基于多时相遥感观测的板栗林分布提取研究
1.
2.
3.
Extraction of Chestnut Forest Distribution based on Multi-temporal Remote Sensing Observations
1.
2.
3.
通讯作者:
收稿日期: 2019-07-08 修回日期: 2020-06-18 网络出版日期: 2020-11-26
基金资助: |
|
Received: 2019-07-08 Revised: 2020-06-18 Online: 2020-11-26
作者简介 About authors
陈继龙(1997-),男,河南信阳人,硕士研究生,主要从事定量遥感研究E⁃mail:
关键词:
Keywords:
本文引用格式
陈继龙, 魏雪馨, 刘洋, 闵庆文, 刘荣高, 张文林, 郭春梅.
Chen Jilong, Wei Xuexin, Liu Yang, Min Qingwen, Liu Ronggao, Zhang Wenlin, Guo Chunmei.
1 引 言
WorldView、Hyperion等高空间分辨率和高光谱遥感影像能够提供地表精细的空间和光谱观测,是小尺度上林种信息提取的有效数据源。但其空间覆盖范围往往有限,可得观测少,费用高,在区域和大尺度应用中存在局限性。Landsat卫星提供了地表1980 s以来30 m分辨率的观测,是森林时空分布和动态监测的有力工具。目前已有研究基于Landsat结合PALSAR、MODIS等遥感数据,利用地物光谱特征、物候特征以及影像纹理开展了热带区域橡胶林提取[5,7];基于Landsat影像,运用不同窗口大小的纹理和波谱特征提取了巴拿马加勒比海岸的红树林分布[8],并绘制了全球红树林的分布图[9];基于Landsat和其他高分辨率影像,实现了竹林分布提取等[10-11]。当前针对板栗林的遥感提取研究鲜有报道,仅有基于高分辨率WorldView影像提取了分散在农业和城市环境中的板栗树分布[12-13]。但这些工作使用的皆是亚米级数据,费用昂贵,难以实现大尺度应用。建立基于Landsat等卫星数据的板栗林检测算法,能够支持长时间、大面积的板栗林动态监测。
树种的提取相比普通地表分类更加困难,需要充分利用目标树种在光谱响应、空间纹理和季节曲线方面的特性,挖掘其与其他地物的差异以实现树种区分。不同植被物候特征存在差别,使得生长周期中不同时期各植被类型的光谱特征存在区别[7,14-15] 。如落叶林和常绿林在冬季差别显著,春季和秋季不同森林类型树木及林下植被变绿和凋落时间有先后,这也会使得遥感观测到的光谱呈现差别。板栗林为一种人工干预较多的落叶经济林,林下施肥、除草等活动导致其与周围植被相比,在特定物候期具有较显著的差异。因而,在分类中充分利用板栗林与周边其他地类物候特征的差别,寻找到各种地物类型光谱观测区分度相对大的时段,并结合多个时段的观测用于分类,将有助于提高板栗林的识别精度。
MODIS能够获取地表每天的观测,其高时间分辨率影像可提供板栗林和其他典型地物的时间序列光谱信息,通过比较不同地物的季节曲线在各个时相上的差异和可区分程度,有助于获取最佳分类物候期,结合Landsat 30 m的高分辨率的观测,有望实现板栗林分布的精细提取。本文以板栗林广泛分布的河北省承德市宽城满族自治县为例,基于Landsat高分辨率和MODIS高时频观测,研究板栗林提取的最佳时相和有效分类特征,结合支持向量机等分类器设计板栗林提取算法,为板栗林的空间分布监测提供方法支持。
2 研究区和数据源
2.1 研究区概况
宽城满族自治县位于华北地区河北省承德市的东南部,处于40°17′~40°45′ N、118 °10′~119°10′ E之间,县域面积约为1 952 km²(图1)。宽城县隶属燕山山脉东南段,山地广阔,平均海拔约为350 m;为温带季风性气候,夏季炎热多雨,冬季寒冷少雨,年均温8.6 ℃,光照充足,昼夜温差大。适宜的山地地形和气候为板栗林的生长提供了良好的自然条件。当地板栗栽培历史可追溯至东汉,近年来当地政府出台政策并提供资金补贴扶持当地农民大量种植板栗。2018年当地林业局统计全县板栗林面积高达480.02 km²,各乡镇均有分布,尤其在南部与迁西边界的长城沿线最为集中。
图1
图1
宽城县地理位置和Landsat8 OLI标准假彩色合成影像(2018年6月4日)
Fig.1
Geographic location of Kuancheng County and standard false color image of Landsat8 OLI (June 4, 2018)
板栗为壳斗科栗属落叶林。研究区板栗常种植在山坡梯田上,分布较自然林地稀疏,林下常生长杂草,或与玉米、豆类等农作物间作。栗树5月份长叶,5月至6月进入花期。落花后枝叶繁茂,8至10月板栗开始成熟。8月中下旬到10月上旬,农民常清理林下杂草,以备板栗收获。10月中下旬收获完成后,树叶也枯萎凋落。
2.2 数据来源
2.2.1 影像数据
表1 MOD09A1和Landsat8 OLI波段信息
Table1
波段 | MOD09A1波长/nm | Landsat8 OLI波长/nm |
---|---|---|
Band 1 | 620~670 | 435~451 |
Band 2 | 841~876 | 452~512 |
Band 3 | 459~479 | 533~590 |
Band 4 | 545~565 | 636~673 |
Band 5 | 1 230~1 250 | 851~879 |
Band 6 | 1 628~1 652 | 1 566~1 651 |
Band 7 | 2 105~2 155 | 2 107~2 294 |
另外,采用2018年研究区域Landsat 8 OLI影像研究板栗林提取有效分类特征并进行分类(表1)。2018年共有11景晴空影像,基于MODIS观测季节曲线分析(见3.1节),选取地物区分度最高的1月(1月11日)、6月(6月4日)和9月(9月24日)Landsat 8 OLI影像作为分类影像,空间分辨率为30 m,研究区内均无云。采用Google Earth Engine (GEE)平台基于CFMASK (C Function of Mask,一种针对Landsat影像的云、阴影等检测方法)算法对Landsat影像进行云、阴影、水和雪掩膜[17],并进行饱和度掩膜[17-18]和大气校正[19],生成地表反射率。数据下载自谷歌地球引擎Google Earth Engine平台(
2.2.2 样本数据
经实地考察,该区域主要地表类型有板栗林、其他落叶阔叶林、人工针叶林、灌丛、耕地、建设用地、水域(水库/河流)等。根据Landsat8遥感影像特性、地物类型特点以及研究目的,将研究区土地利用/土地覆被划分为板栗林、落叶林地(除板栗林以外的落叶乔木、灌木等有林地)、常绿林、耕地、建设用地和水域六大类型。由于当地灌丛面积较小,且存在类似灌丛的落叶小乔木,导致灌丛和落叶林难以区分,故将灌丛与落叶林归分为落叶林地,这种归并不影响板栗林的提取。
表2 Google Earth获得的训练样本和验证样本
Table 2
地物类型 | Google Earth高分辨率影像示例 | 训练样本多边形数/像元数/个 | 验证样本多边形数/像元数/个 | 多边形/像元数合计/个 |
---|---|---|---|---|
水域 | ![]() | 23/1 356 | 11/439 | 34/1 795 |
建设用地 | ![]() | 28/1 252 | 17/537 | 45/1 789 |
耕地 | ![]() | 91/1 464 | 33/515 | 124/1 979 |
板栗林 | ![]() | 117/2 333 | 25/495 | 142/2 828 |
落叶林地 | ![]() | 86/2 359 | 19/593 | 105/2 952 |
常绿林 | ![]() | 99/2 218 | 38/676 | 137/2 894 |
合计(个) | 444/10 982 | 143/3 255 | 587/14 237 |
图2
图2
典型地物训练样本和验证样本分布
Fig.2
The distribution of train ROI and validation ROI of six typical landcover types
2.2.3 验证数据
基于Google Earth选取的6类地物3 255个验证样本用于分类精度评价。另外,收集了2018年宽城县板栗林总面积的统计数据,以及2016年森林资源调查数据和耕地统计数据,用于验证方法精度。
3 方 法
首先利用MODIS时间序列光谱观测选择板栗林分类的关键物候期,并利用Landsat影像研究板栗林识别的有效分类特征。在此基础上,比较不同时相和分类器的分类结果,选择板栗林提取的最优时相和分类方法,并利用统计数据验证算法精度。具体方法流程如图3所示。
图3
3.1 植被指数计算
植被指数有助于增强遥感影像中的植被信息,被广泛用于土地覆盖分类、植被生长监测等方面[20-21]。本文基于MODIS和Landsat影像计算多个常用树种提取的植被指数,通过分析选取各地类差异较大的植被指数,包括:比值短波红外指数(Ratio Shortwave Index,
3.2 关键物候期和分类特征选择
基于Google Earth高分辨率影像结合实地调研,选取各类地物的典型站点:板栗林(118.484 ˚E,40.4403 ˚N),落叶林地(118.7230 ˚E,40.4848 ˚N),常绿林(118.3970 ˚E,40.4765 ˚N),耕地(118.5620 ˚E,40.6281 ˚N),建设用地(118.4800 ˚E,40.6032 ˚N)和水域(118.2780˚ E,40.4349 ˚N)。提取典型站点的MODIS NDVI和NDWI,分析确定各地物光谱具有显著差异的物候期。然后选取该物候期的Landsat影像,提取Google Earth样本点的蓝、绿、红、近红外、短波红外波段地表反射率以及RSI、RVI、NDVI、NDI和NDWI等指数,通过分析各地类反射率和指数的直方图,选择区分度高的波谱反射率和指数作为有效分类特征。
3.3 分类器分类与精度验证
利用充足的训练样本训练监督分类器往往能取得较好的分类效果[22]。支持向量机应用线性、非线性函数较早分离原始核函数,将原始特征空间[23-26]投影到高维空间,具有良好的可靠性和分类精度[26]。此外,随机森林、人工神经网络、最小距离和马氏距离等也是常用的分类器。本文设计不同时相的Landsat影像组合,利用训练样本分别训练支持向量机实现板栗林提取,采用Google Earth获得的独立验证样本(表2)计算混淆矩阵评价分类精度,选择分类的最优时相。在此基础上,分析不同分类器的效果,研究板栗林分类的最佳方法。并将最优分类结果同当地板栗林面积统计数据、森林资源调查数据和耕地面积统计数据进行对比验证,评价分类精度。
4 结果与分析
4.1 关键物候期选择
图4是基于MODIS影像提取的板栗林、耕地、落叶林地和常绿林4类典型地物样本点绿、红、近红外和短波红外波段地表反射率(ρgreen、ρred、ρnir和ρswir)以及NDVI、NDWI季节曲线。由于建设用地和水域光谱特征与其他地类差别明显且值域处于不同范围,为了更好地比较不同植被类型的光谱曲线差异,未将其纳入。
图4
图4
不同地物类型MODIS时间序列光谱反射率及植被指数曲线
Fig.4
Seasonal spectral reflectance and vegetation indices for different vegetation types
图4表明,总体上板栗林和耕地光谱曲线接近,而与自然林地存在较大区别。这可能是由于板栗一般林间距大,林下植被多为分布稀疏草丛或农林间作的生产模式导致板栗林的混合像元效应相对显著。落叶林地和常绿林光谱特征相似,应该与研究区常绿林较为破碎,MODIS影像500 m的空间分辨率存在混合像元问题有关。生长季前期120~180 d,由于地类物候差异,耕地在绿、红和短波红外波段的反射率高于板栗林,NDVI低于板栗林,差异显著。此时落叶林地和常绿林植被绿度高于板栗林地和耕地,光谱特征和植被指数也具有一定的区分度。生长季后期260 d以后,几种地类的光谱特征有一定的区分度,可能与立秋前后人工活动准备板栗收获有关。此时的耕地多已收割,落叶林地和常绿林及其林下植被生长仍然较旺盛,4类地物易区分。此外,在非生长季,板栗林和耕地的绿、红和短波红外波段反射率和NDWI均明显高于落叶林地和常绿林,也有助于板栗林区分。
基于以上分析,另外考虑研究区可获取的Landsat晴空观测,本文选择生长季前期6月以及生长季末期9月作为分类的物候期。另外,为了更好地区分常绿林,非生长季1月也作为分类物候期。
4.2 分类特征选取
分别统计不同地物各波段反射率和植被指数直方图(图5),通过分析找出了各地类具有较大区分度的波段反射率和植被指数。结果显示:1月不同地类像元在绿、红、近红外、短波红外波段反射率差异不明显,NDI、NDVI、NDWI和RSI植被指数能够作为区分常绿林、水域和建设用地的显著分类特征。6月不同地类在蓝、绿、红、近红外、短波红外波段反射率和RSI、RVI、NDI、NDVI、NDWI植被指数上皆显示出一定的区分度。常绿林、水域和建设用地同其他各类地物差异明显,耕地和落叶林地的蓝、绿、红、短波红外波段以及NDI、NDVI、NDWI植被指数波峰差异显著;板栗林地和耕地、落叶林地在绿、红波段和NDI、NDVI值上波峰不同,体现出一定的差异。
图5
图5
各地类样本点分类特征直方图
Fig.5
Histogram of the classification characteristics of different landcover types
不同地类9月的绿、红、近红外、波段红外波段反射率以及RVI、NDI、NDVI、NDWI植被指数特征与6月相近,但区分度不如6月明显。此外,板栗林在某些特征上数值范围较宽,这种现象在1月和6月更为显著。这可能是由于这一时期板栗林叶片稀疏,林下的草丛、农作物或者裸土出露比例大形成的混合像元效应所导致。
本文最终选取以上波段反射率和植被指数作为研究区各时相分类的有效特征。在此基础上,选用不同月份不同地物差异显著的分类特征进行多时相影像融合板栗林提取研究。
4.3 不同时相及特征分类结果比较
表3 实验设计
Table3
实验设计 | 分类时相 | 分类特征 |
---|---|---|
实验1 | 1月 | 绿、红、近红外、短波红外,NDI、NDVI、NDWI、RSI |
实验2 | 6月 | 蓝、绿、红、近红外、短波红外,NDI、NDVI、NDWI、RSI、RVI |
实验3 | 9月 | 绿、红、近红外、短波红外,NDI、NDVI、NDWI、RVI |
实验4 | 1月、6月 | 1月:绿、红、近红外、短波红外,NDI、NDVI、NDWI、RSI 6月:蓝、绿、红、近红外、短波红外,NDI、NDVI、NDWI、RSI、RVI |
实验5 | 1月、9月 | 1月:绿、红、近红外、短波红外,NDI、NDVI、NDWI、RSI 9月:绿、红、近红外、短波红发外,NDI、NDVI、NDWI、RVI |
实验6 | 6月、9月 | 6月:蓝、绿、红、近红外、短波红外,NDI、NDVI、NDWI、RSI、RVI 9月:绿、红、近红外、短波红外,NDI、NDVI、NDWI、RVI |
实验7 | 1月、6月和9月 | 1月:NDI、NDVI、NDWI、RSI 6月:蓝、绿、红、近红外、短波红外,NDI、NDVI、NDWI、RSI、RVI 9月:绿、红、近红外、短波红外,NDI、NDVI、NDWI、RVI |
表4 分类结果混淆矩阵
Table 4
板栗林 | 耕地 | 落叶林地 | 常绿林 | 建设用地 | 水体 | 总精度/% | Kappa系数 | ||
---|---|---|---|---|---|---|---|---|---|
实验1 | 制图精度/% | 66.67 | 83.88 | 86.34 | 100 | 90.50 | 93.85 | 87.50 | 0.849 3 |
用户精度/% | 68.75 | 80.60 | 84.07 | 99.12 | 94.55 | 94.93 | |||
实验2 | 制图精度/% | 92.12 | 90.10 | 91.40 | 97.49 | 92.74 | 97.04 | 93.55 | 0.922 3 |
用户精度/% | 83.21 | 91.34 | 92.49 | 97.49 | 98.42 | 98.84 | |||
实验3 | 制图精度/% | 79.39 | 83.88 | 86.68 | 97.63 | 91.06 | 98.18 | 89.68 | 0.875 7 |
用户精度/% | 74.57 | 87.10 | 86.24 | 96.07 | 98.39 | 95.35 | |||
实验4 | 制图精度/% | 89.49 | 89.71 | 92.92 | 99.26 | 93.85 | 97.04 | 93.92 | 0.926 7 |
用户精度/% | 82.80 | 91.67 | 93.07 | 98.68 | 97.49 | 99.77 | |||
实验5 | 制图精度/% | 79.39 | 88.54 | 90.89 | 99.56 | 94.60 | 95.90 | 91.86 | 0.901 9 |
用户精度/% | 79.23 | 89.24 | 87.64 | 98.83 | 96.39 | 99.06 | |||
实验6 | 制图精度/% | 90.10 | 89.71 | 94.94 | 97.49 | 96.83 | 97.49 | 94.56 | 0.934 5 |
用户精度/% | 87.28 | 95.45 | 90.66 | 97.20 | 98.48 | 98.85 | |||
实验7 | 制图精度/% | 89.90 | 87.25 | 95.78 | 97.78 | 96.83 | 97.49 | 94.75 | 0.936 7 |
用户精度/% | 89.71 | 94.87 | 91.32 | 97.93 | 98.48 | 98.85 |
结果显示,单一时相分类中,基于非生长季1月份影像(实验1)的板栗林提取精度最低,制图精度和用户精度分别为66.67%和68.75%;基于生长季前期6月份和末期9月份影像(实验2和3)的精度显著提升,板栗林制图精度分别为92.12%和79.39%,用户精度分别为83.21%和74.57%,与MODIS季节曲线显示的最优分类时相相符,体现了时相选择的重要性。结合多时相遥感影像除实验5(不含关键物候6月份影像)较单一时相提取精度有所提高,不仅对板栗林的提取更加精准,而且研究区总体分类效果有所提升。其中基于生长季前期和后期6月和9月影像(实验6)板栗林制图精度和用户精度分别为90.10%和87.28%,精度提升较显著;精度最佳的是结合1月、6月和9月的实验7,板栗林的制图精度和用户精度分别达到89.90%和87.25%,总体精度达到94.75%。
将分类结果与Google Earth高分辨率影像进行了详细的对比分析,发现分类中板栗林主要与落叶林地存在错分,这应该由于落叶林地中包含梨树、山楂等其他果树,与板栗林的光谱和物候特征非常类似;此外,部分成林板栗林与柞树、慢生杨等其他落叶乔木光谱特征也相似,给精确区分带来了很大困难。对于林龄小、稀疏的板栗林,林下灌草较少,在某些时段和耕地光谱特征接近,并且农林间作的生产模式带来的混合像元问题,导致了板栗林与耕地在一定程度上的误分。常绿林、建设用地和水域提取的制图精度、用户精度皆在90%以上,分类效果良好。
4.4 不同分类器分类结果比较
为获得最佳的板栗林提取效果,比较了其他常用的监督分类器,包括随机森林、人工神经网络、最小距离和马氏距离分类器。利用训练样本分别训练4种分类器,基于预留的独立验证样本计算混淆矩阵评价精度,这里采用表现最佳的1、6、9多时相影像进行分类比较。
表5为不同分类器的板栗林提取精度以及总体分类精度和Kappa系数。结果显示,除最小距离算法外,其他几种分类器表现都较好。人工神经网络和马氏距离板栗林提取的制图精度高,分别达93.74%和92.73%;但用户精度略低,为80.84%和81.80%,其他地类错分到板栗林较多;总体精度和Kappa系数较好,分别为93.95%和94.04%、0.927 1和0.928 2。支持向量机和随机森林的总体精度和Kappa系数最高,达94.75%、0.936 7,板栗林提取的制图和用户精度也都较高,制图精度均达到89.90%,用户精度也均在85%以上。相较而言,支持向量机用户精度略高于随机森林,也进行了其他时相的分类比较,支持向量机的精度均略好于随机森林。本研究显示采用支持向量机结合1、6、9月的影像,板栗林提取精度最高,总体分类精度也最好。
表5 不同分类器分类结果比较
Table 5
分类器 | 板栗林 | 总体精度 /% | Kappa系数 | |
---|---|---|---|---|
制图精度/% | 用户精度/% | |||
支持向量机 | 89.90 | 87.25 | 94.75 | 0.936 7 |
随机森林 | 89.90 | 85.91 | 94.75 | 0.936 7 |
人工神经网络 | 93.74 | 80.84 | 93.95 | 0.927 1 |
最小距离 | 56.16 | 64.06 | 83.59 | 0.802 1 |
马氏距离 | 92.73 | 81.80 | 94.04 | 0.928 2 |
4.5 最优分类结果及验证
依据上述评价,采用精度最佳的实验7,即基于支持向量机算法结合6月的蓝波段反射率,6、9月的绿、红、近红外、短波红外波段反射率以及1、6月的RSI,6、9月的RVI和1、6、9月的NDI、NDVI、NDWI共22个为有效分类特征的多时相观测分类结果最佳(图6)。结果显示,板栗林在全县各乡镇广泛分布,特别是集中在西南部,多沿河谷分布在山坡上,平均高程为454 m,与最适宜地带300~700 m相符;森林以落叶林地为主,常绿林呈小斑块状零星分布;居民地一般分布在河谷的平坦地带,耕地普遍沿河谷在居民地周边分布,二者平均坡度均在7.5° 左右;水域集中分布在宽城西部。
图6
图6
宽城土地利用和板栗林分布图
Fig.6
Maps of land use and chestnut forest distribution in Kuancheng
本文提取的2018年板栗林面积为448.59 km²,当地林业局统计数据显示2018年全县板栗林的面积为480.02 km²,分类精度达到93.45%。为了进一步评价总体分类精度,将落叶林地、常绿林地和耕地与宽城县2016年森林调查数据和耕地统计数据进行比较(表6)。结果显示,落叶林地和常绿林分类面积为1 044.98 km²、111.40 km²,与统计数据相比精度达到95.47%和83.89%;耕地总面积为138.48 km²,分类精度为95.82%,表明总体分类效果较好。
表6 森林和耕地的分类结果与当地统计数据的对比
Table 6
板栗林 | 落叶林地 | 常绿林 | 耕地 | |
---|---|---|---|---|
统计数据/km² | 480.02 | 1 094.61 | 132.80 | 132.92 |
分类结果/km² | 448.59 | 1 044.98 | 111.40 | 138.48 |
分类精度 | 93.45% | 95.47% | 83.89% | 95.82% |
5 讨 论
中高分辨率遥感、高光谱遥感和激光雷达三维摄影测量数据为遥感识别树种提供了数据源,蓬勃发展的机器学习和深度学习方法为树种的遥感识别提供了有力工具[27-32]。目前基于中高分辨率遥感的树种提取研究大多采用光谱特征法,基于可得的晴空观测,利用光谱反射率、植被指数等作为分类特征,采用支持向量机、决策树、随机森林和深度学习等算法,通过训练样本训练分类器,实现橡胶林、竹林等单一树种的提取[5-6,31,33-34]。在多数分类中,直接采用可得的晴空观测,未充分考虑不同时相的差异,这可能会限制分类精度[27-28]。也有基于特殊的物候特征提取橡胶林的研究,如根据橡胶林在特定季节短暂的落叶过程,和其他地类存在显著的季节曲线差异,从而利用少数分类特征实现了橡胶林的分布提取[7]。由于板栗林所处区域生长着很多类似的落叶阔叶林,光谱特征相似,直接利用可得的晴空观测进行提取存在困难。
采用MODIS高时间分辨率观测并充分考虑不同地物的物候特征,通过光谱季节曲线分析我们发现,板栗林在不同的季节区分度不同,由于人工干预林下植被等因素的影响,其在生长季初期和末期更容易区分。这样,利用差异显著的物候期的Landsat影像,提出了基于中高分辨率影像的板栗林分布的提取方法,相对于原有的基于高分辨率影像的方法,本方法成本低、适用范围广,可为大尺度的板栗林的遥感监测提供方法支撑,也证实了充分挖掘植被季节曲线特征有助于提高树种提取精度。
6 结 语
本文基于MODIS和Landsat多时相遥感观测设计了一种板栗林的提取算法。首先基于MODIS高时间分辨率观测选取了针对板栗林提取的最佳物候期,并结合Landsat高空间分辨率观测选取了有效分类特征,在此基础上,利用支持向量机实现了板栗林的提取。结果表明:
①生长季4月至6月、9月份板栗林与其他地类区分度高,尤其是生长季前期6月份是板栗林提取的关键物候期,非生长季1月份影像有助于区分常绿林;②蓝、绿、红、近红外和短波红外波段以及NDI、NDVI、NDWI、RSI和RVI等植被指数是板栗林提取的有效指标;③单一时相板栗林分类中,生长季前期6月份分类精度最高,生长季后期9月份次之,非生长季1月份分类结果较差;④支持向量机和随机森林相对其他分类器分类的总体精度最高,板栗林提取精度也都较高,支持向量机略好;⑤基于支持向量机算法结合1、6、9月份多时相遥感影像分类,相对单一时相板栗林识别精度显著提高,分类精度最高。与独立验证样本相比,板栗林制图和用户精度可达89.90%和87.25%,总体精度可达94.75%;与2018年宽城林业局板栗林面积统计数据相比,板栗林分类精度达到93.45%。
参考文献
Chestnut
[DB/OL].
Model of Economic Forest Interplanting to Prevent Soil Erosion
[J].
经济林套种防治水土流失模式
[J].
Study on Intercropping Effects of Intercropping Methods
[J].
作物间套作种植方式间作效应研究
[J].
Mapping Deciduous Rubber Plantations through Integration of PALSAR and Multi-temporal Landsat Imagery
[J].
Mapping Tropical Forests and Rubber Plantations in Complex Landscapes by Integrating PALSAR and MODIS Imagery
[J].
Phenology-based Vegetation Index Differencing for Mapping of Rubber Plantations Using Landsat OLI Data
[J].
Comparison of IKONOS and QuickBird Images for Mapping Mangrove Species on the Caribbean Coast of Panama
[J].
Status and Distribution of Mangrove Forests of the World Using Earth Observation Satellite Data
[J].
Tracking Bamboo Dynamics in Zhejiang, China, Using Time-series of Landsat Data from 1990 to 2014
[J].
Improving Large-scale Moso Bamboo Mapping based on Dense Landsat Time Series and Auxiliary Data: A Case Study in Fujian Province, China
[J].
Multitemporal WorldView Satellites Imagery for Mapping Chestnut Trees
[C]∥
Tree Species Classification Using WorldView-2 Satellite Images and Laser Scanning Data in A Natural Urban Forest
[J].
Evaluation of the Potential of MODIS Satellite Data to Predict Vegetation Phenology in Different Biomes: An Investigation Using Ground-based NDVI Measurements
[J].
Exploring the Use of MODIS NDVI-based Phenology Indicators for Classifying Forest General Habitat Categories
[J].
Generation of New Cloud Masks from MODIS Land Surface Reflectance Products
[J].
Cloud Detection Algorithm Comparison and Validation for Operational Landsat Data Products
[J].
Landsat: Building a Strong Future
[J].
A Review on Methods of Atmospheric Correction for Remote Sensing Images
[J].
遥感图像大气校正方法综述
[J].
Overview of the Radiometric and Biophysical Performance of the MODIS Vegetation Indices
[J].
Investigation of the Utility of Spectral Vegetation Indices for Determining Information on Coniferous Forests
[J].
Comparison of Classification Algorithms and Training Sample Sizes in Urban Land Classification with Landsat Thematic Mapper Imagery
[J].
Tree Species Classification in the Southern Alps based on the Fusion of very High Geometrical Resolution Multispectral/Hyperspectral Images and LiDAR Data
[J].
Comparison of Hyperspectral Techniques for Urban Tree Diversity Classification
[J].
Tree Species Classification Using Hyperspectral Imagery: A Comparison of Two Classifiers
[J].
Kernel Methods for Remote Sensing Data Analysis Multi-Temporal Image Classification with Kernels
[J]. 2009,
Mapping Multiple Tree Species Classes Using a Hierarchical Procedure with Optimi-zed Node Variables and Thresholds based on High Spatial Resolution Satellite Data
[J].
Discriminating Tree Species at Different Taxonomic Levels Using Multi-temporal WorldView-3 Imagery in Washington DC, USA
[J].
Tree Species (Genera) Identification with GF-1 Time-Series in a Forested Landscape, Northeast China
[J].
Analyzing the Role of Spatial Features when Cooperating Hyperspectral and LiDAR Data for the Tree Species Classification in a Subtropical Plantation Forest Area
[J].
A Novel Deep Learning Method to Identify Single Tree Species in UAV-based Hyperspectral Images
[J].
Comparative Performance of Convolutional Neural Network, Weighted and Conventional Support Vector Machine and Random Forest for Classifying Tree Species Using Hyperspectral and Photogrammetric Data
[J].
Extraction of Bamboo Forest Remote Sensing Information based on TM Data
[J].
基于TM数据提取竹林遥感信息的方法
[J].
/
〈 |
|
〉 |
