共查询到20条相似文献，搜索用时 406 毫秒
1.
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
2.
3.
4.
利用遥感数据开展森林资源优势树种的分类对森林资源的监测、森林可持续经营及生物多样性研究具有重要意义。研究针对复杂地形区域的破碎化森林,采用高分二号(GF-2)的多光谱影像作为基础数据进行森林优势树种的精细分类。本文以地形复杂、森林破碎化的湖北省竹山县九华山林场为研究对象,采用面向对象分类方法对树种进行精细分类,比较支持向量法、最近邻法(KNN)和随机森林(RF)三种不同分类算法的分类效果。在尺度阈值为30、合并阈值为95时分割的基础上,利用SVM、KNN和RF分类结果和分类精度差异较大。分类精度最高的是SVM分类方法,总体精度为68.52%,Kappa系数为0.62;其次为随机森林分类法,总体精度为60.29%,Kappa系数为0.54;KNN分类方法精度最低,总体精度为59.41%,Kappa系数为0.53。GF-2号数据能满足树种分类基本需求,在复杂地形和景观破碎化地区用支持向量机进行树种的分类精度更高,但仍存在一定的局限性。 相似文献
5.
《林业资源管理》2021,(3)
以新疆库车市东部绿洲-荒漠过渡带为研究对象,利用GF-2号遥感影像为主要数据源,在野外调查的基础上,采用基于像元的监督分类和分层次多尺度分割的面向对象分类方法对研究区植被信息进行准确识别。结果表明:1)监督分类与面向对象的分类结果大体一致,两者的总体分类精度均可达到94%以上,Kappa系数大于0.93,都体现出了较高的分类精度;2)与监督分类相比,面向对象的分类方法在总体分类精度上提升了3.79%,Kappa系数提高了0.032,具有更好的分类效果和分类精度。通过确定最优尺度分割,面向对象的分类方法可更为准确地提取研究区植被信息,为合理评价区域土地荒漠化状况提供科学依据。 相似文献
6.
《林业资源管理》2019,(5):44-51
树种分布是森林资源监测的一个重要指标,也是遥感影像在森林资源监测应用中的难点之一。基于国产高分二号卫星影像数据、森林资源二类调查数据、DEM数据,结合光谱、纹理、指数及地形因子等多种特征,比较支持向量机、随机森林和XGBoost等3种分类算法,根据分类精度选择最优算法(即XGBoost)进行特征筛选,对龙泉市的阔叶树、马尾松、杉木和毛竹等4种主要优势树种进行分类。结果表明:采用XGBoost分类模型的分类总精度为83.88%,Kappa系数0.78,较支持向量机和随机森林分类方法有明显提高。经特征选择后,虽未明显提高树种分类精度,但可以减少特征的冗余,为小样本数据下特征的选取降维提供了一定的参考。 相似文献
7.
基于面向对象方法和SPOT5的丘陵山区林地分类研究 总被引：1，自引：0，他引：1
采用4种面向对象分类方法 (最邻近法、隶属度函数法、决策树和支持向量机),利用SPOT5影像对湖南省会同县部分地区进行林地类型提取。结合研究区林地类型,将分类提取6种林地类型、6种非林地类型,并相应地构建分类层次结构。通过比较4种面向对象方法的分类结果,发现最邻近法擅长提取对象特征相近的地物类型,更适合于丘陵地区的林地信息提取。其在南方丘陵山区进行林地信息提取精度显著高于其他3种方法,其总体分类精度可达76.12%(分12类),Kappa系数为0.73(分12类)。 相似文献
8.
【目的】研究对象特征对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象林分类型识别的影响,评价2种数据协同林分类型识别的适宜性,为多源遥感影像结合面向对象分类技术提供科学依据。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,选取福建省三明市将乐县将乐国有林场为试验区进行杉木、马尾松和阔叶林面向对象分类。在面向对象分类过程中,采用基于QuickBird多光谱波段分割、基于Radarsat-2数据分割和QuickBirdRadarsat-2协同分割3种分割方案,每种分割方案采用10种尺度(25～250,步长为25),应用QuickBird遥感影像和Radarsat-2数据提取的光谱、地形、高度和强度4方面32个特征指标,进行4种不同特征组合,运用支持向量机分类器进行面向对象林分类型分类,利用混淆矩阵计算的生产者精度、用户精度、总精度和Kappa系数4个指标对分类结果进行精度评价。【结果】所有组合的分类精度(Kappa系数)均随着尺度增大表现出先增加后降低的趋势,且以只使用单一光谱特征的分类精度最低,依次低于光谱+地形两特征和光谱+地形+高度三特征的分类精度,引入强度后的四特征组合分类与三特征组合无明显差异。QuickBirdRadarsat-2协同且在最优尺度参数为100时,结合对象光谱、地形、高度和强度四特征组合进行面向对象林分类型分类精度最高(OA=86%, Kappa=0.86)。【结论】高空间分辨率遥感影像(QuickBird)与SAR数据(Radarsat-2)协同最优尺度多特征组合进行面向对象林分类型分类优势明显,在光谱和地形特征中引入高度特征可进一步提高分类精度。本研究结果可提高面向对象分类中的特征选择效率和科学性,能够为其他影像的面向对象分类技术提供较好的参考依据。 相似文献
9.
[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
10.
11.
《中南林业科技大学学报(自然科学版)》2017,(4)
以吉林省汪清林业局天然林区为研究区,利用Landsat-8 OLI_TIRS多光谱遥感影像,结合森林资源野外调查数据,提取森林类型纹理、光谱特征参数,作为支持向量机的输入量,利用K-折交叉验证法确定最优核函数,识别森林类型,确定最优分类结果,评价分类精度,并与仅利用波段光谱特征的SVM分类结果进行精度对比。结果表明:利用纹理和光谱特征进行分类,构造SVM进行森林识别是可行的。惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数构造的支持向量机分类精度最好,总体分类精度可达89.58%,Kappa系数为0.87,单一分类精度中,阔叶林针叶林针阔混交林。只利用光谱特征的分类结果精度为81.26%,结合光谱和纹理特征的规律,能够提高分类精度。 相似文献
12.
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
13.
[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
14.
《林业科学研究》2021,34(1)
[目的]基于面向对象变化向量分析法,进行森林资源变化检测。[方法]应用国产高分二号多光谱影像,以森林采伐和造林活动多、林地变化频率高的广西壮族自治区上思县为研究区,应用随机森林平均精确率减少的方法进行变化特征的选择,通过选取的不同特征向量和常规的基于光谱均值、光谱均值和标准差的变化向量分析法,以及基于NDVI差值法的变化检测结果对比,获取较好的森林资源变化检测方法和结果。[结果]高分二号多光谱影像的蓝、绿、红波段光谱均值和NDVI值共4个特征参与的变化向量分析法,识别森林资源变化精度高,总体精度92.94%,Kappa系数0.763 0,变化地类误检率15.63%,漏检率22.86%。[结论]经过特征选择后,基于面向对象变化向量分析法比常规的多特征参与的变化向量分析法识别森林资源变化的效果好。 相似文献
15.
《林业资源管理》2015,(4):104-108
面向对象分类方法可以充分利用遥感影像的光谱和空间信息,是一种适合于高分辨遥感影像的分类方法。以2012年资源3号卫星高分辨率遥感影像(ZY-3)为数据源,对基于面向对象与最大似然监督分类的地类信息提取方法进行了对比分析。面向对象分析方法中采用改进后的局部方差法确定并选取不同地类类型的最优分割尺度,并采用多尺度层次的方法提取不同地类类型信息。结果表明:根据改进后的局部方差法确定的针叶林、阔叶林、针阔混交林地类类型的最优分割尺度为105;农田地类的最优分割尺度为105,水域、建筑类型的最优分割尺度为65。基于面向对象技术的地类信息提取方法其总体精度达到90.3%,Kappa系数为0.82;最大似然法其总体精度为77.6%,Kappa系数为0.71;基于面向对象方法的总体精度提高了12.7%,Kappa系数提高了11%。表明了基于面向对象分析方法的地类信息提取在国产高分辨率影像上的适用性。同时,论文的研究也为森林资源调查中地类信息的遥感提取进行了有益的尝试。 相似文献
16.
树种识别一直是困扰遥感研究的一个难点,而国产高分二号识别地物和树种具有巨大潜力。选取四川省甘孜州道孚县为研究区,利用高分二号4m多光谱遥感影像,并结合该县的森林资源二类调查结果数据,分别采用最大似然法和支持向量机方法,对利用高分二号数据在树种识别应用中的可能性进行探讨。研究结果表明:所采用的两种方法识别出研究区域主要树种的精度都高于80%,其中:采用最大似然法分类精度为81.79%,支持向量机方法分类精度为86.75%。在先验知识的支持下,利用高分二号多光谱影像也可用于树种识别研究中。 相似文献
17.
《林业科学》2017,(11)
【目的】研究林隙主被动遥感协同自动识别方法,为进一步量化林隙特征提供技术支持。【方法】以真彩色航空正射影像(0.2 m)和机载Li DAR(3.7点·m-2)为主被动遥感数据源,选取东北典型天然次生林——帽儿山实验林场东林施业区为研究区进行面向对象林隙识别。在面向对象分类过程中,通过对比3种分割方案(航空影像分割、Li DAR数据分割、航空影像Li DAR协同分割)、10种尺度(10~100,步长为10)确定最优分割方案及尺度参数。在最优分割结果基础上应用航空影像的光谱特征、Li DAR数据提取的高度特征及共同特征,应用支持向量机分类器(SVM)进行林隙识别。【结果】3种分割方案的最优尺度均为20;所有尺度均是基于Li DAR数据分割ED3modified(0.52±0.11)低于基于航空影像分割(0.58±0.07)与航空影像Li DAR协同数据分割(0.58±0.07)。在Li DAR数据最优尺度(20)下,采用光谱和高度共同特征的主被动识别与单独采用光谱特征的主动识别及单独使用高度特征的被动识别相比,分类精度分别提高36.71%和8.17%。【结论】3种分割方案中,基于Li DAR数据分割结果最好;使用主被动遥感协同自动识别进行林隙分类时精度最高(OA=87.73%,Kappa=0.81)。 相似文献
18.
以勐腊县为研究区,基于Terra SAR-X卫星的全极化SAR数据以及谷歌高清卫星影像图,对橡胶林的后向散射系数以及其纹理特征进行提取分析,采用决策树分类方法对勐腊县的橡胶林进行分类识别。研究结果表明:全极化Terra SAR数据的HH、HV、VH、VV的后向散射及其之间的计算是构建决策树算法,实现森林、农用地、水体和城市建设用地分类的重要基础;橡胶林作为一种特殊的人工林,其具有固定的行株距以及特有的纹理特征,能把橡胶林和天然林更好地区分开;利用结合SAR数据后向散射及光学图像纹理特征的决策树分类方法对橡胶林进行提取,总体精度为87.6%,Kappa系数为0.81,橡胶林的生产者精度和用户精度均达到90%以上。 相似文献
19.
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
20.
基于 SAM 算法的遥感影像湿地植被分类 总被引：2，自引：0，他引：2
以黑龙江省扎龙自然湿地保护区高光谱遥感影像为试验区域,通过对野外试验调查数据和预处理后的高光谱遥感影像进行前期处理,再采用光谱角填图(SAM)图像分类方法进行植被分类实验得出结果,并与最大似然法和支持向量机(SVM)分类方法结果进行对比研究分析,通过实验结果得出误差矩阵和精度评价分析,得到最大似然法的总体分类精度和以及Kappa系数是最低的,而光谱角填图分类方法的总体精度为89.87%,Kappa系数为0.880 7,分类结果要好于其他两种分类方法,其对高光谱遥感影像植被分类实验更具有准确性和实用性。 相似文献