP-ANN模型,RF模型在干旱区土壤湿度反演中具有更好的适用性。其中,BC+CPD组合训练的RF模型性能最优,其验证集决定系数R2和均方根误差分别为0.78和6.60%,对应的标准偏差分别为0.15和1.95%,该模型可解释土壤湿度变化的89%。4)研究区土壤湿度平均值约为8.83%,整体呈现极端干旱的态势。其中,天鹅湖附近和古湖心区的土壤湿度高于其他区域,反演结果能综合反映区域土壤湿度空间分布的总体格局。 相似文献
10.
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
11.
《国际水土保持研究(英文)》2023,11(1):97-111
As a primary sediment source, gully erosion leads to severe land degradation and poses a threat to food and ecological security. Therefore, identification of susceptible areas is critical to the prevention and control of gully erosion. This study aimed to identify areas prone to gully erosion using four machine learning methods with derived topographic attributes. Eight topographic attributes (elevation, slope aspect, slope degree, catchment area, plan curvature, profile curvature, stream power index, and topographic wetness index) were derived as feature variables controlling gully occurrence from digital elevation models with four different pixel sizes (5.0 m, 12.5 m, 20.0 m, and 30.0 m). A gully inventory map of a small agricultural catchment in Heilongjiang, China, was prepared through a combination of field surveys and satellite imagery. Each topographic attribute dataset was randomly divided into two portions of 70% and 30% for calibrating and validating four machine learning methods, namely random forest (RF), support vector machines (SVM), artificial neural network (ANN), and generalized linear models (GLM). Accuracy (ACC), area under the receiver operating characteristic curve (AUC), root mean square error (RMSE), and mean absolute error (MAE) were calculated to assess the performance of the four machine learning methods in predicting spatial distribution of gully erosion susceptibility (GES). The results suggested that the selected topographic attributes were capable of predicting GES in the study catchment area. A pixel size of 20.0 m was optimal for all four machine learning methods. The RF method described the spatial relationship between the feature variables and gully occurrence with the greatest accuracy, as it returned the highest values of ACC (0.917) and AUC (0.905) at a 20.0 m resolution. The RF was also the least sensitive to resolutions, followed by SVM (ACC = 0.781–0.891, AUC = 0.724–0.861) and ANN (ACC = 0.744–0.808, AUC = 0.649–0.847). GLM performed poorly in this study (ACC = 0.693–0.757, AUC = 0.608–0.703). Based on the spatial distribution of GES determined using the optimal method (RF + pixel size of 20.0 m), 16% of the study area has very high level susceptibility classes, whereas areas with high, moderate, and low levels of susceptibility make up approximately 24%, 30%, and 31% of the study area, respectively. Our results demonstrate that GES assessment with machine learning methods can successfully identify areas prone to gully erosion, providing reference information for future soil conservation plans and land management. In addition, pixel size (resolution) is the key consideration when preparing suitable datasets of feature variables for GES assessment. 相似文献
12.
基于高分辨率遥感影像的青海湖沙柳河流域土地覆盖监督分类方法对比 总被引：3，自引：2，他引：1
[目的]研究高寒河源区土地覆盖的精准分类方法,为地物分类提供参考,分类结果可为青海湖流域土地资源与生态环境监管提供数据支撑。[方法]运用高分辨率遥感影像,通过6种监督分类器(平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机)对青海湖沙柳河流域的土地覆盖进行分类,最后通过最佳提取方法统计得出青海湖沙柳河流域土地覆被概况。[结果]支持向量机、神经网络和最大似然的分类精度较高,其总体分类精度均大于96%,Kappa系数均大于0.95,平行六面体的分类精度最低,误差较大。综合各种分类精度及分类图像局部细节,支持向量机分类效果最佳。通过解译可知沙柳河流域土地覆被以草地为主,占流域总面积的71.09%,裸地和湿地分别占流域总面积的16.26%和10.24%,水体、农田和建筑用地面积较小,共占流域总面积的2.41%。[结论]运用高分辨率遥感影像,通过支持向量机分类器可实现对青海湖沙柳河流域土地覆被的良好分类。整个流域植被覆盖度高,生态环境良好。 相似文献
13.
[目的] 研究快速、准确大面积监测农田土壤pH值,为大面积土壤改良和实现农田精细化管理提供科学支持。[方法] 以南疆阿拉尔市十二团棉田为研究区,采用网格采样法采集231个样点的原位高光谱数据,并同步采集其中116个样点的土壤样品;分析了原位高光谱反射率数据经不同预处理模式后的光谱数据与土壤pH值的相关性;采用偏最小二乘回归、支持向量机回归和随机森林3种建模方法分别建立了土壤pH值的高光谱反演模型,根据模型评价指标优选出最优模型对未采集土壤样点的pH值进行反演制图。[结果] 反射率经微分处理后可有效改善其与土壤pH值的相关性;反射率二阶微分的随机森林模型为所有模型中的最优模型,其验证集的R2为0.87,RMSE为0.04,RPD为2.53;最优模型反演的pH值数据插值所得数字图与实测pH值插值图的空间分布特征高度吻合,能客观反映土壤碱化的空间分布状况。[结论] 随机森林模型为原位反演南疆棉田土壤pH值的最优模型,克里金插值能够客观可视化表达研究区土壤pH值的分布状况。 相似文献
14.
基于双向地形阴影法的黄土侵蚀沟自动提取技术 总被引：1，自引：0，他引：1
沟蚀严重危害着土地资源和生态环境,研究高分辨率数字高程模型（Digital Elevation Model,DEM）的侵蚀沟自动提取技术进行侵蚀沟动态监测,以期望能替代目视解译提取。双向地形阴影法是一种兼顾提取精度和效率的侵蚀沟提取方法,但仅针对黄土台/塬地貌,在其他地貌下其提取结果会产生较多误提区和漏提区。为使其适应不同地貌,该研究以陕西吴堡县3.2 m DEM为试验数据,综合沟谷线缓冲区填充法、膨胀腐蚀法以及面积阈值法消除误提区和漏提区,并通过模块化编程及数据分块计算,实现侵蚀沟自动提取,最后在全县范围内均匀选取10个小流域为样本,使用0.65 m影像目视解译的结果进行精度验证。结果表明：1）实现了误提区和漏提区的自动消除,得到了吴堡县侵蚀沟分布图;2）在10个验证小流域中,该研究方法提取侵蚀沟的精度为81.1%～86.3%,平均精度为83.8%。该研究综合应用沟谷线缓冲区填充法、膨胀腐蚀法和面积阈值法消除误提区和漏提区,使该方法能适应非黄土台/塬地貌,并在此基础上研发了能实现大区域侵蚀沟提取的算法及软件。 相似文献
15.
结合Sentinel-2影像和特征优选模型提取大豆种植区 总被引：6，自引：6，他引：0
准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(RandomForest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine, SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%～91.91%,Kappa系数在0.72～0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。 相似文献
16.
黄土高原不同地貌区农田土壤有机质预测方法研究 总被引：1，自引：0，他引：1
17.
根据黄土高原沟壑区林业生产的现状和特点，我们提出提高林业生态经济效益的途径为；（１）提高认识，改变思想观念；（２）加强抚育管理，增加林业经济投入；（３）适地适树，提高树种、林种多亲性；（４）合理配置，建设复合人工植被。 相似文献
18.
[目的]探究黄土高原所进行的退耕还林(草)及治沟造地等典型治理工程的生态系统水土保持功能时空变化及其驱动因素,对于黄土高原进一步发展具有重要指导作用。[方法]通过构建延河流域InVEST生态服务功能模型和地理探测器的方法,在验证的基础上,研究了典型治理阶段流域的生态系统土壤保持功能。[结果](1)在时间变化上,与退耕还林前(1990—2000)相比,退耕还林期(2000—2010)和退耕还林+治沟造地期(2010—2017)的多年平均土壤保持量分别增加了32.29%,55.61%,年均增加4.92×106 t;(2)在空间分布上,林草地和治沟造地的面积增加区域与土壤保持量增加区域具有一致性,治沟造地工程使得延河流域耕地整体的土壤保持能力提高,单位造地面积的土壤保持量增加7 t/hm2。土壤保持量随坡度、高程的增加呈现先增加后减少的趋势,在海拔1 200～1 500 m,坡度15°～25°范围内土壤保持总量占年总土壤保持量比例较高。[结论]土地利用类型的变化是影响土壤保持空间分布格局的主要驱动因子。延河流域土壤保持功能时空变化的驱动因素分析为黄... 相似文献
19.
草地地上生物量（Above-Ground Biomass，AGB）是反映草地植被利用状况的重要参数，其精准监测对于草地科学管理与合理利用具有重要意义。近年来，遥感技术因其能快速、准确获取大尺度草地光谱信息，已经广泛应用于草地地上生物量的估算中。该研究以中国内蒙古呼伦贝尔市与其毗邻的蒙古国东方省草原区为研究区，利用Landsat 8数据计算的9种植被指数、气象数据和地面调查数据，比较分析6种机器学习算法构建的回归模型性能，重新构建优化的随机森林回归模型。结果表明，优化后的随机森林回归模型性能更稳定，预测值与实测值之间决定系数为0.801，均方根误差为43.709 g/m2，相对均方根误差为23.077。研究区域地上生物量呈中部较低，东西两侧较高的空间分布特征，最高可达357.2 g/m2，最低为33.0 g/m2，与该区域降水量与草地利用方式的空间异质性密切相关。该研究表明，基于Landsat 8数据结合气象数据构建的机器学习模型在草地生物量遥感反演中有较大潜力，地上生物量反演结果可以为草地资源合理利用与评价提供参考。 相似文献
20.
随着城市化建设进程的加快,城郊耕地经常会被开发为建设用地,甚至还会遭受非法占用的危险,这极大威胁了中国粮食安全。该文针对高分辨率遥感影像城郊耕地特点,提出了一种多尺度分层的耕地提取方法。首先,基于归一化植被指数(normalized difference vegetation index,NDVI)约束改进传统Harris角点检测方法得到建筑区概率密度图,并利用最大类间方差(Otsu algorithm,Otsu)分割去除复杂建筑区;然后,利用尺度选择工具(estimation of scale parameter,ESP)分析耕地占主导影像的多尺度分割结果,得到耕地较佳分割尺度并在该尺度下分割整幅影像;进而,利用形状、光谱信息初步检测出耕地对象,选择非建筑区的耕地与建筑区的非耕地样本,训练支持向量机模型并对不确定地物进行分类;最后,依据空间关系进一步判断图像对象,得到城郊耕地最终提取结果。试验结果表明,该方法能较高精度地从城郊区域的复杂背景中提取出不同类型、不同光谱的耕地目标。 相似文献