共查询到20条相似文献，搜索用时 328 毫秒
1.
[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。 相似文献
2.
《中南林业科技大学学报(自然科学版)》2020,(8)
【目的】利用Sentinel-2A卫星重访周期短和波段信息丰富的特点,精确高效地获取森林覆盖变化信息,提高森林覆盖变化监测的时效性和精度。【方法】采用Sentienl-2A遥感影像作为数据源,以沅江市为研究对象,结合实地调查数据,选取地物训练样本,利用各地物的光谱指数特征和纹理特征来构建决策树模型进行地物分类,光谱指数包括NDVI、NDWI、NDBI和光谱反射曲线,纹理特征包括均值、方差、信息熵和对比度。对沅江市2016年8月1日和2017年5月18日的两期Sentinel-2A遥感影像数据进行地物分类,计算各地物面积并将两期分类结果中的森林覆盖区域提取出来,分析森林覆盖变化情况。【结果】1)利用光谱指数特征结合纹理特征构建决策树模型对沅江市进行地物分类,其地物总体分类精度为83.62%,Kappa系数为0.825 7,森林制图精度为84.28%,森林用户精度为82.43%,比最大似然法的总体分类精度提升了11.27%,Kappa系数提高了0.133,森林制图精度提高了10.59%,森林用户精度提高了9.58%。2)在2016年8月1日至2017年5月18日期间沅江市森林面积减少了771 hm~2,有854 hm~2森林变为耕地,589 hm~2森林变为芦苇地,412 hm~2森林变为建设用地,105 hm~2森林变为水体。另外,有636 hm~2耕地、257 hm~2芦苇地、243 hm~2建设用地和53 hm~2水体变为森林。【结论】基于Sentienl-2A遥感影像数据,利用光谱指数特征和纹理特征构建决策树模型进行分类,能够有效提升地物分类精度;同时能够提高森林覆盖变化监测的时效性和精度,较为准确地分析森林覆盖变化情况,可为洞庭湖流域地物分类和森林覆盖变化监测提供决策支持。 相似文献
3.
《林业资源管理》2021,(2)
塞罕坝机械林场是我国大型国有林场,落叶松是林场森林经营管理的主体,快速准确提取落叶松人工林分布对林场的经营和管理具有重要意义。基于传统单机模式下的遥感影像分类耗时长、效率低下,随着地理信息大数据、云计算时代的到来,Google Earth Engine(GEE)作为地理空间分析平台的先行者,为遥感影像分类带来新的机遇。基于GEE平台,使用Sentinel-2数据实现塞罕坝机械林场主要树种遥感影像分类。通过对塞罕坝机械林场2019年全年309景Sentinel-2影像数据预处理,计算比值植被指数、纹理特征、地形特征,并对各特征进行优选,构建多特征分类数据集。以此为基础,比较最小距离法、决策树和随机森林分类器下的分类精度。结果表明,GEE相较于单机影像分类模式具有显著的优势;最小距离、决策树和随机森林分类器下的分类精度分别为80%,83%和92%,随机森林分类器更适合复杂的遥感分类任务。 相似文献
4.
《中南林业科技大学学报(自然科学版)》2020,(10)
【目的】为提高森林火灾监测的时效性,利用我国新一代静止气象卫星FY4的遥感数据,研究对森林火灾监测的技术和方法。【方法】以贵州省为研究区,利用FY4遥感数据,对FY4的14个波段进行火点样本的波段特征、波段间相关系数、波段组合OIF指数计算,并对判别森林火灾相关的云、水体、林地、火点4类地物进行光谱特征分析,采用支持向量机对OIF指数排名前10的波段组合进行地物分类精度验证,筛选出最适合进行森林火灾判别的波段组合。构建最小距离模型、马氏距离模型、支持向量机以及决策树模型进行森林火灾判别,利用中国森林防火网森林火灾数据,以判别精度(D)、多分误差(M)、漏分误差(O)为模型的评价指标,对4个模型进行精度验证,筛选出最优的森林火灾判别模型。【结果】1)筛选出最适合进行森林火灾判别的波段组合是(B7,B8,B12),其支持向量机地物分类精度为99.21%,Kappa系数为0.855,是进行森林火灾判别地物分类精度最高的波段组合,与最优波段组合筛选结果一致。2)4个模型的森林火灾判别精度都超过了85%,其中决策树模型判别森林火灾的精度为100%。【结论】基于FY4遥感数据决策树模型的构建,提高了森林火灾监测的时效性,对保护森林资源、减少人民生命财产损失具有重要的意义。 相似文献
5.
《林业科学》2021,57(5)
【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。 相似文献
6.
WorldView-2能够提供1个0.5 m全色波段和8个1.8 m分辨率的多光谱波段,为用户提供进行精确变化检测和制图的能力。本研究以深圳市植被为例,采用WorldView-2高分辨率遥感影像为数据源,进行缨帽变换及主成分分析处理,利用决策树分类模型进行提取。结果表明:WorldView-2影像经过缨帽变换及主成分分析处理后,能够明显增强影像的纹理信息,突出地物特征,并以各地物在经过缨帽变换及主成分分析处理之后的灰度值作为决策树分类的阈值,分类的总体精度、Kappa系数分别为89.26%、0.87,与以往的只利用波段的灰度值及植被指数等作为阈值相比,精度明显提高,方法也得到改善,得到了比较好的分类结果。 相似文献
7.
以IRS-P 6为遥感数据源,对湖北武汉地区进行了波段组合和遥感制图研究.采用统计分析的方法计算各波段的熵、标准差以及波段之间的相关系数矩阵,采用联合熵法和最佳指数法选择最佳波段组合方式,通过影像空间分辨率分析、基于像素级的分类精度评价和图斑面积解译精度检验三个方面评价了IRS-P 6影像的制图精度.结果表明：IRS-P 6影像各波段熵的大小顺序为：波段4〉波段5〉波段2〉波段3,标准差的大小顺序为：波段2〉波段4〉波段5〉波段3,最佳波段组合方式为：5（R）4（G）2（B）;采用最大似然监督分类方法进行分类的总体精度达93.50%,K appa系数达0.87;利用Q u ickB ird影像对IRS-P 6影像各地类图斑面积解译精度进行检验,总体精度达88.31%;IRS-P 6影像是遥感应用领域中5 m分辨率卫星数据的补充,适合于1∶2.5万、1∶5万等中等比例尺图件的制作. 相似文献
8.
以云南省香格里拉市为研究区,对ASD光谱仪实测的4种针叶树种光谱数据采用包络线去除法、光谱一阶微分法和光谱二阶微分法3种波段选择方法得到Hyperion高光谱影像数据的分类特征波段,采用最大似然法、支持向量机2种分类方法对所选的特征波段开展树种识别分类,对原始影像采用光谱角填图分类方法作对比实验。结果表明,基于ASD数据的光谱一阶波段选择方案的支持向量机分类方法精度最高,总体分类精度为81.95%,Kappa系数为0.725 1。采用ASD实测光谱数据能有效指导Hyperion进行树种分类,基于数据尺度和换算方式,一阶微分更适合特征波段选择;与传统的数理统计分类方法和光谱特征分类方法相比,基于机器学习的方法如支持向量机等在高光谱遥感分类中具有更大的应用潜力。 相似文献
9.
《林业科学》2016,(9)
【目的】提出一种基于Relief F特征优选的面向对象分类方法,为解决面向对象森林资源遥感分类提供参考。【方法】以SPOT5高分辨率遥感影像为数据源,以浙江省安吉县山川乡为研究区,通过影像分割,选取8个地物类别的370个对象样本,并设置SPOT5影像每个波段的8个灰度共生矩阵纹理、每个波段及NDVI的平均值和标准差等42个对象特征。利用Relief F算法对设置的42个对象特征进行优选,采用面向对象的最近邻方法提取研究区毛竹林分布信息。为了比较基于最优特征的面向对象的分类结果,另采用CART决策树方法在相同的分割参数和训练样本前提下,通过样本构建决策树分类规则,对研究区进行分类并提取竹林信息。【结果】1)通过Relief F特征优选方法对分类特征进行优选,大幅提高了毛竹林样本的分类精度,与特征优选前相比,毛竹林样本分类精度由68%提高到88%,优选的红波段均值、绿波段均值、红波段均质纹理、红波段熵纹理和NDVI植被指数均值5个特征能够精确地提取研究区毛竹林分布信息,其用户精度和生产者精度分别达到97%和95%;2)基于CART决策树面向对象的研究区毛竹林用户精度和生产者精度均低于基于最优特征的最近邻分类结果,主要原因是CART决策树中毛竹林、针叶林和阔叶林之间的误分相对较高。【结论】Relief F算法特征优选时注重特征的分类能力,筛选的特征参与面向对象分割提取的毛竹林分布信息高于同类研究,可为面向对象多尺度分割森林资源遥感分类时特征的选取提供一个更为科学合理的方法。 相似文献
10.
《中南林业科技大学学报(自然科学版)》2015,(11)
以我国自主发射的第一颗高分辨率卫星(GF-1卫星)的影像为数据源,在东洞庭湖开展湿地信息提取。结合国家湿地遥感分类系统和高分影像数据的可解译性,建立了东洞庭湖湿地类型遥感分类系统,包括湖泊、河流、泥滩地、林地、芦苇、苔草、辣蓼+泥蒿7种湿地类型。利用最佳指数和联合熵2个指标确定最佳波段组合方式为4(R)3(G)2(B),并在遥感图像进行预处理的基础上,采用面向对象的决策树进行分类,结果表明:基于面向对象决策树遥感分类方法比最大似然法分类的精度高,总分类精度达85.41%,Kappa系数为0.822 5,并且各类信息的提取精度均有所提高,其中湖泊、芦苇、林地的精度较高。 相似文献
11.
《林业科学》2021,57(6)
【目的】以无人机可见光遥感影像为数据源实现竹林、针叶林和阔叶林的分类识别,扩展无人机可见光遥感数据在森林资源调查中的应用范围。【方法】利用无人机获取仅包含红、绿、蓝3个波段光谱信息的航拍影像,经预处理生成空间分辨率为0.1 m的数字正射影像图(DOM)和数字表面模型(DSM),从DSM和DOM中提取包括高度特征、光谱特征、常见的可见光植被指数、HSV颜色分量、HSV颜色分量基础上提取的纹理特征以及扩展的形态学多属性剖面(EMAPs) 6类特征;采用递归特征消除随机森林算法(RF_RFE)优选特征子集,根据不同类型特征和优选特征子集设置8组试验,使用随机森林分类器(RFC)进行林分类型分类,运用目视解译获得的地面真实影像建立混淆矩阵评价分类结果。【结果】1)单独利用光谱特征进行林分类型分类效果不理想,总体精度为65.68%,Kappa系数为0.53;以光谱特征为基础单独引入其他特征进行林分类型分类,除植被指数外,其他特征均可提高总体分类精度; 2)采用递归特征消除随机森林算法优选出11个特征,包括5个EMAPs特征、3个HSV纹理特征、1个高度特征、1个植被指数和1个HSV颜色分量,11个特征组合获得8组试验中最高分类精度,总体精度为81.05%,Kappa系数为0.73; 3)将多特征优选方法应用于不同分辨率的可见光无人机影像上均取得较好分类结果,其中分辨率为0.3 m时分类精度最高,总体精度为82.46%,Kappa系数为0.75。【结论】递归特征消除随机森林算法综合多类型特征中最有利于林分类型分类的特征,从而提高分类精度,研究结果可为无人机可见光遥感数据在森林资源调查中林分类型信息的提取提供参考。 相似文献
12.
高光谱遥感影像包含了大量的波段信息,能够很好地应用于地物的识别。基于单核的高光谱遥感影像极限学习机分类模型,因其实施简单、分类精度高、训练时间短,已被广泛地应用于高光谱遥感影像识别。但是核特征的选取,以及单核特征表达的单一性,限制了模型分类精度的进一步提高。为了解决此问题,受多核极限学习机(MK-ELM)思想的启发,首先使用核方法,提取了遥感影像的多核特征表达;然后利用多核极限学习机理论,同时优化极限学习机结构参数以及多核特征融合系数,获得最优的分类模型。为了说明MK-ELM的有效性,在Indian pines数据集上做了对比实验,该实验证明基于多核极限学习机遥感影像分类模型的分类精度较单核极限学习机有明显地提高,MK-ELM的分类整体精度为80.2%,Kappa系数高达78%;同时将多核极限学习机应用到芷江林场的林地信息提取,其分类精度高达89.1%,Kappa系数达86%。 相似文献
13.
以兖州实验区为例,探讨了利用决策树方法进行城市高光谱遥感绿化分析的流程和方法;分析了试验区典型地物的波谱特性;总结了常用反射率反演方法,并根据具体情况选择FLAASH模型进行了实验;试验区研究表明,决策树分类方法在高光谱遥感影像信息提取中具有可行性.这种基于高光谱的精细信息提取方法,可以提高不同植被类型的高光谱图像分类识别精度,为城市绿化分析提供参考依据. 相似文献
14.
基于CART决策树方法的遥感影像分类 总被引：4，自引：0，他引：4
以云南省香格里拉县为研究区域,构建一种基于CART遥感影像的决策树分类方法.对遥感影像采用主成分提取、植被信息提取、纹理信息提取等方法,并结合试验区主要地物类型训练样本,采用Landsat 5 TM影像数据、DEM数据以及遥感处理软件ENVI为平台进行影像分类,并将结果与最大似然分类结果作比较.结果表明,基于CART遥感影像决策树分类精度优于最大似然分类,有较好的分类效果. 相似文献
15.
以地物类型较复杂的福州市的城郊结合区一小块区域的土地利用分类为例,利用C4.5算法从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和地形特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较及分析。结果表明,基于C4.5算法的分类方法的分类精度高于传统的监督分类和逻辑通道分类方法。因而利用C4.5算法构建决策树获取的分类规则是合理的,它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用分类中广泛应用的一项有效手段。 相似文献
16.
高光谱遥感技术及其在森林监测中的应用探讨 总被引：3，自引：0，他引：3
高光谱遥感技术是指利用很窄的电磁波段从地物获取连续光谱信息的技术。高光谱影像具有超高光谱分辨率和多个波段同时对地物成像的特点,借助高光谱影像丰富的植被光谱信息,介绍其在森林火灾、森林病虫害和森林资源变化监测中的应用研究方法和现状,利用高光谱遥感图像进行森林监测的处理技术。 相似文献
17.
面向对象的决策树分类技术 总被引：1，自引：0，他引：1
以SPOT 5 HRG影像为遥感信息源,在湖南省资兴市天鹅山林场开展面向对象的决策树分类技术研究.利用最佳指数和联合熵2个指标确定最佳波段组合方式为1(R)4(G)3(B),在对遥感图像进行正射校正和融合处理的基础上,采用面向对象的决策树分类技术,以优势树种龄组作为分类对象.结果表明:优势树种龄组的分类精度达80%以上,取得了较高的分类精度与分类效果. 相似文献
18.
基于多种分类器组合的森林类型信息提取技术研究 总被引：1，自引：0，他引：1
遥感图像分类是遥感应用系统中的关键技术,提高遥感图像的分类精度是发展遥感技术重点,采用多分类器组合的算法对黑龙江塔河县森林类型进行分类。根据黑龙江省森林资源调查技术规定及研究区二类调查数据制定分类系统,最终的分类级别为针叶林、阔叶林和针阔混交林。通过分析TM数据的原始波段和NDVI、BI等植被指数提取各分类类型的光谱特征。选择最小距离法、最大似然法、马氏距离法对研究区进行分类,计算出各分类器的精度。在分类器组合的过程中采用信息熵方法确定组合分类器中各分类器的权重系数,利用组合后新的分类器对研究区进行分类。结果表明:多分类器组合的分类精度达75.59%,比单分类器精度提高了3.85%,对阔叶林、针阔混交林、针叶林3种分类类型的分类精度分别达82.32%、66.45%、75.49%,比单分类器进度分别提高了2.87%、4.82%。4.10%。 相似文献
19.
《中南林业科技大学学报(自然科学版)》2015,(11)
湿地遥感变化信息检测并识别一直是遥感动态监测的一个技术难点。以东洞庭湖为研究区,2期GF-1遥感影像为研究对象,在数据预处理的基础上,将研究区分为芦苇、苔草、辣蓼与泥蒿、水体、泥滩地等6种类型。研究引进了NDVI植被指数波段与第一主分量波段(PC1)对传统的图像差值算法进行改进,提取出两期影像的变化信息,并与支持向量机的多时相影像分类后检测算法相比较。结果表明:(1)研究区遥感影像经过大气校正和图像配准等预处理之后,GF-1遥感影像变化检测的最佳波段组合为RGB=432;(2)利用支持向量机分类器对两期遥感影像进行分类时,样本选择的可分离度均在1.9~2.0之间,分类结果的总体精度为85.34%,Kappa系数为0.8,满足分类后比较算法提取变化信息的要求;(3)引进NDVI与第一主分量区分变化信息,并采用直方图积累区间确定变化阈值,信息增加的变化阈值设置为0.3,信息减少的变化阈值设置为0.2,Smooth Kernel Size设置为3,Aggregation Min Size设置为30,优化结果最佳。利用2期GF-1遥感影像提取湿地变化信息,分类后比较算法与改进后图像差值算法,图像差值法快速、直接提取变化信息,检测精度为89.6%,Kappa系数为0.9,且不受分类精度与分类样本一致性的限制,明显优于传统分类比较算法,是一种高效可行的方法。 相似文献
20.
SPOT5全色与多光谱影像融合方法研究——以南瓮河湿地自然保护区部分区域为例 总被引：1，自引：1，他引：0
以黑龙江省南瓮河湿地自然保护区内的SPOT5全色与多光谱遥感影像为研究对象,利用ENVI4.8、Arc-gis10.0遥感影像处理软件对4种常用融合方法进行质量评价。结果表明:Gram-Schmidt Spectral Sharpening变换融合方法效果最好,灰度均值和标准差最接近原多光谱影像,信息熵高于原多光谱,而且还保留了与SPOT5影像相同的4个波段,可以根据需要进行不同的波段选择;PC Spectral Sharpening变换后也保留4个波段,但这种融合方法色彩的饱和度较差,没有更好地增强部分地物;HSV变换和Brovey变换后图像只有3个波段,HSV变换后的色彩差异与源图像最大,不同地物间色彩差异不大,不利于地物的分类时的目视解译。 相似文献