基于多源遥感数据的生姜种植面积提取研究

这是一篇关于生姜面积,遥感监测,多源数据,特征优选,GEE的论文, 主要内容为生姜是我国经济价值较高的优势特色蔬菜,也是我国最具国际竞争力的出口农产品之一。而生姜市场经常受到国际贸易环境、信息闭塞等因素影响,致使价格波动频繁,进而影响着生姜种植面积。生姜种植面积是支撑生姜产业的基础要素,准确获取生姜的种植面积和空间分布等信息对于生姜生产指导、灾害预警和政策制定等具有重要意义。针对莱芜地区复杂种植模式下生姜的遥感识别研究相当匮乏,且现有的关于其面积和空间分布的信息大多依赖于统计数据,导致了效率低、精度不高等问题。基于此,以莱芜生姜为研究对象,通过深入分析其种植特征及栽培管理特点,借助GEE平台和ENVI等遥感应用软件,结合Sentinel-2和Planet影像等多源遥感影像,采用随机森林、支持向量机等方法提取2022年莱芜区内的生姜种植面积和空间分布,并通过相关辅助数据对提取效果进行评估与验证。本文开展的主要工作和结果如下:(1)基于单时相卫星影像的生姜种植面积提取研究结合莱芜区生姜栽培管理特点及其独特种植模式,基于筛选所得的6景Sentinel-2和Planet观测影像,利用四个原始波段和五种衍生的植被指数作为特征因子,结合随机森林分类方法用于生姜面积提取,得到莱芜区的生姜种植面积为4964.6公顷;Planet影像比Sentinel-2影像提取的结果更接近实际数据,其总体分类精度最高为87.37%;且通过对比判定10月15日为生姜面积提取的较佳日期。(2)基于Sentinel-2和Planet影像融合的生姜种植面积提取研究为保留Sentinel-2与Planet的光谱和空间优势,并获取带有红边波段的高分辨率影像,使用加权解混和多分辨率多光谱估计的超分辨率方法进行影像融合处理,继而对包含构建的累积波段、7个原始光谱波段以及7个遥感指数在内的15个特征因子进行特征权重评估,结合顺序正向选择法筛选权重大的特征因子作为生姜识别的最优特征组合并构建生姜遥感识别模型。对比判定出最优特征组合模型提取效果较优,提取得到的生姜面积为4810.9公顷,总体分类精度为93.2%,Kappa系数在0.83-0.91之间。(3)基于黑色遮阴网指数的生姜种植面积提取研究为精确提取使用平铺式黑色遮阴网的生姜地块的面积,选用生姜生长季早期和中期融合影像数据,利用累积波段差异构建黑色遮阴网指数以增大地块之间的光谱差异,结果显示使用平铺式黑色遮阴网的区域指数值较高,通过对可分离性指标M分析可对两种地块进行有效分离且通过最大类间方差法确定了该指数的阈值为0.8165。使用随机森林和支持向量机算法对平铺式黑色遮阴网地块进行识别,结果表明使用平铺式黑色遮阴网地块的生姜面积约为1804.1公顷;基于随机森林算法的莱芜区大王庄镇研究区的识别精度最高,总体分类精度达到94.66%,用户精度达到92.54%。

基于多源遥感数据的生姜种植面积提取研究

这是一篇关于生姜面积,遥感监测,多源数据,特征优选,GEE的论文, 主要内容为生姜是我国经济价值较高的优势特色蔬菜,也是我国最具国际竞争力的出口农产品之一。而生姜市场经常受到国际贸易环境、信息闭塞等因素影响,致使价格波动频繁,进而影响着生姜种植面积。生姜种植面积是支撑生姜产业的基础要素,准确获取生姜的种植面积和空间分布等信息对于生姜生产指导、灾害预警和政策制定等具有重要意义。针对莱芜地区复杂种植模式下生姜的遥感识别研究相当匮乏,且现有的关于其面积和空间分布的信息大多依赖于统计数据,导致了效率低、精度不高等问题。基于此,以莱芜生姜为研究对象,通过深入分析其种植特征及栽培管理特点,借助GEE平台和ENVI等遥感应用软件,结合Sentinel-2和Planet影像等多源遥感影像,采用随机森林、支持向量机等方法提取2022年莱芜区内的生姜种植面积和空间分布,并通过相关辅助数据对提取效果进行评估与验证。本文开展的主要工作和结果如下:(1)基于单时相卫星影像的生姜种植面积提取研究结合莱芜区生姜栽培管理特点及其独特种植模式,基于筛选所得的6景Sentinel-2和Planet观测影像,利用四个原始波段和五种衍生的植被指数作为特征因子,结合随机森林分类方法用于生姜面积提取,得到莱芜区的生姜种植面积为4964.6公顷;Planet影像比Sentinel-2影像提取的结果更接近实际数据,其总体分类精度最高为87.37%;且通过对比判定10月15日为生姜面积提取的较佳日期。(2)基于Sentinel-2和Planet影像融合的生姜种植面积提取研究为保留Sentinel-2与Planet的光谱和空间优势,并获取带有红边波段的高分辨率影像,使用加权解混和多分辨率多光谱估计的超分辨率方法进行影像融合处理,继而对包含构建的累积波段、7个原始光谱波段以及7个遥感指数在内的15个特征因子进行特征权重评估,结合顺序正向选择法筛选权重大的特征因子作为生姜识别的最优特征组合并构建生姜遥感识别模型。对比判定出最优特征组合模型提取效果较优,提取得到的生姜面积为4810.9公顷,总体分类精度为93.2%,Kappa系数在0.83-0.91之间。(3)基于黑色遮阴网指数的生姜种植面积提取研究为精确提取使用平铺式黑色遮阴网的生姜地块的面积,选用生姜生长季早期和中期融合影像数据,利用累积波段差异构建黑色遮阴网指数以增大地块之间的光谱差异,结果显示使用平铺式黑色遮阴网的区域指数值较高,通过对可分离性指标M分析可对两种地块进行有效分离且通过最大类间方差法确定了该指数的阈值为0.8165。使用随机森林和支持向量机算法对平铺式黑色遮阴网地块进行识别,结果表明使用平铺式黑色遮阴网地块的生姜面积约为1804.1公顷;基于随机森林算法的莱芜区大王庄镇研究区的识别精度最高,总体分类精度达到94.66%,用户精度达到92.54%。

基于多源遥感数据的生姜种植面积提取研究

这是一篇关于生姜面积,遥感监测,多源数据,特征优选,GEE的论文, 主要内容为生姜是我国经济价值较高的优势特色蔬菜,也是我国最具国际竞争力的出口农产品之一。而生姜市场经常受到国际贸易环境、信息闭塞等因素影响,致使价格波动频繁,进而影响着生姜种植面积。生姜种植面积是支撑生姜产业的基础要素,准确获取生姜的种植面积和空间分布等信息对于生姜生产指导、灾害预警和政策制定等具有重要意义。针对莱芜地区复杂种植模式下生姜的遥感识别研究相当匮乏,且现有的关于其面积和空间分布的信息大多依赖于统计数据,导致了效率低、精度不高等问题。基于此,以莱芜生姜为研究对象,通过深入分析其种植特征及栽培管理特点,借助GEE平台和ENVI等遥感应用软件,结合Sentinel-2和Planet影像等多源遥感影像,采用随机森林、支持向量机等方法提取2022年莱芜区内的生姜种植面积和空间分布,并通过相关辅助数据对提取效果进行评估与验证。本文开展的主要工作和结果如下:(1)基于单时相卫星影像的生姜种植面积提取研究结合莱芜区生姜栽培管理特点及其独特种植模式,基于筛选所得的6景Sentinel-2和Planet观测影像,利用四个原始波段和五种衍生的植被指数作为特征因子,结合随机森林分类方法用于生姜面积提取,得到莱芜区的生姜种植面积为4964.6公顷;Planet影像比Sentinel-2影像提取的结果更接近实际数据,其总体分类精度最高为87.37%;且通过对比判定10月15日为生姜面积提取的较佳日期。(2)基于Sentinel-2和Planet影像融合的生姜种植面积提取研究为保留Sentinel-2与Planet的光谱和空间优势,并获取带有红边波段的高分辨率影像,使用加权解混和多分辨率多光谱估计的超分辨率方法进行影像融合处理,继而对包含构建的累积波段、7个原始光谱波段以及7个遥感指数在内的15个特征因子进行特征权重评估,结合顺序正向选择法筛选权重大的特征因子作为生姜识别的最优特征组合并构建生姜遥感识别模型。对比判定出最优特征组合模型提取效果较优,提取得到的生姜面积为4810.9公顷,总体分类精度为93.2%,Kappa系数在0.83-0.91之间。(3)基于黑色遮阴网指数的生姜种植面积提取研究为精确提取使用平铺式黑色遮阴网的生姜地块的面积,选用生姜生长季早期和中期融合影像数据,利用累积波段差异构建黑色遮阴网指数以增大地块之间的光谱差异,结果显示使用平铺式黑色遮阴网的区域指数值较高,通过对可分离性指标M分析可对两种地块进行有效分离且通过最大类间方差法确定了该指数的阈值为0.8165。使用随机森林和支持向量机算法对平铺式黑色遮阴网地块进行识别,结果表明使用平铺式黑色遮阴网地块的生姜面积约为1804.1公顷;基于随机森林算法的莱芜区大王庄镇研究区的识别精度最高,总体分类精度达到94.66%,用户精度达到92.54%。

基于多源遥感数据的森林树种分类研究

这是一篇关于树种分类,特征优选,集成学习,多源数据,影像融合的论文, 主要内容为森林作为陆地生态系统的主体,不仅在保持生物多样性、调节全球气候、维持生态平衡以及全球碳水循环等方面均起着至关重要的作用,而且对人类社会、经济和环境的永久循环利用具有不可替代的作用。为了科学、合理经营管理森林资源,了解和掌握森林资源的种类、数量和空间分布等信息是必不可少,而基于卫星遥感影像的森林树种自动识别可以快速获取这些信息。因此,利用经济的卫星遥感数据及其他辅助数据,建立适用于大区域的森林分类系统,进而获得高空间分辨率的森林树种类型分类图至关重要。本文以广西柳州市及鹿寨县为研究区,Sentinel-2与ZY1-02D遥感影像为数据源,首先基于多光谱遥感影像进行森林树种分类研究,构建了多特征组合方案、特征因子提取及不同分类模型,并对不同特征和机器模型对树种分类精度影响评价,确定了适合树种分类的辅助数据特征因子;其次,基于高光谱遥感影像进行森林树种分类研究,基于不同高光谱降维方法对高光谱波段降维,并基于不同集成学习模型进行森林树种分类,评价了不同降维方法的性能及不同集成学习方法的分类性能;最后,将分类最优结果的高光谱数据集、多光谱影像与全色影像图基于不同方法像元融合提高影像分辨率,并与适合树种分类的辅助数据融合进行森林树种分类,通过不同研究方案对比,以生成最佳研究区的森林树种分类空间分布图。主要结论如下:(1)Sentinel-2图像与辅助数据的结合应用可以提高森林树种的分类精度,在16个特征组合模型中,基于特征优选的模型分类精度最高,最高总体精度为82.69%。从Sentinel-2图像中提取的光谱反射率和光谱指数可用于森林树种分类,但纹理特征的价值有限,甚至可能为负。辅助数据,特别是地形特征、紫外线气溶胶指数、物候特征、NO2浓度特征、地形多样性特征、降水特征、温度特征和多尺度地形位置指数等特征,对提高森林树种分类的准确性具有重要作用。使用RF、GTB、SVM和CART算法对Sentinel-2图像森林树种分类,RF算法的分类准确率最高,总体准确率为82.69%,kappa系数为0.80,总体准确率分别比GTB、SVM和CART高0.14%、11.02%和11.70%。(2)采用不同高光谱特征降维方法对高光谱影像降维,并结合集成学习算法通过不同方案进行树种分类,方案最高总体精度达84%。使用PCA、ICA、BS-Net-FC和BS-Net-CONV四种方法对ZY1-02D高光谱影像特征降维得到相应数据集,BS-NetCONV方法得到的数据集总体上分类精度较高,得到的波段更适用于树种的分类,其次PCA、ICA和BS-Net-FC方法得到的数据集最高分类精度也能达到80%以上,表明了这些方法应用于国产卫星高光谱数据特征降维是可行的。另外使用Bagging、Boosting、Stacking和Voting四种集成算法对降维数据集进行森林树种分类,Voting算法的分类准确率整体最高,最高的总体精度为84%。用最高总体精度对比,分别比Bagging、Boosting和Stacking高1%、2%和2%。(3)通过不同影像融合方法融合影像提高影像分辨率,并对比不同多源数据融合的分类方案研究,最优树种分类方案的总体精度达到85.93%。使用GS、NND和PC融合方法对ZY1-02D优选波段高光谱影像、多光谱影像与全色米级空间分辨率影像的融合对比研究,其中GS融合方法的融合影像质量综合评价结果比较好,图像清晰度较高,能更好的保留原影像的特征。通过多光谱、优选高光谱影像以及它们各自融合影像的不同分类方案对比研究,结果显示高光谱与全色GS融合+辅助数据的方案分类总体精度最高,为85.93%,Kappa系数为0.84,相较于未加入辅助数据前总体精度提升了5.55%,Kappa系数提高了0.08。

基于机器学习的鄱阳湖湿地受淹植被遥感监测方法研究

这是一篇关于鄱阳湖,受淹植被,特征优选,机器学习,深度学习,模型改进,遥感监测的论文, 主要内容为湿地是对人类和自然都至关重要的生态系统,提供了许多有益的生态系统服务。然而,气候变化和人类活动等都以不同方式影响着湿地的水文系统和生态功能,导致了湖泊湿地面积减少,植被衰退等巨大生态挑战。《全国湿地保护规划(2022—2030年)》指出,提升湿地监测监管能力水平,对于保护湿地的生态系统质量和稳定性尤为重要。在诸多湿地景观类型中,受淹植被(Flooded Vegetation,FV)因季节性的洪水淹没而广泛分布在河流、湖泊洪泛湿地系统,对湿地生态系统结构稳定和功能完整具有重要影响。尽管遥感技术广泛用于FV的监测研究中,但由于FV所处地理环境复杂多变,传统方法处理流程复杂繁琐,限制了FV精准监测和湿地生态有效保护。机器学习被广泛应用于遥感图像分析任务,基于机器学习的FV监测方法研究有助于拓展湿地监测方法技术,提高湿地资源评估、监测和管理水平,为湿地生态系统的研究和保护提供重要参考。本文针对FV构建鄱阳湖土地覆盖分类体系,基于Sentinel-1A、Landsat8和DEM等多源遥感数据构建光谱波段特征、植被指数、水体指数、雷达特征、地形特征,采用随机森林分类器对鄱阳湖参与分类的不同特征变量重要性进行评价及优选,构建4种特征变量集组合方案。基于支持向量机、随机森林、梯度提升树3种机器学习方法对4种特征变量集组合方案进行训练及精度评价。选取最优的组合方案及机器学习算法的分类结果进行地物修正,制作深度学习数据集的同时对数据集进行增广。将构建的数据集在Deep Lab V3+、U-Net、Swin-Unet、改进的Deep Lab V3+网络上进行训练、评价与分析,探究面向湿地FV的机器学习有效监测方法,深化和拓展鄱阳湖湿地和洪水监测研究,为湿地生态管理和保护提供决策支撑。本文的主要研究结果如下:(1)FV特征指数优选及方案组合。为了探究光学影像、雷达影像以及多源遥感数据对鄱阳湖FV信息提取的影响,本文针对FV构建鄱阳湖地表覆盖分类体系,构建光谱波段特征、植被指数、水体指数、雷达特征指数及地形特征等多个特征变量集,通过随机森林袋外误差对特征变量进行优选及排序,构建了4种特征变量集组合方案(方案1:光谱特征+植被指数+水体指数;方案2:雷达特征;方案3:光谱特征+植被指数+水体指数+雷达特征;方案4:优选的特征变量集)。在鄱阳湖地表分类过程中,特征变量集的重要性评分排序为植被指数>水体指数>光谱波段特征>雷达特征指数>地形特征。鄱阳湖地物分类中的特征重要性评分与地物间的可分离性相关,地物之间的可分离性越好,得分越高。优选的特征变量集为NDWI、SAVI、NDVI、B4、VH、SDWI、EVI、FAI、B1、B2、RV、B3、VV。(2)基于机器学习算法的FV特征组合方案优选及深度学习数据集构建。为了选取最佳的特征组合方案及分类器构建深度学习方法分类标签数据集并对原始数据集进行增广。本文基于随机森林、支持向量机、梯度提升树3种机器学习模型对4种特征变量集组合方案进行精度评价,总体精度及Kappa系数排序为方案3>方案4>方案1>方案2,综合来看方案4分类性能更为优秀。机器学习分类器性能排序为随机森林>梯度提升树>支持向量机,各类地物的F1-Score排序为水体>FV>其他地物>植被。研究发现仅使用光谱特征或雷达特征的机器学习方法均难以实现鄱阳湖湿地的高效、精准分类;融合两者信息则可以有效提升地物的提取精度,显著提高湿地FV监测效率。更为重要的是,经过特征指数优选后的机器学习算法既减少了特征冗余,又增强了地物的识别能力。(3)基于DeepLabV3+的神经网络模型改进及精度评价。为了提高FV提取精度,本文使用Mobile Net V2、Seg Former、卷积注意力和全局注意力模块对Deep Lab V3+模型改进。本文构建2分类优选特征变量A数据集、多分类优选特征变量B数据集、2分类雷达特征变量(VV、VH、SDWI、NDI、CR)C数据集、多分类雷达特征变量D数据集(VV、VH、SDWI、NDI、CR)4个深度学习数据集。通过U-Net、Deep Lab V3+、SwinUnet、改进的Deep Lab V3+模型对相同的数据集进行训练、验证、测试,并定性定量对比分析不同模型对FV的提取效果。在A、B、D数据集上本文改进的Deep Lab V3+模型在总体精度、准确度、召回率、F1-Score、MIOU均优于U-Net、Deep Lab V3+、Swin-Unet模型。改进的Deep Lab V3+模型在A数据集上模型精度最优,总体精度为93.58%、准确度为87.18%、召回率为84.79%、F1-Score及MIOU分别为85.77%、76.96%。其MIOU与UNet、Deep Lab V3+、Swin-Unet模型相比,分别上涨了5.36%、12.93%、10.21%。从模型尺寸上来看改进的Deep Lab V3+模型仅为75.8 M,与原始的Deep Lab V3+、U-Net及SwinUnet模型相比分别下降了135.9 M、42.7 M、31 M。综上所述,改进的Deep Lab V3+模型在轻量化网络的同时,也提高了模型对地物的识别能力。论文的主要创新点:本文针对鄱阳湖湿地FV有效监测问题,主要开展了特征变量优选、机器学习应用、深度学习算法改进等3方面工作。(1)研究筛选出了适用于鄱阳湖湿地FV提取的特征变量,发现常见机器学习算法中随机森林算法可有效监测湿地FV。(2)改进的Deep Lab V3+在提升湿地FV监测效率的基础上,减少了模型尺寸,可为鄱阳湖湿地FV监测提供支撑。

基于多源多时相遥感数据的林分类型分类研究

这是一篇关于森林分类,雷达特征,特征优选,随机森林,深度学习的论文, 主要内容为森林作为陆地最重要的生态系统,在生态平衡、经济建设以及水源涵养等方面发挥了巨大的价值。因此,进行森林资源的管理及监测具有重要意义。传统的森林资源调查成本高、难度大、效率低,而遥感技术大大提高了森林资源调查的效率,为森林类型识别提供了新的机遇。但遥感分类受到数据源、地物特征以及分类方法等因素影响,因此需要在数据源选取、特征提取与优选以及分类模型等方面进行探究。本文将黑龙江省孟家岗林场作为主要研究区,以多时相Sentinel-1 SAR、Sentinel-2以及GF-1影像为遥感数据源,综合数字高程模型(Digital Elevation Model,DEM)、CCD影像、二类调查小班数据以及实地调查数据,构建林场内的分类体系并结合林分类型物候特性,提取多时相光谱特征、植被指数、雷达特征、纹理特征以及地形因子,分析并优选有利于区分各类别的特征,构建多种分类特征组合,探究多源多时相数据下森林林分类型的分类效果以及不同特征优选算法下优选变量对分类精度的影响。同时,进一步探究深度学习方法(U-Net、SegNet、DeepLab V3+)在森林林分类型中的分类效果及适用性。主要研究内容和结论如下:(1)多源遥感影像的林分类型分类。通过分别对多时相Sentinel-1/2影像和GF-1影像的所有特征,采用随机森林方法进行分类实验,发现多时相Sentinel-1/2影像所有特征的分类精度为82.88%,比多时相GF-1影像所有特征精度高2.05%,说明丰富的光谱信息更加利于影像分类。同时,综合Sentinel-1 SAR影像、Sentinel-2影像以及GF-1影像的所有特征进行分类时,其精度达到83.33%,比采用单一数据源精度高。因此,综合多源影像数据有利于提高分类精度。(2)基于不同特征优选算法的多特征影像林分类型分类。针对多特征影像中可能存在冗余变量,对Sentinel-1/2影像所有特征、GF-1影像所有特征以及综合Sentinel-1/2和GF-1影像所有特征三种方案,分别采用VSURF、Boruta、RFE以及varSelRF四种特征优选算法进行变量筛选并采用随机森林方法分类,结果表明varSelRF方法优选变量的效果最好,能够减少冗余变量并提高模型精度。通过变量优选后三种方案分类精度分别提高了 0.32%、0.42%以及0.92%,表明特征优选能够避免变量冗余,从而提高模型效率。(3)基于U-Net模型的不同空间分辨率影像林分类型分类。对Sentinel-2影像光谱特征+DEM和GF-1影像光谱特征+DEM两种方案分别采用最大似然法、支持向量机、决策树、随机森林以及U-Net模型进行分类,结果表明两种方案中U-Net模型的精度明显优于其他分类方法;支持向量机次之,决策树精度最低。同时,基于Sentinel-2影像的U-Net模型精度比GF-1影像高4.5%,说明U-Net模型能够学习到影像丰富的多波段特征信息,进而提高精度。(4)基于深度学习方法的多源影像林分类型分类。通过结合多时相Sentinel-2影像和GF-1影像的光谱特征以及DEM数据,分别采用三种深度学习方法U-Net、SegNet和DeepLab V3+模型进行分类,并与传统的机器学习方法进行对比,结果表明三种深度学习方法的分类精度均比传统的机器学习方法高,其中U-Net模型的总体精度最高为86.08%;之后依次是DeepLab V3+、SegNet模型;传统的机器学习方法中最大似然法精度较高为80.55%,比随机森林高3.37%。深度学习模型能够自动学习并挖掘影像深层特征信息,减少椒盐噪声,有效地提高分类精度,为后续森林林分类型分类研究提供参考。