基于高分辨率影像的近海养殖区的一种自动提取方法

近海养殖调查在海岸带资源开发利用规划、环境保护与沿岸海上交通规划中处于重要地位。利用遥感技术开展近海养殖调查与分析,是当前的海岸带与湿地遥感的热点方向之一。以福建省宁德市三都澳海区为实验区,在分析近海养殖的渔排和海带/紫菜养殖区光谱特征的基础上,建立用于近海养殖区快速检测的光谱特征指数,在此基础上利用统计均值纹理与阈值检测算法,并结合近海养殖区的几何形状判断,实现了不同类型近海养殖区的高精度自动提取。实验结果表明:该方法能够快速准确地监测不同类型养殖区的分布情况,总体检测精度达到90%以上,可以为管理部门科学地规划管理海岸带养殖区提供有效的信息支持和辅助决策分析。     

一种网箱养殖区自动提取方法

网箱养殖区的动态监测与分析是水库环境监测的一项重要指标。鉴于网箱养殖区在影像中存在较弱的光谱和形状规律性,自动提取难度较大,提出了一种综合基于像元和面向对象优势的自动提取方法。首先,通过优化归一化差分水体指数(optimized normalized difference water index,ONDWI)将水体(包含网箱养殖区)与陆地分离;然后,利用基于比值指数的纹理特征分析法,将网箱养殖区(包含小岛及其他干扰项)与自然水体分离;最后,基于简化的区域分割算法,同时顾及网箱养殖区的形状特征将其与小岛及其他干扰项分离,最终实现网箱养殖区的精准提取。实验结果表明,该方法能够较为完整地提取出全部网箱养殖区,提取精度为88.1%,高于最小距离法(73.8%)和最大似然法(42.9%),且较好保留了网箱养殖区规则的形态特征。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于随机森林算法的冬小麦提取研究

全球气候变化对粮食安全和农业可持续发展造成威胁,冬小麦作为全球重要粮食作物之一,其快速和准确的信息提取对保障区域粮食稳定具有重要意义。采用在农作物识别和提取领域具有明显优势的随机森林算法,结合典型冬小麦种植区光谱特征、纹理特征和主成分特征实现了30m空间分辨率遥感影像下的冬小麦地块的特征选择和快速提取,并分析了不同特征空间组合方式下的提取效果。研究表明:在"光谱特征"、"光谱特征+纹理特征"、"光谱特征+纹理特征+主成分特征"3种特征空间组合下,第3种组合方式下的冬小麦提取效果最佳,总体精度可达到84.85%,分别高于前两种方式8.08%和6.88%。因此,利用随机森林算法结合多源特征信息,可以有效实现特定农作物如冬小麦的快速提取,并为区域作物进一步应用研究提供有效数据支撑。     

基于随机森林算法的冬小麦提取研究北大核心CSCD

全球气候变化对粮食安全和农业可持续发展造成威胁,冬小麦作为全球重要粮食作物之一,其快速和准确的信息提取对保障区域粮食稳定具有重要意义。采用在农作物识别和提取领域具有明显优势的随机森林算法,结合典型冬小麦种植区光谱特征、纹理特征和主成分特征实现了30m空间分辨率遥感影像下的冬小麦地块的特征选择和快速提取,并分析了不同特征空间组合方式下的提取效果。研究表明:在"光谱特征"、"光谱特征+纹理特征"、"光谱特征+纹理特征+主成分特征"3种特征空间组合下,第3种组合方式下的冬小麦提取效果最佳,总体精度可达到84.85%,分别高于前两种方式8.08%和6.88%。因此,利用随机森林算法结合多源特征信息,可以有效实现特定农作物如冬小麦的快速提取,并为区域作物进一步应用研究提供有效数据支撑。     

基于关联规则的裙带菜筏式养殖遥感识别方法

筏式养殖裙带菜监测是大连地区遥感监测的重要应用之一,寻求一种快速准确的识别方法从而及时掌握裙带菜养殖的分布范围、面积、数量等基础信息,对地方政府调控产业发展起到关键作用。引入数据挖掘技术,利用Landsat TM数据源,开展基于关联规则的裙带菜筏式养殖信息提取方法研究,并在大连金石滩附近海域进行实验论证。应用数据挖掘关联规则分析方法,找出筏式养殖区和海水分类的知识规则,并通过该规则构建分类树提取养殖信息,最后结合筏式养殖形态特征对得到的分类结果进行噪声去除后,得到最终的分类结果。结果表明:该方法的总体识别准确度可达80%,与最大似然分类结果相比识别准确度提高11.64%,该方法能够满足监测基本需求,具备一定的可行性。     

安徽省利辛县平原区人工林树种分类研究

快速准确地绘制平原区人工林树种分布对研究人工林的生态水文和社会经济效益具有重要的意义。将资源3号（ZY-3）全色波段分别同ZY-3多光谱、哨兵2号多光谱进行融合,在图像分割基础上提取变量,采用分层优化变量组合的随机森林分类方法对安徽省利辛县人工林树种进行分类,并与分类回归树和随机森林相比较。结果表明：利用分层分类方法,平原区的人工林树种分类精度可以达到92%以上;基于哨兵2号和ZY-3融合的光谱特征变量分类精度比 ZY-3 数据本身的融合提高了2.49% ~ 2.91%;而分别加入纹理变量后,分层分类方法大幅度提高了树种分类精度。因此,基于高分辨率遥感数据的光谱和纹理特征,采用分层分类方法,可以有效提高平原区人工林树种的分类精度。     

基于高分辨遥感数据的胡杨与柽柳树冠提取

胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:1光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;2面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法"同物异谱、异物同谱"造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。     

竹资源专题信息提取纹理特征量构建研究

在"同物异谱""异物同谱"问题较为严重的区域,单纯利用光谱信息难以有效地提取出竹资源专题信息。研究以ALOS影像为数据源,以南方多山县顺昌为试验区域,在考虑海拔、坡向、坡度等地形因子的前提下,通过分析竹、马尾松、杉木和其他树种等典型植被的纹理特征差异,构建了最佳纹理量,在此基础上,分别利用基于像元与面向对象的监督分类方法进行竹资源专题信息提取。经精度验证,提取的总体精度分别为71.5%、74.0%,说明:单纯利用纹理特征量亦能使竹资源专题信息的提取精度达到与单纯利用光谱信息相当的水平;通过最佳纹理量的构建,可以较有效地利用地物的纹理信息,从而更有效地利用遥感影像丰富的信息;实践证明了纹理特征量用于竹资源专题信息提取的可行性,为综合利用光谱与纹理信息进行专题信息提取的研究提供了实例支撑和技术参考,可以预见,基于光谱、纹理特征和地形因子的竹资源专题信息提取精度将得到进一步提高;在纹理特征量构建基础上进行竹资源专题信息提取,面向对象的监督分类较之于传统基于像元的监督分类的精度稍高,连续性更好。     

山东省寿光市滨海地区盐田信息提取方法研究

山东省寿光市滨海地区盐田水体因含盐度高,其光谱特征与海域水体及其他地物差异大,光谱特征显著;盐田系人为建造,排列整齐\,几何特征明显,遥感影像上表现为纹理特征显著(棋盘状纹理、条纹状纹理),纹理指标可计算性强。首先采用缨帽变换方法增强光谱信息,采用定向滤波及灰度共生矩阵方法增强纹理信息;其次基于增强的光谱与纹理信息,采用以面向应用为目的的感兴趣地物提取方法对研究区TM图像进行分类,将分类结果与仅依据纯光谱及仅依据纯纹理分类结果相对比,分类总体精度分别为90.8985%、84.9102%和60.4017%。结果表明:以面向应用为目的的感兴趣地物提取方法分类精度最高。     

一种海上养殖网箱的无人巡检方法研究

针对海上养殖网箱人工巡检的成本高、风险大的问题,以海上河鲀养殖网箱监测为应用背景,提出了一种无人化网箱巡检的新方法,该方法利用无人机俯视观测法,并结合日常网箱养殖状态信息,可高效地完成基础养殖数据采集任务。在无人机拍摄的视频数据基础上,提取关键帧,利用卷积神经网络HED(Holistically-nested edge detection )进行边缘检测作为图像预处理,起到降低图像冗余信息,得到清晰网箱边缘信息的作用,在此基础上将边缘图二值化并提取目标区域,提出了相应的自适应阈值选取规则,最后根据改进的Tamura纹理特征对网箱养殖区进行数据有效性的判断。该方法结合深度学习方法与传统图像检测技术,具有较强的环境自适应性和较高的准确性。最终以大连天正实业有限公司大李家红鳍东方鲀养殖场的养殖网箱作为实验对象,海上河豚养殖网箱提取的准确度为97%,信息的有效性判断准确度为97.1。     

利用高分二号数据提取香蕉林信息及精度分析

针对海南农田地块细碎以及多云多雨气候条件下获取多时相的高质量卫星影像往往存在困难等问题,提出了一种利用单时相高分二号高分辨率卫星影像和随机森林算法的香蕉林信息提取方法。主要通过从高分辨率遥感影像中提取香蕉林的光谱和纹理等特征变量,然后利用综合不同光谱与纹理特征变量的随机森林分类算法进行香蕉林信息提取,并与以往的支持向量机分类算法进行了精度对比。结果表明,综合光谱和纹理信息的随机森林分类算法提取香蕉林空间分布结果最优,提取的香蕉林制图精度(PA)达到93.56%,用户精度(UA)达到87.43%;相比于支持向量机分类算法,PA和UA分别提高了11.99%和7.55%;相比只考虑光谱信息的随机森林分类算法,考虑纹理信息的随机森林分类算法提取的香蕉林PA提高了7.41%,UA提高了16.80%。研究结果可为人工园林的遥感信息提取提供技术参考。     

基于残差3DCNN和三维Gabor滤波器的高光谱图像分类

高光谱图像含有数百个波段,包含丰富的光谱信息,因此被广泛应用于地物分类中,但仍存在 着维数灾难的问题。高光谱图像中同时也含有丰富的纹理信息,有效利用纹理信息能够显著提高分类精度。三 维 Gabor 滤波器不仅能够保留图像丰富的光谱信息,还能提取到图像的纹理特征。为了充分利用高光谱图像的 特征,提出一种基于三维 Gabor 和残差三维卷积神经网络(Res-3DCNN)的分类方法。三维卷积神经网络(3DCNN) 能够直接对三维立方体数据进行处理,提取到深层纹理-光谱信息,然而随着网络层的加深会产生网络退化问 题,因此利用残差思想对 3DCNN 模型进行改进。在 PaviaU,Indian Pines 和 Salinas 3 个公共高光谱图像数据 集上进行实验,分别取得 99.17%,97.40%,98.56%的平均分类精度,结果表明该方法能有效提高高光谱图像 的地物分类精度。     

南方地区竹资源专题信息提取研究

以顺昌县为研究区域,探讨利用遥感影像提取我国南方地区竹资源专题信息的技术。通过分析竹资源与其它林地在TM影像上的光谱特征差异,采用最大似然法和叠加、掩膜等处理方法,实现提取竹资源专题信息的光谱片层分割。在此基础上,基于灰度共生矩阵,分析竹资源与其它林地的纹理特征差异,提出“基于光谱片层-面向纹理类”的竹资源专题信息提取技术。研究结果表明,采用该技术,竹资源专题信息提取精度可达84.8%,在我国南方地区具有较好的可行性和优越性。     

结合光谱、纹理及地形特征的森林生物量建模研究

一些纹理测度已经发展起来并用于提高土地覆盖分类精度,但是利用纹理测度来提高森林地上生物量估算且精度已得到验证的研究却少有,纹理与生物量的关系没能得到很好地阐述。鉴于此,本文在对SPOT5 HRG影像进行正射校正及大气校正基础上,进行光谱特征变换和基于灰度共生矩阵分4个方向、不同窗口尺寸进行9个纹理测度提取。结合研究区地形特征,分别对5个森林类型实现其生物量估算模型辨识与验证,结果表明:(1)少数纹理特征ME、VA在森林生物量估算上是有效的并且是重要的,大多数纹理测度与生物量的关系不紧密;(2)纹理测度对针叶林空间形态的表达能力优于阔叶林;(3)地形因子中,坡度和高程相对于坡向而言,对提高生物量估算精度的贡献更大。     

结合导向滤波和最大概率的高光谱图像分类

针对利用滤波器提取高光谱图像的空间特征辅助光谱信息来提高高光谱图像分类精度的不足,提出导向滤波提取的空间纹理信息和最大概率结合的高光谱图像分类算法(SGD-SVM-GD)。鉴于空间纹理信息挖掘不足,该方法首先利用导向滤波提取由主成分分析降维后的高光谱图像空间纹理特征,然后将空间信息与光谱信息结合,交由支持向量机完成分类得到初始分类结果,最后结合导向滤波和概率最大化优化分类结果。实验表明,相比单纯使用光谱信息、纯空间信息和空谱结合的SVM分类方法以及边缘保持滤波的方法,所提出的SGDSVM-GD方法对高光谱图像的分类精度有较大提高,表明了该方法的有效性。     

CNN和三维Gabor滤波器的高光谱图像分类

卷积神经网络(CNN)具有强大的特征提取能力,能够有效地提高高光谱图像的分类精度.然而CNN模型训练需要大量的训练样本参与,以防止过拟合,Gabor滤波器以非监督的方式提取图像的边缘和纹理等空间信息,能够减轻CNN模型对训练样本的依赖度及特征提取的压力.为了充分利用CNN和Gabor滤波器的优势,提出了一种双通道CNN和三维Gabor滤波器相结合的高光谱图像分类方法Gabor-DC-CNN.首先利用二维卷积神经网络(2D-CNN)模型处理原始高光谱图像数据,提取图像的深层空间特征;同时利用一维卷积神经网络(1D-CNN)模型处理三维Gabor特征数据,进一步提取图像的深层光谱-纹理特征.连接2个CNN模型的全连接层实现特征融合,并将融合特征输入到分类层中完成分类.实验结果表明,该方法能够有效地提高分类精度,在Indian Pines,Pavia University和Kennedy Space Center 3组数据上分别达到98.95%,99.56%和99.67%.     

基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：①使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;②从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;③采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。