CHRIS 高光谱图像森林类型分类方法比较研究

以长白山为试验区,选择CHRIS/PROBA高光谱零度角遥感数据,在对其进行预处理的基础上,通过应用最大似然法(MLC)、最小距离法、支持向量机法(SVM)和光谱角填图法(SAM)等几种常用的高光谱遥感分类方法对影像进行森林类型分类。利用混淆矩阵对分类结果进行验证,结果显示:在高光谱遥感森林类型分类中,SVM总体分类精度最高,为84.60％;其次是MLC,为 83.53％,最小距离法73.81％,SAM 56.49％。Kappa系数从高到底为:SVM 0.78,MLC 0.77,最小距离法0.68,SAM 0.52。经过比较分析,得出SVM分类方法精度最高,这表明该方法用于高光谱遥感森林分类中的实用性和优越性。     

基于卷积神经网络的高分遥感影像单木树种分类

树种调查一直面临着成本高、效率低、精度不高等问题。利用遥感手段能大大提高树种类型调查的工作效率、节省成本;卷积神经网络(CNN)虽然已经在自然图像分类领域取得了许多突破,但是较少有人将CNN模型用于单木树种分类。基于上述考虑,搭建出CNN模型,并与高分遥感影像相结合,进行单木树种分类。在利用高分影像半自动化构建单木树种遥感影像样本集过程中,采用了影像冠层切片(CSI)圈定、人工标注、数据增强等方法;同时为了训练单木树种遥感影像样本集,对5个CNN模型进行针对性改写。通过对比分析发现:LeNet5_relu和AlexNet_mini都未取得最佳分类效果;GoogLeNet_mini56、ResNet_mini56和DenseNet_BC_mini56分别对不同的树种具有最佳分类效果;DenseNet_BC_mini56总体精度最高(94.14%),Kappa系数最高(0.90),是总体最佳分类模型。该研究证明了CNN在单木树种分类中的有效性,能为森林资源调查提供重要的解决方案。     

新世纪遥感与林业信息需求

举例说明遥感与林业信息需求的关系，分析了不同目的的信息需求类型，以及遥感所能满足的实际应用的可能性。对最近的林业遥感应用进行 了回顾和总结。引述实例来说明基于用户和市场需求的新的地球观测技术应是什么样的。结果表明，遥感技术的开发需要考虑能否解决信息需求问题、如何评价遥感数据生产和分发基础的问题，如何平衡从遥感数据获取林业资源信息的费用和效益问题等。最后对我国目前林业遥感应用中的问题进行了分析和探讨。     

EO-1 Hyperion高光谱数据的预处理

针对EO-1 Hyperion高光谱遥感数据的特点，在图像质量检查的基础上，对Hyperion图像进行了未定标和受水汽影响波段的去除、坏线修复、条纹去除、Smile效应降低、大气纠正等预处理，获得了较好质量的图像，为图像的进一步分析和实际应用提供了保障。结果表明图像大气纠正后光谱优化处理能进一步提高图像的质量。     

基于遥感数据的流域土壤侵蚀强度快速估测方法

以北京延庆县境内的妫水河流域为例, 提出了一种基于遥感数据的土壤侵蚀强度快速估测方法。首先, 利用遥感数据和植被指数模型提取流域内土地利用类型信息和植被覆盖度信息; 其次, 利用数字高程模型数据生成坡度图; 然后, 结合土壤侵蚀强度分级指标, 将坡度图与土地类型图、植被覆盖度图空间叠加, 判断和计算侵蚀强度等级, 结果获得了流域土壤侵蚀强度等级图; 最后, 计算了流域的年平均侵蚀模数。结果表明, 妫水河流域的土壤侵蚀以微度和轻度为主, 所占面积比例为74.88% , 极度和剧烈侵蚀很少, 不到总面积的2%。整个流域的年侵蚀模数估计为1 74611/ km ²·a。     

星载SAR影像辐射误差校正算法研究

从SAR影像辐射误差校正原理出发，发展了一种利用DEM和SAR地理编码模型计算地面散射面积和当地入射角，进而校正地形引起的辐射误差的算法，并对计算公式的推导过程进行了论述。通过研究实例对该校正算法的处理效果进行了分析，结果表明算法可以在一定程度上去除地形引起的辐射误差，而且该算法仅要求用户具备产生地理编码影像的能力，而不需要自己建立地理编码模型，因此具有一定的实际应用和推广价值。     

浅谈星载SAR的森林应用

浅谈星载ＳＡＲ的森林应用谭炳香（中国林科院资源信息所）一、引言微波遥感在森林方面的研究已有２０多年的历史（Ｒａｕｓｔｅ，１９９０）。起初ＳＡＲ的森林应用研究都是在机载条件下进行的。随着１９７８年Ｌ波段的ＳｅａｓａｔＳＡＲ发射、１９８１年ＳＩＲ—Ａ及１...     

PHI-3高光谱数据预处理

主要介绍PHI-3高光谱遥感数据从原始数据到产品这一阶段的预处理情况.针对该数据的特点,对原始数据进行了完整性处理、格式转换、辐射校正、暗电流处理、几何校正等预处理,获得了较好的图像,为数据的进一步处理和应用奠定了基础.     

机载激光雷达和高光谱组合系统的亚热带森林估测遥感试验

为了提高森林的类型识别及生物物理参数反演精度,采用国产机载激光雷达和高光谱组合系统(ALHIS),选择湖北典型亚热带森林开展了航空遥感试验,获取了试验区激光雷达点云、高光谱和CCD影像数据,提取了森林高度和优势树种类别信息。对数据的分析表明,激光雷达林分平均高的估测精度达到90.67%,激光雷达估测平均高与地面实测胸径加权平均高之间显著相关(R2=0.73,RMSE=1.29m)。按照优势树种分类结果进行统计,发现马尾松、栓皮栎和其它树种的林分平均高分别为9.62m、9.30m、8.79m,不同树种之间的林分平均高相差不大。高光谱优势树种识别总体精度达到82.00%(Kappa=0.70),试验区森林和非森林面积所占比例分别为60.01%和39.99%,马尾松、栓皮栎和其它树种面积在森林中所占比例分别为59.77%、24.99%和15.23%。试验证明,ALHIS能够同时获取高分辨率的植被遥感特征数据,以用于森林制图、优势树种/树种组识别、碳储量估算及生态环境建模等研究。     

多分类器组合森林类型精细分类

针对高光谱遥感数据树种识别精度不高,现有多分类器组合策略难以避免人为因素干扰的问题,利用自适应权值模型组合2种机器学习算法,有效改善森林类型精细识别精度。研究综合利用影像的光谱和纹理特征、地形特征及森林类型外业调查样本数据,采用分层分类的策略,分别利用支撑向量机(support vector machine,SVM)和随机森林算法(random forest classifier,RFC)对森林类型进行精细识别;为进一步提高森林类型识别精度,采用自适应权值组合模型综合2种分类器,并采用分层随机抽样的独立检验样本进行精度验证。结果表明,自适应权值组合模型可综合不同分类器的优势,避免人为因素干扰且提高识别精度和稳定性,对高分五号(GF-5)星载高光谱遥感数据应用具有借鉴意义和参考价值。