1 北京林业大学水土保持学院, 北京 100083
2 北京林业大学水土保持与荒漠化防治教育部重点实验室, 北京 100083
3 北京林业大学水土保持学院重庆缙云山三峡库区森林生态系统国家定位观测研究站, 北京 100083
4 中国林业科学研究院沙漠林业实验中心, 内蒙古 磴口 015200
防护林是我国荒漠绿洲区主要植被类型, 可为该地区防风固沙、 水盐调控、 水热平衡提供有力保障, 调查防护林空间分布信息十分重要。 然而荒漠绿洲防护林条带较窄、 斑块面积小、 分布广且零散, 不易大尺度准确提取。 为解决此难点, 以磴口县荒漠绿洲为研究区, 基于GF-2号遥感影像, 采用面向对象分类技术提取防护林空间分布信息。 分类前, 首先基于局部方差（LV）和LV变化率（ROC）曲线, 选取分割防护林的最优分割尺度。 然后采用随机森林（RF）算法的袋外误差率（OOB error）及基尼系数（Gini）对包含光谱、 形状和纹理的分类特征进行重要性评估并筛选特征、 优化模型参数; 最后, 基于随机森林、 CART决策树、 支持向量机（SVM）、 K近邻（KNN）四种分类器提取防护林空间分布信息并对比验证。 结果表明: (1）采用ROC-LV曲线方法相比于遍历分割参数, 可更客观更高效地筛选最优分割参数的可能值; (2）基于RF算法计算的袋外误分率和基尼系数可以有效筛除冗余特征, 配合分类器参数优化, 在保证分类精度的同时, 有效提高分类器性能, 大幅提升数据处理速度; (3）基于实测数据集对分类结果进行验证, 结果显示基于随机森林算法的特征优化结合SVM分类器提取的防护林空间分布信息精度最高, 生产者精度达到97.14%, 总体防护林面积为208.99 km2, 与实际210 km2接近, 在小区块中, SVM分类器的分类效果优于其他三种分类器; (4）因GF-2影像分辨率高, 并且含有近红外波段, 通过波段合成得到亚米级信息, 故基于面向对象的方法能够以单条林带为基本单位研究防护林林网属性, 例如提取断带信息等林网结构特征。 研究结论可为荒漠绿洲区带状防护林提取提供重要技术支撑。
防护林带识别 GF-2遥感影像 随机森林 面向对象 Shelterbelt extraction GF-2 remote-sensing imagery Random Forest Object-oriented 光谱学与光谱分析
2022, 42(12): 3896
1 西南林业大学大数据与智能工程学院,云南 昆明 650233
2 西南林业大学大数据与智能工程研究院,云南 昆明 650233
3 西南林业大学林业生态大数据国家林业与草原局重点实验室,云南 昆明 650233
云南茶园主要分布于山区, 往往与其他地物混合, 破碎化程度高, 给基于遥感的高精度茶园提取带来困难。 破碎化山地茶园的遥感识别能力有待进一步提高。 以西双版纳北部及普洱市南部山区为研究区, 以高分一号(GF-1)遥感影像为数据源, 基于易康(eCognition9.0)软件, 采用多尺度分割(MRS)方法对影像进行分割, 并通过ED3Modified评估影像的最优分割尺度。 首先构造了包括14个光谱特征、 6个纹理特征和3个空间特征的23维初始特征, 通过计算样本的分离度对分类特征空间进行优化, 确定了16维最优特征空间。 然后应用面向对象的监督分类方法[贝叶斯(Bayes)、 决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。 采用实地调查样点和随机点结合的方法对提取结果进行精度验证, 并比较了不同分类方法的茶园提取精度。 面向对象的监督分类[多分类(茶园、 森林、 农田、 不透水层、 水体)]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70), (DT: 88.52%, 0.72), (RF: 91.23%, 0.78)。 三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%), (DT: 68.84%, 83.83%), (RF: 70.54%, 87.13%); 相比于面向对象的RF多分类, 面向对象RF二分类(茶园、 其他地物)OA和Kappa系数分别提高了3.24%和0.07, 茶园提取的PA与UA分别提高了5.99%和5.61%; 相较于仅利用光谱特征的基于像元的RF多分类, 面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27, 茶园提取PA与UA分别提高了21.10%和29.03%。 结果表明: 采用面向对象的监督分类方法在对茶园提取方面有应用潜力, 尤其面向对象的RF分类精度更高, 二分类相较于多分类对于茶园提取更为精细和准确。 该方法对于复杂、 破碎山地茶园提取精度较高, 能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。
茶园 面向对象 纹理特征 空间特征 多光谱 监督分类 Tea plantations Object-oriented GF-1 Texture feature Spatial feature Multispectral Supervised classification GF-1 光谱学与光谱分析
2021, 41(8): 2565
1 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院大气光学重点实验室, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230022
3 安徽建筑大学环境与能源工程学院, 安徽 合肥 23061
为实现建筑物单体信息的高精度提取, 采用基于规则的面向对象方法, 提出了一种经图像预处理、多尺度分割、构建规则信息和特征提取的技术流程。以基于国产高分二号卫星的扬州市两个样本区 (佳家花园小区和联谊南苑小区) 为例对该方法进行了实验验证, 研究结果表明: 与传统方法相比, 新方法提取的效果更好、精度更高, 识别精度达到 97.7%, Kappa 系数为 0.93。
规则数据库 面向对象 信息提取 高分辨率遥感影像 建筑物 rule database object-oriented information extraction high resolution remote sensing image building 大气与环境光学学报
2021, 16(4): 358
1 东华理工大学放射性地质与勘探技术国防重点学科实验室, 江西 南昌 330013
2 东华理工大学测绘工程学院, 江西 南昌 330013
遥感图像分类是图像分析的重要步骤,其中分类后精度评定是判定图像分类效果的主要依据。目前,面向对象分类的精度评定常采用随机验证点作为评定参数,这样容易造成评定的分类结果精度不高。提出基于规则验证点的面向对象的分类精度评价方法,在使用支持向量机、CART(classification and regression tree)决策树和K最近邻进行分类的基础上,分别采用基于规则验证点和随机验证点的方法对分类结果进行精度评定。实验结果表明,所提出的方法比传统的基于随机验证点的方法得到的分类精度更高。三种分类方法在规则验证点下的最优总体分类精度分别达到了87.92%、91.94%和94.63%,均优于基于随机验证点的方法的精度评定结果。
测量 遥感图像 面向对象分类 规则验证点 精度评定 K最近邻 激光与光电子学进展
2020, 57(24): 241102
戴鹏钦 1,2,3,*丁丽霞 1,2,3,**刘丽娟 1,2,3董落凡 1,2,3黄依婷 3
1 省部共建亚热带森林培育国家重点实验室, 浙江 杭州 311300
2 浙江省森林生态系统碳循环与固碳减排重点实验室, 浙江 杭州 311300
3 浙江农林大学环境与资源学院, 浙江 杭州 311300
将深度学习和面向对象方法用于处理超高空间分辨率的无人机可见光影像,以期实现高精度的森林树种遥感分类。首先,利用面向对象方法对无人机影像进行最优尺度分割,基于对象提取特征变量,运用随机森林(RF)法对树种遥感分类,同时对参与分类的变量按重要性排序,并筛选出对分类贡献率最高的两个特征变量——可见光差异植被指数(VDVI)和过绿减过红指数(ExG-ExR)。然后,将这两个特征变量和无人机原始RGB波段融合生成新的数据,针对该数据与原始RGB波段数据,分别利用基于Res-U-Net模型的全卷积神经网络(FCN)方法进行树种分类,并对结果精度评价。最后,为了消除FCN法基于像元分类引起的缺陷,结合面向对象最优分割法对分类结果进行修正。实验结果表明,融合了VDVI和ExG-ExR的FCN方法对无人机影像的树种分类效果最好,总精度为97.8%,Kappa系数为0.970。RF法能够有效筛选分类特征变量,对原始影像添加特征变量能有效提高FCN方法的分类精度,再对面向对象分割结果进行修正,可以基本消除椒盐现象,减弱边缘效应,使总精度提高0.9个百分点,Kappa系数提高了0.013。
图像处理 树种分类 全卷积神经网络 无人机影像 面向对象 随机森林 特征变量 激光与光电子学进展
2020, 57(10): 101001
1 中国科学院太空应用重点实验室 中国科学院空间应用工程与技术中心, 北京 100094
2 中国载人航天工程办公室, 北京 100071
高原湖泊在反映全球气候变化背景下区域自然环境变迁方面具有重要意义。以新型国产遥感数据源天宫二号多光谱数据为基础采用面向对象方法, 结合水体指数和高程信息, 提出一种面向冻湖的自动提取算法。该算法充分考虑了不同形态的水体特性, 可以同时提取结冰和未结冰的湖泊, 并能够排除冰川、河流的影响。针对选定的7个典型区域, 采用自动提取算法进行湖泊提取试验, 并进行精度验证。湖泊提取整体精度达99.10%, F-score为0.982。结果表明: 天宫二号多光谱数据在高原湖泊提取方面具有较强应用潜力, 该数据作为一种有效的数据源, 可推广用于青藏高原地区湖泊提取与变化研究, 为研究区域气候变化提供数据支持。
青藏高原 天宫二号多光谱数据 冻湖提取 面向对象 Tibetan Plateau Tiangong-2 multi-spectral data extraction of frozen lakes object-oriented 红外与激光工程
2019, 48(3): 0303004
1 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京 100094
2 中国科学院大学, 北京 100049
3 南京大学中国南海协同创新中心, 江苏 南京 210023
4 中国海监南海航空支队, 广东 广州 510310
作为城市主体，建筑物信息的提取一直是国内外学者研究的热点。针对目前机载激光点云数据量大、建筑点云提取不完整等难题，提出一种面向对象构建决策树的建筑点云高精度提取方法。决策树可以同时处理多种数据属性，并且对缺失值不敏感，利用点云中每个对象属性与对应各个特征值之间的映射关系，结合每个激光脚点与其邻域关系、高程均值等特征，为决策树每个内部节点生成建筑物点的判定条件，然后比较所有分类特征对应的点集不确定性（熵），确定最优特征及最优候选值，有监督地从样本数据中学习得到正确的分类器，进而完成待处理点云中建筑物点的高精度提取。实验结果表明，本文方法能够从机载激光点云数据中有效提取建筑物点，准确率可达96%。
遥感 机载激光雷达 决策树 面向对象 监督学习 建筑物 激光与光电子学进展
2018, 55(8): 082803
中国科学院 西安光学精密机械研究所，陕西 西安 710119
针对面向对象的高光谱分类方法中分割参数设置问题，提出了一种基于区域增长技术的自适应高光谱分类算法。首先提出了带约束的区域增长方法，利用已知训练样本的空间信息，提供有效约束，从而降低区域增长过程中区域标记的错误传播率，以提高分类性能；其次，提出了自适应阈值计算方法，通过分析已知训练样本光谱的分布规律，自适应地计算出合理的区域划分阈值，从而代替经验阈值，提高算法的鲁棒性；最后，采用K近邻算法(KNN)，对划分后各区域中心进行分类。实验结果表明：对于不同图像，提出的算法计算出的自适应阈值均与其经验值相符合，且其分类效果优于其他算法，来自AVIRIS传感器的高光谱数据Indian Pines在10％的已知训练样本下总体分类精度达92.94％、kappa系数达0.919 5，来自ROSIS传感器的高光谱数据Pavia University在5％的已知训练样本下总体分类精度达95.78%、kappa系数达0.944 0。该算法不仅增强了算法的鲁棒性，同时有效提高了分类性能，在高光谱应用中具有较强的实用性。
高光谱 分类 面向对象 区域增长 自适应 hyperspectral classification object-oriented region-growing adaptive
1 中国科学院上海技术物理研究所，上海 200083
2 中国科学院大学，北京 100049
以上海海岸带为研究区域，以1985 ～ 2015年的 Landsat系列影像为数据来源，提出了一种关于海岸线遥感提取的新思 路。结合面向对象影像分割、阈值选取、边缘检测和潮位校正等过 程，分幅提取了研究区7个年份的海岸线。同时分析了近30年来 上海海岸线的变迁规律。结果表明，受自然和 人为两方面因素的影响，上海海岸线的变迁整体表现为岸线外推、海岸淤涨。海岸 线的总长度表现为上升态势：从1985年的176.54 km到2015年 的189.77 km，新增的岸线长度为13.23 km。该研究成果揭示了上海 海岸带的发展进程，为人们进一步提取和分析上海海岸带的土地利用 变化规律提供了数据基础和参考价值。
海岸线 遥感影像 面向对象分割 水陆分离 上海海岸带 coastline remote sensing image object-oriented segmentation separation of land and water Shanghai coast zone
