共查询到10条相似文献，搜索用时 15 毫秒
1.
[目的]利用多角度高光谱数据,分析不同角度下东洞庭湖湿地典型植被群落的光谱特征,确定多角度信息融合的最佳方法,并对融合影像进行湿地植被类型精细识别。[方法]使用CHRIS多角度高光谱数据,针对洞庭湖湿地植被的光谱特征,研究计算窄波段NDVI的最佳波段组合和角度,评价CHRIS 0°影像与NDVI的像素级融合方法,进而对洞庭湖地区湿地植被进行提取。[结果]计算NDVI的最佳红波段和近红外波段分别位于667.6 nm和926.95 nm,对应于CHRIS数据的第24波段和第55波段;选取HSV、Brovery、Gram-Schmidt和PCA 4种融合方法进行融合,发现PCA融合图像的光谱信息丢失最少、纹理细节更丰富,信息量最大;PCA融合影像的总体精度为81.36%,比单角度影像提高7.93%,Kappa系数提高0.097 6,且苔草的漏分误差和泥蒿的错分误差得到明显改善。[结论]基于NDVI的多角度信息融合是提高湿地植被识别精度的一种有效途径,多角度信息融合丰富了地物的信息量,提高地物识别精度。 相似文献
2.
《林业资源管理》2017,(2):58-64
基于盐城国家级珍禽自然保护区核心区2014年3个月份的Landsat 8遥感影像及其矢量数据,采用基于CART算法的决策树分类方法提取研究区芦苇、碱蓬、米草、鱼塘、浅滩、海域等湿地信息,并分析2014年植被变化情况。其中采用植被指数NDVI,RVI,DVI时间序列光谱分析曲线获得湿地植被类型窗口期,通过各植被指数、第一主成分分量、缨帽变换、原始波段(红外、近红外)、非监督分类影像等因子构建时序因子集。结果表明:1)3—12月份为植被分类窗口期,芦苇、碱蓬、米草区分度最大;2)CART算法的决策树分类方法对盐城湿地植被区分度较好,3个月份影像分类总体精度分别为99.88%,99.18%和97.61%,Kappa系数分别为0.99,0.99和0.97;3)2014年间,芦苇的面积从61.69km~2增长到63.08km2,米草从38.01km~2增加到44.78km~2,碱蓬从26.37km~2锐减到19.63km~2。 相似文献
3.
对-36°和0°的多角度高光谱CHRIS遥感影像数据进行植被指数计算及影像融合,提出归一化植被指数(NDVI)与高光谱影像融合后,采用波谱角填图(SAM)的方法提取湿地植被类型信息。该方法首先对-36°影像进行NDVI植被指数计算,然后与0°影像融合,再采用SAM方法提取湿地植被类型。结果显示,利用该方法对青海省隆宝滩湿地植被类型的提取精度可达到92.23％;而利用SAM方法对0°影像直接进行湿地植被类型提取,其精度只有66%。由此可见,利用不同角度信息影像融合的方法,大大提高了高光谱影像进行湿地植被类型信息提取的精度,为湿地植被类型信息提取又提供了一个有效可行的方法。 相似文献
4.
基于ALOS数据的遥感植被分类研究 总被引：1，自引：0，他引：1
《中南林业科技大学学报(自然科学版)》2010,(11)
以广西平南县的植被覆盖为研究对象,以ALOS为遥感数据源,并对其进行了数据处理,运用信息量、相关系数及OIF方法,分析数据的波段特征;采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,并将其与传统的监督分类方法进行了比较。结果表明:基于光谱特征的植被遥感信息提取方法分类总体精度显著提高,Kappa系数达到0.877;采用Landsat—5 TM遥感影像对该方法进行推广,分类总体精度为86.09%,Kappa系数为0.83。结果表明该分类方法能有效地对植被进行分类与识别,并对不同数据源的植被分类有一定的普适性,为实现植被的自动化提取提供了理论依据和方法。 相似文献
5.
为实现湿地植被的精细分类和高精度制图,为湿地管理部门提供准确的决策依据,以美国加州萨克拉门托—圣华金水域的典型湿地植被为研究对象,以高光谱影像为数据源,结合野外GPS采样点,对典型湿地植被的光谱反射率作一阶导数和二阶导数处理,基于均值置信区间原理筛选特征波段,基于单因素分析法筛选能够明显区分植被类型的植被指数。联合特征波段和植被指数构建特征集,利用机器学习C5.0决策树生成知识规则并提取湿地植被信息。结果表明,基于机器学习C5.0决策树的湿地植被提取总体精度为80.09%,Kappa系数为0.792,与最大似然法比较,总体精度提升10.79%,Kappa系数提升0.105,说明基于机器学习的C5.0决策树法能够实现植被的精细分类,方法切实可行。 相似文献
6.
【目的】提出一种基于全卷积神经网络(FCN)与面向对象的滨海湿地植被分类方法,以提高滨海湿地植被监测效果。【方法】以浙江慈溪部分杭州湾滨海湿地为研究区,基于高分辨率Quick Bird影像,采用FCN与面向对象相结合的方法监测滨海湿地植被:1)融合Quick Bird影像的多光谱数据和全色数据提高影像空间分辨率,运用目视判读制作标签图,以100×100窗口选取样本后进行翻转、旋转等操作,获得训练样本4 904对、测试样本544对,采用FCN对样本完成训练后得到相应的模型参数用于整幅影像,获得全图分类结果; 2)对原始影像进行多尺度分割,利用平均全局评分指数法确定最优分割尺度为170,以最优分割结果对FCN分类结果进行边界约束,得到最终分类结果并制作滨海湿地植被分类图; 3)基于混淆矩阵对仅采用FCN处理的结果影像及采用FCN与面向对象相结合处理的结果影像进行精度评价。【结果】1)采用FCN处理的影像分类总体精度达94.39%,典型滨海湿地植被精度均在85%以上,但分类结果存在少量椒盐现象,分类误差产生的主要原因是滨海湿地下垫面背景复杂,不同植被类型空间分布杂乱; 2)将面向对象与FCN相结合处理的结果影像可消除椒盐现象,总体精度达97.56%,典型滨海湿地植被精度均在90%以上。【结论】基于FCN的滨海湿地植被分类方法能够有效从高分辨率影像中提取典型滨海湿地植被信息,在此基础上结合面向对象的多尺度分割方法可有效消除椒盐现象,弥补基于像元分类的缺陷,优化滨海湿地植被分类结果,在滨海湿地植被监测方面值得推广和运用。 相似文献
7.
[目的]以北京地区为例,对大区域多类型湿地信息提取方法进行研究。[方法]采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。[结果]利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10%～20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。[结论]对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。 相似文献
8.
[目的]通过机载遥感影像对普洱山区进行植被分类研究,为山区森林经营规划与可持续经营方案的制图提供高效应用途径。[方法]将2014年4月航拍的机载AISA Eagle II高光谱和Li DAR同步数据融合,利用点云数据提取的数字冠层高度模型(CHM)得到树种的垂直结构信息,结合经过主成分分析(PCA)的高光谱降维影像,选用支持向量机(SVM)分类器进行分类。[结果]普洱市万掌山实验区主要树种分为思茅松、西南桦、刺栲、木荷等。融合影像数据分类的总体精度和Kappa系数分别为80.54%、0.78,比单一高光谱影像数据分类精度分别提高6.55%、0.08,其中主要经营树种思茅松的制图精度达到了90.24%。[结论]该方法对山区主要树种的识别是有效的,将机载Li DAR与高光谱影像融合可以有效改善分类精度。 相似文献
9.
《中南林业科技大学学报(自然科学版)》2015,(11)
高分一号卫星是我国2013年自主发射的第一颗高分辨率对地观测卫星(GF-1),其在湿地中的应用还比较少见。以洞庭湖湿地为研究区,GF-1影像为主要遥感数据源,在对研究区湿地主要植被柳树、杨树、芦苇和苔草的光谱特征分析基础上,建立决策树分类算法。同时结合GF-1影像特有的纹理信息,引入纹理均值和相异性指数对决策树算法进行改进,结果表明:通过采用纹理均值和相异性指数,总体精度从传统决策树的85.64%提高到了92.66%,Kappa系数从0.82提高到0.91,说明该方法对湿地植被识别的效果较好。这对于同等空间分辨率遥感数据的植被分类具有指导和借鉴作用。 相似文献
10.
综合应用多源遥感数据的面向对象土地覆盖分类方法 总被引：3，自引：0，他引：3
【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。 相似文献