基于深度信念网络的高光谱影像森林类型识别

森林类型分类对森林生态系统管理起重要作用,高光谱影像由于波段多,传统方法先对其进行特征选择或特征提取进行降维处理,再进行图像分类,一定程度影响森林类型识别精度.深度信念网络是一种半监督学习方法,可将高光谱所有波段作为深度信念网络的输入,从而避免降维处理.论文利用深度信念网络对泉州市德化县西部8个乡镇进行森林类型识别研究.基于HJ/1A高光谱图像与二类调查数据,利用Python语言实现高光谱影像森林类型分类,讨论了网络深度和隐藏层单元数对总体精度与Kappa系数的影响.实验结果表明：层数为3,每层节点数为256的网络结构对森林类型识别效果最好,总体精度达85.8%,系数为0.785,好于支持向量机的分类结果.     

基于纹理信息CART决策树的林芝县森林植被面向对象分类

以西藏自治区林芝县的Landsat-8影像、地形图为信息源,结合样地调查数据及森林资源二类调查数据,研究基于纹理信息的CART决策树的面向对象分类对研究区内的森林地物类别进行提取,分类的总体精度和Kappa系数分别为82.53%和0.768,相较于不利用纹理信息的决策树分类和基于最大似然分类法的研究区地物类别的提取总体精度均高近10%,Kappa系数分别高0.12和0.111。结果表明:基于纹理信息的CART决策树面向对象分类方法对研究区Landsat-8影像进行植被类型提取,分类结果较好,能够满足研究要求。     

结合LiDAR单木分割和高光谱特征提取的城市森林树种分类

基于多源遥感数据的城市森林树种分类对城市森林资源调查、森林健康状况评价及科学化管理具有重要意义。以江苏省常熟市虞山国家森林公园内的典型城市森林树种为研究对象,利用同期获取的机载激光雷达(LiDAR)和高光谱数据,针对5个典型城市森林树种进行了树种分类的研究。首先,基于点云距离判断单木分割方法进行单木位置和冠幅提取,并借助实测数据和目视解译结果进行精度验证;然后,在冠幅内提取4组高光谱特征变量,并借助随机森林模型对特征变量进行重要性分析;最后,筛选出重要性高的特征变量进行2个级别的树种分类并借助混淆矩阵进行验证评价。结果表明:基于点云距离判断分割方法的单木位置提取精度较高(探测率为85.7%,准确率为96%,总体精度为90.9%);利用全部特征变量(n=36)对5个树种进行分类,分类的总体精度达到了84%,Kappa系数为0.80;利用优选特征变量(n=9)进行分类,总体精度达83%,Kappa系数为0.79;利用全部特征变量(n=36)对两种森林类型进行分类,分类的总体精度达91.3%,Kappa系数为0.82,其中阔叶树种分类精度为95.6%,针叶树种分类精度为85%;利用优选特征变量(n=9)进行分类,分类的总体精度达90.7%,Kappa系数为0.80,其中阔叶树种分类精度为93.33%,针叶树种分类精度为86.67%。     

遥感图像森林类型小波纹理的SVM法分类

利用遥感图像对森林类型进行分类是大面积地调查、监测、分析森林资源的快速与经济的方法,但由于不同森林的光谱特征非常相近而较难准确分类。因此,在GPS数据和高分辨率遥感图像的支持下,对水源林Landsat TM遥感图像用窗口法获得阔叶林、针叶林和竹林样本图像,然后计算其小波分解后小波系数的l1范数纹理测度构成分类特征向量,利用支持向量基SVM进行分类。结果表明,利用SVM对图像中阔叶林、针叶林和竹林分类平均精度在80%以上,可较准确地识别森林类型,图像总体分类精度达到90.2%,Kappa系数0.77,均比利用小波纹理特征的神经网络法和最大似然法有所提高,森林分类错误产生的主要原因是混交林造成两类森林间存在交集。该方法可以较有效地提高遥感图像森林类型的分类精度。     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。     

复杂地形区土地利用/土地覆被分类机器学习方法比较研究

针对高海拔复杂地形区地貌类型复杂、多样,沟壑纵横、地形破碎等特点,研究快速、有效的土地利用/土地覆被分类方法对土地利用信息获取及更新是非常重要的。以位于黄土高原向青藏高原过渡带的湟水流域为研究区域,基于Landsat 8 OLI影像数据、DEM数据,并结合各种专题特征,在对研究区进行地理分区的基础上,采用人工神经网络、决策树、支持向量机和随机森林4种机器学习方法进行土地利用信息提取并进行精度评价,探索适合于复杂地形区最优的分类方法。研究结果表明:随机森林和决策树的分类精度明显高于支持向量机和人工神经网络。其中随机森林方法的分类精度最高,总体分类精度达85.65%,Kappa系数达0.84。在上述分类基础上,选择随机森林分类方法对Landsat 8全色与多光谱影像融合数据进行进一步的分类研究,总体分类精度达到86.49%,Kappa系数达0.85。这表明随机森林分类方法在保证分类精度的同时又能获得较高的分类效率,对于复杂地形区土地利用信息提取是非常有效的,数据融合在一定程度上提高了分类精度。     

TM影像中居民地提取的决策树方法研究——以烟台市为例

以烟台市为研究区域,首先分析了居民地的影像特征,研究了居民地和背景地物在TM各波段上的光谱特征及可分性。进一步分析各地物的谱间结构特征,发现居民地和道路的TM3、TM5的光谱值比较接近。这一特征可用TM5-TM3相似文献   

基于决策树分类技术的遥感影像分类方法研究

以河北唐山为研究区,应用Landsat ETM+影像数据和GIS数据,对决策树分类技术和传统计算机自动分类方法进行了比较。研究表明:决策树与传统自动分类方法相比,分类精度提高了18.29%,Kappa系数提高0.1878。在地形起伏的山区,应用DEM及其衍生数据等GIS数据作为辅助数据可以提高分类精度19.52%,Kappa系数提高0.281;反射率影像分类效果比原始DN值影像的分类效果好,分类精度提高15.86%;缨帽变换在压缩数据量的同时,分类精度有所降低。     

基于多时相Landsat 8 OLI影像的农作物遥感分类研究

时序遥感数据及地物细微光谱特征对于提取作物分布有重要作用,基于此,利用多时相Landsat 8 OLI影像,结合光谱角填图和决策树分类提取大同市新荣区东部地区主要农作物分布情况,并与最大似然法提取的分布结果进行对比。研究发现:①研究区内春玉米、谷物、大豆和马铃薯种植面积依次减小并呈镶嵌式分布;②结合光谱角填图与决策树分类总体精度为85.34%,Kappa系数为0.76,与最大似然法结果相比,总体精度提高22.51%,Kappa系数增加0.31,分类结果与实际作物分布具有更好的一致性;③利用时序遥感影像进行作物分类的精度明显高于单时相遥感影像的分类精度,且从光谱角差异的角度分析时序数据可有效削弱中高分辨率影像物谱不一致现象的影响。研究结果验证了多时相遥感影像对农作物分类研究的积极作用,并发展了光谱角填图法结合决策树分类在中高分辨率遥感影像中进行农作物分类的用法,具有一定的应用前景。     

基于时序Landsat数据的三江平原植被地表类型变化遥感探测研究

Landsat 卫星遥感数据具有分辨率较高,数据积累时间长的特点,在探测地表覆盖变化和地物分类中得到广泛应用。首先,对获取的Landsat TM/ETM+时间序列数据进行了定量化处理,获取了三江平原七台河市1989~2012年时间序列Landsat地表反射率图像。其次,设计了林地指数和湿地指数,提取了三江平原七台河区域地物光谱和时序特征,同时设计构建了地表覆盖分类和植被地表类型变化探测的决策树算法,实现了1989~2012年七台河区域的植被地表覆盖变化的动态监测,提取了森林覆盖变化的空间分布与变化时间。最后,对七台河区域地表覆盖与植被地表类型变化进行了精度检验,分类总体精度达到90.04%,Kappa系数达0.88。研究结果表明:基于定量化的Landsat时间序列数据的分类算法能克服单时相影像分类的缺陷,实现区域地物自动分类和地表覆盖变化的动态监测。
     

用TM资料对祁连山部分地区进行针叶林、灌木林分类研究

为了解黑河上游祁连山区水源涵养林十年间的变化状况,对这一典型地区采用TM卫星资料进行了针叶林、灌木林分类。首先对TM资料进行了几何精纠正和投影变换等预处理;再通过选择TM的4、3、2波段做假彩色合成,并结合遥感地面调查,建立了遥感判读解译标志;在以上工作的基础上,采用一种简单的决策树分类方法,成功地对祁连山典型地区的针叶林和灌木林进行了分类,并检验了分类结果。     

The multispectral separability of Costa Rican rainforest types with support vector machines and Random Forest decision trees

Estimating the extent of tropical rainforest types is needed for biodiversity assessment and carbon accounting. In this study, we used statistical comparisons to determine the ability of Landsat Thematic Mapper (TM) bands and spectral vegetation indices to discriminate composition and structural types. A total of 144 old-growth forest plots established in northern Costa Rica were categorized via cluster analysis and ordination. Locations for palm swamps, forest regrowth and tree plantations were also acquired, making 11 forest types for separability analysis. Forest types classified using support vector machines (SVM), a theoretically superior method for solving complex classification problems, were compared with the random forest decision tree classifier (RF). Separability comparisons demonstrate that spectral data are sensitive to differences among forest types when tree species and structural similarity is low. SVM class accuracy was 66.6% for all forest types, minimally higher than the RF classifier (65.3%). TM bands and the Normalized Difference Vegetation Index (NDVI) combined with digital elevation data notably increased accuracies for SVM (84.3%) and RF (86.7%) classifiers. Rainforest types discriminated here are typically limited to one or two categories for remote sensing classifications. Our results indicate that TM bands and ancillary data combined via machine learning algorithms can yield accurate and ecologically meaningful rainforest classifications important to national and international forest monitoring protocols.     

基于新型不纯度度量的代价敏感随机森林分类器

针对不平衡数据集的有效分类问题,提出一种结合代价敏感学习和随机森林算法的分类器。首先提出了一种新型不纯度度量,该度量不仅考虑了决策树的总代价,还考虑了同一节点对于不同样本的代价差异;其次,执行随机森林算法,对数据集作K次抽样,构建K个基础分类器;然后,基于提出的不纯度度量,通过分类回归树(CART)算法来构建决策树,从而形成决策树森林;最后,随机森林通过投票机制做出数据分类决策。在UCI数据库上进行实验,与传统随机森林和现有的代价敏感随机森林分类器相比,该分类器在分类精度、AUC面积和Kappa系数这3种性能度量上都具有良好的表现。     

A non-parametric,supervised classification of vegetation types on the Kaibab National Forest using decision trees

Traditional land classification techniques for large areas that use Landsat Thematic Mapper (TM) imagery are typically limited to the fixed spatial resolution of the sensors (30 m). However, the study of some ecological processes requires land cover classifications at finer spatial resolutions. We model forest vegetation types on the Kaibab National Forest (KNF) in northern Arizona to a 10-m spatial resolution with field data, using topographical information and Landsat TM imagery as auxiliary variables. Vegetation types were identified by clustering the field variables total basal area and proportion of basal area by species, and then using a decision tree based on auxiliary variables to predict vegetation types. Vegetation types modelled included pinyon-juniper, ponderosa pine, mixed conifer, spruce- and deciduous-dominated mixes, and openings. To independently assess the accuracy of the final vegetation maps using reference data from different sources, we used a post-stratified, multivariate composite estimator. Overall accuracy was 74.5% (Kappa statistic = 49.9%). Sources of error included differentiating between mixed conifer and spruce-dominated types and between openings in the forest and deciduous-dominated mixes. Overall, our non-parametric classification method successfully identified dominant vegetation types on the study area at a finer spatial resolution than can typically be achieved using traditional classification techniques.     

针对不平衡数据的过采样和随机森林改进算法

针对数据不平衡带来的少数类样本识别率低的问题,提出通过加权策略对过采样和随机森林进行改进的算法,从数据预处理和算法两个方面降低数据不平衡对分类器的影响。数据预处理阶段应用合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)降低数据不平衡度,每个少数类样本根据其相对于剩余样本的欧氏距离分配权重,使每个样本合成不同数量的新样本。算法改进阶段利用Kappa系数评价随机森林中决策树训练后的分类效果,并赋予每棵树相应的权重,使分类能力更好的树在投票阶段有更大的投票权,提高随机森林算法对不平衡数据的整体分类性能。在KEEL数据集上的实验表明,与未改进算法相比,改进后的算法对少数类样本分类准确率和整体样本分类性能有所提升。     

基于多时相NDVI及特征波段的作物分类研究

时相和光谱特征信息在农作物种植分类提取方面具有十分重要的应用价值。以黑龙江大型农场--友谊农场为研究区域,利用4景不同时相的TM和SPOT卫星遥感影像,提取相应时相的NDVI时间谱图像数据作为新波段信息,在分析地物目标在相应影像各波段上光谱和时间特征的基础上,设计了决策树分类算法,通过对待分类影像进行系列阈值分割和掩膜处理,成功提取黑龙江友谊农场的大豆、玉米和水稻的种植信息,分类总体精度达到98.67%。