共查询到20条相似文献，搜索用时 31 毫秒
1.
【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
2.
《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
3.
【目的】探究将简单非迭代聚类超像素分割算法(SNIC)融合到基于多时相数据的树种分类问题中,并对比分析不同时相数据组合对分类结果的影响,实现更高效、更精准的优势树种识别。【方法】以内蒙古旺业甸林场为研究区,在Google Earth Engine(GEE)云计算平台上利用多时相Sentinel-2多光谱数据提取波段反射率特征和光谱指数特征,采用SNIC和支持向量机(SVM)机器学习分类方法,实现面向对象的优势树种识别,并分析不同时相数据组合对优势树种识别精度的影响。【结果】多时相数据组合的分类精度明显高于各季节单时相数据。对比不同多时相数据组合分类结果,春、秋2个季节时间序列组合数据的分类精度与多季节组合数据结果相近,总体精度分别为94.5%、95.0%和95.8%。【结论】基于多时相Sentinel-2影像和SNIC分割算法的面向对象分类方法能够快速、准确识别优势树种,多季节组合数据的分类结果最优,春、秋2个季节时间序列数据也能获得较好分类结果,总体精度与最优结果差距较小。 相似文献
4.
《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
5.
【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。 相似文献
6.
森林面积多阶遥感监测方法 总被引：1，自引：0，他引：1
《林业科学》2017,(7)
【目的】从林业数据采集的迫切需求出发,采用遥感技术实现森林资源数据的快速年度出数,以及时掌握区域森林资源变化信息。【方法】建立遥感3阶抽样与地面调查技术相结合的森林资源遥感监测技术体系,并以辽宁省为例,利用2013—2014年高、中、低多源遥感数据,进行基于多阶抽样的省级森林面积监测方法实践。【结果】遥感结合地面样地实测,建立了地面样地与高分样地,高、中分样地以及中、低分样地的森林面积回归模型,其模型确定系数(R2)分别为0.99、0.91和0.70,模型精度较高;基于3阶分层抽样的遥感监测方法得到辽宁省2014年森林面积预测值为590.83×10~4hm~2,森林覆盖率为40.54%,略高于清查结果(40.49%);从抽样精度来看,采用分层抽样方法得到的森林面积最为可靠,抽样精度达99%以上;通过精度分层控制,基于MODIS NDVI阈值法制作了辽宁省森林分布图,实现了辽宁省森林面积和空间分布的年度产出。【结论】基于遥感抽样与地面调查技术相结合的森林面积多阶遥感监测方法可行,既可提高监测成果的时效性,又能缩短成果产出周期,具有很好的应用前景,可为下一步建立全国遥感监测体系提供重要的技术支持。 相似文献
7.
《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
8.
分割尺度对面向对象树种分类的影响及评价 总被引：3，自引：0，他引：3
《林业科学》2017,(12)
【目的】研究分割尺度对高空间分辨率遥感影像与星载全极化SAR数据协同面向对象树种分割与分类的影响,进而评价2种数据协同树种分类的适宜性。【方法】以QuickBird遥感影像和Radarsat-2数据为试验数据,在面向对象分类过程中采用3种分割方案(单独使用QuickBird遥感影像分割、单独使用Radarsat-2数据分割和QuickBirdRadarsat-2协同分割),每种分割方案采用10种分割尺度(25~250,步长为25),应用修正的欧式距离3(ED3_(modified))评价分割质量。对于3种分割方案采用各自特征及二者共同特征,分别应用支持向量机(SVM)分类器进行面向对象树种分类。【结果】在10种分割尺度上,QuickBirdRadarsat-2协同分割和单独使用QuickBird遥感影像分割的ED3_(modified)明显低于单独使用Radarsat-2数据分割获得的ED3_(modified)。QuickBirdRadarsat-2协同分割以分割尺度100进行分割的质量最好(ED3_(modified)=0.34)。3种分割-分类方案在小尺度上分类总精度(OA)较低,随着尺度增大,OA也再提高并在某个尺度达到最大值,之后OA随尺度增大而降低。QuickBirdRadarsat-2协同分割-分类在分割尺度100获得了最高分类精度(OA=85.55%;Kappa=0.86)。单独使用QuickBird遥感影像分割-分类在分割尺度150获得了最高分类精度(OA=81.11%;Kappa=0.82),单独使用Radarsat-2数据分割-分类在分割尺度125获得了最高分类精度(OA=66.67%;Kappa=0.68)。OA与ED3_(modified)高度相关(R~2=0.73)。【结论】在所有尺度(25~250)上,QuickBirdRadarsat-2协同使用的分割质量和分类精度高于单独使用其中一种数据源的分割质量和分类精度,相比单独使用Radarsat-2数据优势更加明显。分割尺度对面向对象树种分类结果有着重要影响。匹配良好的分割和参考对象能够得到更高精度的分类结果,同时,轻微的过度分割或分割不足不会明显影响分类结果。 相似文献
9.
《中南林业科技大学学报(自然科学版)》2020,(8)
【目的】森林是陆地生态系统的重要组成部分,精确估测森林地上生物量对森林资源的经营管理具有指示作用,对研究全球碳循环具有重要意义。为了改善单一来源遥感数据估测森林地上生物量的不足,探讨了联合高分三号(Gaofen-3,GF-3)全极化(Polarimetric synthetic aperture radar,PolSAR)数据极化分解参数和Landsat-8 OLI数据估测森林地上生物量的可行性,并针对多源遥感数据的冗余问题优化特征组合。【方法】以广西南宁市高峰林场为研究区,结合森林样地调查数据,提取GF-3 PolSAR数据的后向散射系数、极化分解参数和Landsat-8 OLI数据的光谱信息、植被指数、纹理,使用基于序列前向特征选择的K最近邻法(K-nearest neighbor based on sequence forward feature selection,KNN-SFS)估测研究区的森林地上生物量,以留一法交叉验证得到的森林地上生物量预测值和实测值之间的均方根误差(Root mean square error,RMSE)最小为原则,对比验证使用多源遥感数据和单一来源遥感数据时的估测结果,寻求估测森林地上生物量的最优特征组合,基于最优特征组合绘制研究区的森林地上生物量空间分布图。【结果】结合GF-3 PolSAR数据和Landsat-8 OLI数据估测研究区森林地上生物量的精度为RMSE=21.05 t·hm~(-2),R~2=0.75,优于仅使用GF-3 PolSAR数据估测的精度(RMSE=28.38 t·hm~(-2),R~2=0.47)和仅使用Landsat-8 OLI数据估测的精度(RMSE=29.52 t·hm~(-2),R~2=0.42)。【结论】多源数据协同反演森林地上生物量可以提高估测的精度,基于KNN-SFS方法联合GF-3 PolSAR数据与Landsat-8 OLI数据可以较好地估测森林地上生物量。 相似文献
10.
《中南林业调查规划》2020,(2)
基于GF-2遥感影像,通过面向对象方法对长株潭城市群生态绿心区内具有代表性的区域进行植被信息提取,利用专业分割软件对遥感影像进行多尺度分割,采用ESP工具定量获取多尺度分割参数,最后通过隶属度函数对遥感影像分类进行植被信息提取,并进行精度评价。结果表明:采用面向对象的方法,从高空间分辨率遥感影像中挖掘出能提取植被的光谱、纹理、形状等特征,能实现植被信息的快速提取,提取总体精度达85.33%。 相似文献
11.
《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
12.
《中南林业科技大学学报(自然科学版)》2020,(11)
【目的】结合主被动遥感数据,为基于不同遥感数据源、建模算法的亚热带森林生物量建模分析提供新思路。【方法】以湖南省郴州市桂东县2014年Landsat 8 OLI影像、2014年Sentine-1A影像、2014年43块森林资源连续清查固定样地数据为主要信息源,借助于ENVI、SNAP、R等软件,分别采用主动式遥感(Sentinel-1A数据)、被动式遥感(Landsat 8 OLI数据)、主被动相结合(Sentinel-1A数据结合Landsat 8 OLI数据)3种数据集和多元线性回归、随机森林、人工神经网络、袋装算法等4种模型,进行区域森林地上生物量特征变量选取、参数建模、模型精度评价、生物量空间制图。【结果】1)在特征变量选择上,红波段(B4)、红外波段(B5)反射率及纹理特征,归一化植被指数(NDVI),交叉极化(VH)后向散射系数及其纹理特征,在森林生物量反演中具有重要作用;2)4种遥感估测模型精度比较分析表明,无论是单一数据源还是二者结合,随机森林算法预测精度最高,人工神经网络、袋装算法次之,多元线性回归最低;3)3种不同数据源的遥感估测综合精度,按照由高到低的顺序排列,主被动结合被动式遥感主动式遥感;4)桂东县森林生物量平均值为53.68 t/hm2,生物量高( 90 t/hm2)的林分面积比例只有16.03%,主要分布在海拔较高、坡度较陡的东南、西南部。【结论】Sentinel-1A和Landsat 8数据的结合在估测森林生物量方面具有重要作用。 相似文献
13.
基于MODIS NDVI数据的广西植被覆盖时空变化遥感诊断 总被引：1，自引：0，他引：1
【目的】对广西2006—2016年植被覆盖变化特征及其变化关键因素进行遥感诊断,为掌握广西地区植被覆盖的时空变化提供科学监测结果和诊断依据。【方法】基于250 m分辨率16天合成的MOD13Q1产品,利用趋势分析法获得11年间广西植被覆盖整体变化情况;结合气象数据,运用回归因子分析法得到植被覆盖变化与温度和降水之间的关系;采用遥感影像差异法对不同时期MODIS土地覆盖类型数据进行分析,探讨人类活动对植被覆盖变化的影响。【结果】2006—2016年11年间广西植被覆盖在波动中呈上升趋势;归一化差值植被指数(NDVI) 2—3月呈最低状态,9月最高。全区植被增加面积大于退化面积,其中面积增加最大的区域包括河池、百色、南宁东南部和桂林东部,退化面积最大的区域包括崇左、百色中部、南宁西部和桂林中部,退化程度最高的北海区域退化面积占全区面积的28. 9%。11年间,广西植被覆盖类型变化巨大,林地面积显著上升,农用地面积下降明显。【结论】温度和降水与植被覆盖呈正相关关系,二者与植被覆盖在月尺度上的正相关性较年尺度更为显著,且降水对植被的影响高于温度对植被的影响; MODIS土地覆盖类型数据反映出的人类活动表明,林地面积显著增加是广西NDVI上升的主要原因。 相似文献
14.
【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
15.
基于航空正射影像的面向对象林隙识别 总被引：3，自引：0，他引：3
【目的】研究分割尺度及对象特征对航空正射影像面向对象林隙识别的影响,评价基于航空正射影像林隙识别适宜性。【方法】以真彩色航空正射影像为基础数据,采用面向对象分类方法,以东北典型天然次生林帽儿山实验林场东林施业区为试验区进行林隙识别。在面向对象分类过程中,对航空正射影像的3个分量(Blue、Green和Red)采用10种尺度(10～100,步长为10)进行分割,应用拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))评价分割结果。对每种尺度分割结果,应用航空正射影像的光谱及光谱+纹理结合特征,采用带有线性核的支持向量机(SVM)分类器进行林隙、非林隙和树冠分类,共获得20种分类结果。利用混淆矩阵计算的生产者精度、用户精度、分类总精度和Kappa系数4个评价指标对分类结果进行精度评价。【结果】对象特征(大小和形状)受尺度参数影响,小尺度分割产生小面积对象,大尺度分割产生大面积对象,但大尺度不能有效将明显的林隙从冠层中分离出来,存在明显分割不足的现象。拓扑组合准确度(R_(A(or))和R_(A(os)))和位置准确度(D_(sr))说明与参考对象最相似的分割对象结果是在尺度20时获得的分割结果(R_(A(or))和R_(A(os))较大且接近,D_(sr)较小)。光谱及光谱+纹理结合特征分类方案分类总精度具有相似的变化特征,即小尺度分类总精度较低,随着尺度增大,分类总精度也再提高并在某个尺度达到最大值,之后分类总精度随尺度增大而降低,并趋于平稳。光谱+纹理结合特征的分类总精度低于仅使用光谱特征的分类总精度,在中小尺度上尤其明显。在尺度参数为20时使用光谱+纹理结合特征分类总精度低19个百分点,在尺度参数为30时低13个百分点。基于航空正射影像分割最优尺度参数为20。【结论】基于航空正射影像进行林隙识别,最高精度仅为74%(Kappa=61%),林隙生产者和用户精度在60%以上,非林隙生产者和用户精度在90%左右。基于航空正射影像林隙识别纹理特征的加入还将继续降低识别精度。 相似文献
16.
《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
17.
《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
18.
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
19.
基于地统计学和多源遥感数据的森林碳密度估算 总被引：1，自引：0，他引：1
《林业科学》2017,(7)
【目的】基于遥感影像空间分辨率和地面样地大小不一致的现象,采用地统计学和多源遥感数据进行森林碳密度估算,为MODIS数据在区域森林碳密度估算领域的应用提供参考。【方法】以湖南省攸县为试验区,首先利用基于块的序列高斯协同模拟算法,将25.8 m×25.8 m的样地数据分别上推到250 m×250 m、500 m×500 m和1 000 m×1 000 m;然后将上推后的样地数据分别与MOD13Q1、MOD09A1、MOD15A2数据结合,利用序列高斯协同模拟算法开展区域森林碳密度估算研究;最后将最优结果用于湖南省森林碳密度估算。【结果】Landsat5和MODIS数据与森林碳密度的敏感因子具有高度相似性,排在前3位的分别为1/TM3、1/TM2、1/TM1和1/Band1、1/Band4、1/Band3;与植被指数产品MOD13Q1和MOD15A2相比,多光谱数据Landsat5和MOD09A1在攸县森林碳密度估算方面显示出巨大潜力,估算精度分别为82.02%和75.64%;基于MOD09A1的序列高斯协同模拟算法具有很好的适用性,可用于湖南省森林碳密度的空间模拟,估算精度为74.07%。【结论】采用基于块的序列高斯协同模拟算法,可以实现由地面样地到不同空间分辨率MODIS像元之间的转换;由于空间分辨率的限制,MOD09A1数据在刻画空间细节方面不如Landsat5精细。该研究方法适用于地面调查样地大小和遥感影像空间分辨率不一致的区域森林碳密度估算。 相似文献
20.
《林业科学》2016,(4)
【目的】利用遥感技术分析东北地区农田防护林的光谱特征和空间几何特征,探究基于农田防护林特征的高精度农田防护林自动提取方法,为大范围提取东北地区农田防护林及后续遥感监测研究提供基础数据支持。〗【方法】以吉林省中部农田防护林典型建设区的德惠、农安境内部分区域为研究区,基于资源三号(ZY-3)多光谱遥感影像,分析农田防护林的植被指数和空间几何特征;以冬天有雪覆盖地表的Landsat8 OLI影像为辅助数据,提取居民地边界作为掩膜数据;提出利用面向对象方法处理二值图像,并结合数学形态学方法、GIS技术来提取农田防护林矢量化结果。【结果】在研究区50 km×50 km范围内,农田防护林总长度为304.46 km,其中正确提取的农田防护林286.42 km,多余提取18.05 km,遗漏提取14.19 km。结合该区已有的成果数据、野外观测数据、Geo Eye数据及ZY-3影像,采用全区验证、野外实地验证和高分辨率影像验证3种精度验证方式。经全区验证,准确度为89.89%,冗余误差为5.66%,遗漏误差为4.45%;野外采集的22条林带,全部正确提取,长度提取精度为93.93%。【结论】在提取高植被覆盖度的农田防护林时,比值植被指数(RVI)比归一化植被指数(NDVI)更佳;数学形态学方法和面向对象方法在处理具有一定间断距离的线性特征地物特别是农田防护林时,效果较好;利用遥感技术进行农田防护林自动提取时,应充分考虑农田防护林的物候信息、光谱信息及空间几何信息。基于5.8 m空间分辨率的ZY-3多光谱影像,结合数学形态学、面向对象方法和GIS技术自动提取农田防护林能获得较高精度,可以为东北地区农田防护林的大范围自动提取提供参考,为后续的农田防护林景观生态空间分析及动态监测与管理提供技术支持。 相似文献