共查询到16条相似文献，搜索用时 100 毫秒
1.
针对传统分类方法易受到"同物异谱"和"同谱异物"影响，致使河口湿地覆盖分类精度较低的问题，提出一种基于遗传算法优化BP神经网络分类算法。以江苏省临洪河口湿地为研究区，选用哨兵Sentinel-2影像，经辐射校正、大气校正和图像裁剪等预处理后，构建基于自适应遗传算法优化的BP神经网络算法开展临洪河口湿地土地覆盖分类研究，并与传统BP神经网络、支持向量机和随机森林算法进行精度比较。研究结果表明：遗传算法优化后的BP神经网络算法开展河口湿地土地覆盖分类的总精度为96.162 7%，Kappa系数为0.952 0；与传统BP神经网络、支持向量机和随机森林分类算法的分类总精度相比，分别提高了7.359 7%、11.677 9%和6.042 4%；对应的Kappa系数也相应提高了0.090 8、0.118 0和0.074 8；有效解决了河口湿地土地覆盖分类精度低的问题。遗传算法优化后的BP神经网络可实现河口湿地土地覆盖的高精度分类，促进湿地资源的合理开发和保护，为实现海洋生态文明建设提供技术支撑。 相似文献
2.
联合光谱和纹理特征的滨海湿地高光谱深度学习分类—以黄河三角洲湿地为例 总被引：2，自引：0，他引：2
本文基于CHRIS高光谱遥感影像,发展了一种结合地物光谱特征和多纹理空间特征信息,采用双全链接的8层深度卷积神经网络分类算法对滨海湿地高光谱影像进行遥感地物分类,并在黄河口滨海湿地进行了应用。结果表明：1）基于测试样本数据,联合光谱特征和K-L变换的纹理特征信息,采用DCNN模型方法展现了高的分类精度,精度高达99%;2）利用光谱特征和全纹理特征的精度比仅使用光谱特征和光谱特征联合K-L变换后纹理特征的分类精度低。利用K-L变换后的光谱特征和纹理特征的DCNN分类精度达到99.38%,相比于使用全纹理特征信息的精度提高了4.15%;3）基于验证图像,发展的DCNN分类方法精度优于其他算法,DCNN方法总体分类精度为84.64%,Kappa系数为0.80;4）相比于浅层分类方法,本文发展的DCNN模型分类算法保证了所有地物类型的分类精度更加均衡,保持了主要地物类型的分类精度几乎不变,同时提高了滩涂和农田的精度。基于DCNN模型,潮滩和农田的分类精度分别达到79.26%和56.72%。比其它浅层分类方法提高了2.51%和10.6%。 相似文献
3.
对覆盖黄河口滨海湿地的PROBA CHRIS高光谱遥感影像进行包络线去除变换,采用6种常用的基于光谱特征空间的监督分类算法对变换前后的影像数据进行滨海湿地典型地物分类,通过目视对比分析和定量分析相结合的方法分析比较变换前后的分类结果,评价包络线去除方法对该类算法影响的效果和能力。结果表明,包络线去除方法能够提高部分监督分类算法针对滨海湿地典型植被类型的区分和识别能力;但由于滨海湿地内具有面积较大的裸滩和浑浊水体,这两类地物在影像中的光谱特征相近,而包络线去除方法并不能解决二者的误分问题,因此并不能提高该类算法针对CHRIS高光谱遥感影像的总体分类精度。 相似文献
4.
基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。 相似文献
5.
6.
针对目前湿地信息提取中存在的“同物异谱”、“同谱异物”问题,以黄河三角洲自然保护区为实验区,采用在信息提取方面具有优势的典型相关森林算法,将Sentinel-1A雷达影像和Sentinel-2A多光谱影像作为基础数据,考察分别应用多光谱影像、合成孔径雷达(Synthetic Aperture Radar,SAR)和多光谱二者综合、SAR纹理特征以及植被指数对湿地信息提取的效果和适用性。研究结果表明:(1)基于Sentinel-2A多光谱影像,在分类方法上,典型相关森林(canonical correlation forest,CCF)的总体精度最高,达到94.32%,与支持向量机和随机森林分类算法相比分别提高了6.55%和5.47%;(2)基于Sentinel-2A多光谱影像和Sentinel-1A后向散射系数的CCF总体精度达到了94.89%,与只利用多光谱影像相比,3种算法的总体精度和Kappa系数均得到了提升;(3)在SAR和光学联合的基础上加入SAR纹理特征后总体精度和Kappa系数均略有下降,分别为94.72%和0.935 3;(4)在SAR和光学联合的基础上加入归一化差分植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、归一化差分红外指数(NDII)和差分红外指数(DII)5种植被指数后,总体精度达到了最高为95.35%,7种地物的生产者精度有所提高,有效提高了对黄河三角洲湿地信息的提取能力。实验结果可为黄河三角洲湿地的合理开发和有效保护提供科学支持。 相似文献
7.
以覆盖黄河口湿地区域的Radarsat-2 SAR全极化影像和Landsat-5 TM影像为例,将4种极化方式的SAR影像与TM影像分别进行融合,采用支持向量机对融合结果进行滨海湿地典型地物土地覆盖分类,并对分类结果进行比较评价,分析不同极化方式的SAR影像与TM影像融合结果在滨海湿地地区的分类能力。实验结果表明:采用与SAR影像融合的方法能够提高TM影像的分类精度,其中HV极化方式的SAR影像与TM影像的融合结果分类精度最高,最适用于滨海湿地土地覆盖分类研究。 相似文献
8.
《海洋湖沼通报》2021,(2)
基于光谱特征准确提取湿地信息并研究其动态变化,对于湿地环境监测和保护具有重要价值。本研究以山东省胶州湾湿地为研究区,构建面向对象的分类方法并集合多时相Landsat8 OLI遥感影像的多种特征变量:光谱特征,穗帽变换(K-T)特征,纹理特征,植被指数,水体指数等来提取湿地信息以提高中等分辨率影像的分类精度。结果表明,在光谱波段组合中,近红外波段和红光波段是湿地分类的最有效波段,穗帽变换产生的特征分量对湿地分类也较为有效,光谱指数中的Normalized Difference Water Index(NDWI)和纹理特征中的方差(Var)和对比度(Con)特征变量则并不适用于湿地分类,且特征变量的个数在到达24时会使可分离性下降。计算方差变化率(ROC)并结合目视解译确定最佳分割尺度,将面向对象的方法(Object-Based Image Analysis, OBIA)与Random Forest(RF)算法结合,其总体分类精度达到91.21%(Kappa系数=0.9011),较基于像素的分类方法总体精度增加5.18%,Kappa系数增加了0.0583。表明优选特征组合的面向对象的随机森林算法可有效提高湿地分类精度,为湿地信息提取提供一种新方法。 相似文献
9.
海面发生大面积溢油事故时,由于太阳耀斑区的存在,海面的油膜在遥感影像上会发生明暗的变化。这对溢油的检测会产生严重的干扰。如何在海面太阳耀斑区准确地检测出溢油是目前溢油检测的难题。针对这一问题,本文利用Landsat7 ETM+多光谱影像数据,开展了基于卷积神经网络(CNN)的海面太阳耀斑区溢油检测方法研究。通过设置对照实验,对比支持向量机、最大似然、随机森林等分类方法,我们发现在相同实验条件下CNN模型的分类精度为95%～99%, Kappa系数为0.92～1,均高于其他三种分类方法,表明了CNN模型在海面太阳耀斑区溢油的检测具有更高的精度与一致性。 相似文献
10.
基于地物光谱可分性的CHRIS 高光谱影像波段选择及其分类应用 总被引：2，自引：0，他引：2
本文以黄河口湿地为研究区,应用覆盖该区域的CHRIS高光谱遥感影像,提出了一种基于地物光谱可分性的滨海湿地高光谱影像波段选择方法。该方法利用研究区的7种典型地物的110余条现场实测地物光谱曲线,通过分析比对地物两两之间的光谱可分度,确定地物类型之间的光谱可分区间,基于此选取CHRIS高光谱影像的地物分类特征波段,应用三种经典的监督分类方法(支持向量机法SVM、人工神经网络法ANN和光谱角制图法SAM)开展利用全波段的和利用本文方法选择特征波段的分类对比实验。结果表明:(1)基于光谱可分性特征波段的方法较全波段分类精度有所提高,其中ANN分类精度最高,为82.52%,较全波段分类精度提高了约为5.1%;(2)芦苇、水体、黄河水和裸滩4种地物的识别能力高,生产者精度都在80%以上;(3)碱蓬的用户精度提升最为明显,约在7%。 相似文献
11.
提出了一种融合监督分类与非监督分类结果的高光谱遥感影像分类新方法——众数赋值分类法。采用ISODATA非监督分类方法对高光谱遥感影像进行分类,并对非监督分类结果的图斑进行标记,同时用最大似然法(ML)和支持向量机(SVM)法进行监督分类,然后以监督分类结果对非监督分类后各斑块进行类别赋值。方法是:统计每个非监督分类斑块中由监督分类所获得的各类别像元数及所占比例,将非监督分类斑块的类别赋予所占比例最高的监督分类结果的类别,最终获得高光谱图像分类结果。研究表明:(1)非监督分类类别数量大于10时,其与ML分类结果融合的总体分类精度和Kappa系数均较监督分类法的分类结果好;(2)ML和20个类别的ISODATA分类结果融合的总体精度最高,为87.35%,比单独ML的总体精度高约2个百分点;(3)SVM和10个类别的ISODATA分类结果融合的总体精度提高最大,较SVM的总体精度提高近3个百分点;(4)随着非监督分类类别数量的增多,分类结果的总体精度呈现由低到高再到低的变化过程。 相似文献
12.
以黄河口为研究区,应用现场和HJ-1高光谱遥感数据,开展了植被受石油烃渗漏影响的高光谱检测方法研究。选择了常用于判别植被受石油烃渗漏污染的红边蓝移指数 REP_blue、土壤含氧量相关指数 CTR和叶绿素敏感指数CHL ,通过分析研究区主要植被芦苇和柽柳地物光谱和HJ-1高光谱影像中同位置像元光谱,对3种指数在研究区的有效性进行了评价。基于在图像像元光谱检测中表现较好的指数,提出了一种针对 HJ-1高光谱遥感影像的受石油烃渗漏影响植被检测方法。结果表明,3种指数对于油井旁植被现场光谱的检出效果均好于图像光谱,同时,相比于其它两种指数,CHL指数的检出效果较差;应用发展的受石油烃渗漏污染影响植被检测指数,对覆盖研究区的 HJ-1高光谱遥感影像进行了检测,发现检测结果中71．1％的位置附近存在油井,说明该方法具有一定的检测能力。 相似文献
13.
红树林是最典型的滨海生态系统之一，红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估具有重要意义。遥感是开展红树林种间类型识别的有效手段，但传统的遥感红树林分类方法多是基于像元开展的，分类结果“椒盐”现象严重且精度还有很大提升空间。因此，本研究以东寨港红树林保护区为例，基于Sentinel-2 MSI影像，在传统遥感分类方法的基础上引入图像分割技术，分别构建了面向对象的支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）分类法，并在此基础上对各模型的分类精度和适用性进行了分析。模型对比结果表明：（1）图像分割技术的引入能有效改善分类结果的“椒盐”现象，提升红树林种间类型的识别精度，基于像元使用SVM和RF分类算法总体分类精度分别可达78.82%(Kappa=0.75)和82.94%(Kappa=0.82)，面向对象的SVM和RF模型分类总体精度分别可达81.5%(Kappa=0.78)和92.67%(Kappa=0.88)，相较于以像元为分类对象的模型而言，后者精度分别提高了2.68%和7.43%;(2)从4个模... 相似文献
14.
红树林的种间结构组成对红树林生态系统的健康和发展至关重要,而红树林种间分类问题一直以来都是基于遥感手段的红树林监测中的难点。针对该问题,以人工种植为特点的广西茅尾海红树林遥感种间分类为例,基于面向对象的分类思想,提出了一种现场样本与分割对象相结合的红树林种间分类方法。利用GF-2 PMS1高分辨率卫星遥感影像数据,开展了广西茅尾海红树林湿地典型植被精细分类和空间分布研究,并将分类结果与基于像素和传统面向对象SVM分类方法进行了对比。结果显示:总体上,面向对象分类方法更适合用于茅尾海红树林湿地典型植被分类;对于局部混生明显的区域使用基于像素SVM分类方法效果会更好;传统面向对象分类方法中将整个影像分割对象单元作为训练样本可能会在某种程度上造成负面影响。因此,使用文中提出的样本选择新方法进行面向对象分类精度最高,总体精度达到了93.13%,Kappa为0.89。 相似文献
15.
16.
为满足科学管理海岛海岸带的需求,发掘合成孔径雷达（SAR）在海岛海岸带地物信息提取中的应用潜力,文章概述SAR和卷积神经网络的原理,分析卷积神经网络应用于SAR遥感海岛海岸带地物信息提取的可行性和优势。研究结果表明：通过卷积神经网络提取SAR数据中的海岛海岸带地物信息,无须预先提取图像特征,卷积神经网络能够自动提取图像中更本质和更抽象的特征,更好地应对地物目标的非线性混合;这种提取方法的精度更高,鲁棒性和泛化能力更强,可应用于海岛海岸带的精细化监测,为海岛海岸带的科学管理提供支撑。 相似文献