摘要：为探索机载点云与无人机可见光影像在乔木树种识别与分类领域的应用潜力,提出了一种多模态特征与决策混合融合的无人机单木尺度树种分类识别方法。首先使用Kendall Rank相关系数法与排列重要性分析(Permutation Importance, PI)进行特征选择,采用高效低秩多模态融合算法(Low-rank Multimodal Fusion, LMF)融合点云与影像特征。再引入集成学习,将点云、影像及融合特征分别输入Stacking集成的极限梯度提升机(eXtreme Gradient Boosting, XGBoost)、轻型梯度提升机(Light Gradient Boosting Machine, LightGBM)与随机森林(Random Forest, RF)3个基分类器,最后采用元分类器—朴素贝叶斯进行决策融合。实验数据表明:所提方法独立测试精度达99.4%,较传统的特征串联融合随机森林分类器提升了22.58%,Kappa系数提升了0.285 4。与卷积神经网络(Convolutional Neural Network, CNN)对比实验证明:所提算法在小样本训练的优势明显,且具有更好的泛化能力。

摘要：应用无人机激光雷达和机载高光谱数据,通过设计多种分类方案探索不同数据源、不同分类器以及树冠形态特征对单木树种分类的影响。研究结果表明:使用多源遥感数据协同进行单木树种分类时,分类精度高于单一数据源的分类结果。从分类器上看,随机森林分类器的分类精度高于BP神经网络分类器。在将树冠形态特征加入分类器后,分类精度平均提高了1.19%,表明树冠形态特征的加入对单木树种分类具有一定积极意义。

摘要：【目的】研究面向对象树种分类过程中多尺度分割算法参数组合确定方法,寻找替代传统依赖于参考多边形的最优分割尺度评价方式,并对ESP2工具所得最优分割尺度对树种分类的适宜性做出定量评价。【方法】以黑龙江省伊春市桦皮羌子林场为研究区,基于GF-2遥感影像数据,开展面向对象分类的分割试验。利用ESP2工具找出固定尺度范围内(100~400,步长为1)同质性局部方差变化率随分割尺度变化曲线中明显峰值所对应的分割尺度,将其定义为最优分割尺度范围。执行最佳同质性准则组合参数配合下最优分割尺度范围内各尺度的多尺度分割,统计树种样本点对在各分割结果中的分布情况并记录分割时间,通过对比树种样本点对正确落入相邻对象比和分割时长来确定最优分割尺度。【结果】相同尺度下的同质性准则组合参数试验表明,当组合两因子参数分别为shape=0.5、compactness=0.3时,其分割效果相对最好。基于树种样本点对的分割结果评价表明,树种样本点对正确落入比最高时对应的分割尺度参数为259,210对相异相邻树种样本点对中共有203对样本点正确落入相邻分割对象中。最优分割尺度范围内各分割结果的矢量距离指数和ED3modified指数表明,其评价结果与基于树种样本点对的评价结果相吻合。【结论】不同同质性准则组合参数对分割结果的影响具有明显差异,设计高效的试验方案寻找该组合十分必要。基于树种样本的评价方法充分利用地面调查数据,将以往评价中常用的多边形样本简化为点样本,可避免人工勾画真实地物边界的繁杂工作量。将分割效率考虑在内的最优分割尺度评价点指数方法与基于对象匹配法或面积相近原理的评价方法相比,可提高操作上的简易性和评价因素的全面性。

摘要：高分六号卫星具有覆盖广、多种分辨率、波段多的优势,能为遥感解译提供更丰富的信息。为探究高分六号卫星新增波段在森林树种识别上的应用,本文以覆盖根河市阿龙山林业局的一期高分六号宽幅影像为数据源,基于特征优化空间算法(Feature Space Optimization,FSO)和最大似然分类法,分别利用高分六号的前4个波段和所有波段(8波段)的光谱、纹理等特征进行了森林树种分类,并逐一添加新增波段特征确定了各波段的贡献率排名。结果表明:在加入了优选出的均匀性纹理、均值纹理和角二阶矩纹理3种纹理特征后,前4波段和8波段的分类精度比只基于光谱特征时的精度分别高出13.23%和24.63%;利用8波段信息比只利用前4波段在基于光谱特征上的精度高11.88%,在基于光谱+纹理特征上则高23.24%;基于8波段光谱+纹理特征的树种分类精度最高,达到68.74%,新增4波段的贡献率排名为B6>B5>B8>B7,说明新增红边波段对于本次树种分类试验的贡献率最高,能为北方树种识别提供有效帮助。

摘要：指出了树种分类、林木分级分类是森林抚育作业设计的重要环节,既关系着采伐木选择与质量,也关系到抚育设计质量和伐后的林分质量。从概念、适用对象、关系三个方面对树种分类、林木分类、林木分级进行了深入地分析,为森林抚育作业设计提供参考。

摘要：多时相高光谱卫星遥感包含树种光谱特征和生长季相差异信息,是解决森林树种识别精度不足的重要技术途径。本文利用不同季节3个时相CHRIS高光谱卫星影像,设计了以Bhattacharyya距离为可分性准则的波段选择经验算法,实现吉林省汪清研究区的优势树种多时相高光谱卫星填图。结果显示,多时相高光谱数据的可分性指标相比单一时相增幅明显;结合波段选择的多时相高光谱分类结果验证精度较单一时相分类结果和多时相全波段分类精度提高7.5%和1.6%;研究区主要优势树种的分类精度存在差异,柞树和落叶松的分类精度最高,杨树最低,红松与暗针叶林存在一定程度的误分,主要原因为二者的光谱接近且时相特征差异小。