基于面向对象的高分辨率影像的森林植被变化信息提取研究

第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（３１９０１２９８），西藏自治区科学技术重点研发计划项目（ＸＺ２０２２０１ＺＹ０００３Ｇ），福建农林大学省级大学生创新创业训练项目（Ｓ２０２３１０３８９０４６），福建农林大学科技创新专项基金项目（ＫＦｂ２２０３３ＸＡ）㊂第一作者简介：陈逊龙，男，１９９８年１０月生，福建农林大学林学院，硕士研究生㊂Ｅ－ｍａｉｌ：１２２０４９６００２＠ｆａｆｕ．ｅｄｕ．ｃｎ㊂通信作者：张厚喜，福建农林大学林学院㊁南方红壤区水土保持国家林业和草原局重点实验室（福建农林大学）㊁海峡两岸红壤区水土保持协同创新中心（福建农林大学）㊁福建长汀红壤丘陵生态系统国家定位观测研究站，副教授㊂Ｅ－ｍａｉｌ：ｚｈａｎｇｈｏｕｘｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月２３日㊂责任编辑：王广建㊂应用无人机可见光影像和面向对象的随机森林模型对城市树种分类１）陈逊龙㊀孙一铭㊀郭仕杰㊀段煜柯㊀唐桉琦㊀叶章熙㊀张厚喜（福建农林大学，福州，３５０００２）㊀㊀摘㊀要㊀为及时准确的了解城市树种空间分布信息，提升城市居民生活水平和推动城市生态系统可持续发展㊂以福州市仓山区城市森林为研究对象，应用无人机（ＵＡＶ）监测城市树种空间分布及其动态变化的可见光影像，根据最佳尺度对影像进行分割，并提取分割对象的光谱㊁地形㊁指数㊁纹理和几何特征㊂通过对不同类型特征的组合构建不同的分类方案，利用递归特征消除法（ＲＦＥ）筛选出优选特征子集，利用面向对象方法结合随机森林（ＲＦ）模型对城市树种进行分类㊂结果表明：在随机森林模型分类的过程中，利用光谱特征对树种分类的总体分类精度为８２．１２％；地形特征对树种分类的贡献度率为１４．９６％；指数特征和纹理特征的引入，在一定程度提高了树种的分类精度；几何特征的贡献较小，在分类过程中没有明显的贡献㊂特征优选子集的Ｓ１０方案分类精度最高，总体精度达９２．４２％，Ｋａｐｐａ系数为０．９１㊂说明特征优选能够降低高维度特征的复杂性，在大幅减少数据冗余的同时提高了分类精度㊂在最优特征子集下，随机森林（ＲＦ）算法分类的总体精度比极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）和ｋ最近邻算法（ＫＮＮ）分别提高了１．１５％㊁１．８１％和１５．１５％，Ｋａｐｐａ系数分别提高了１％㊁２％和１７％㊂关键词㊀城市树种；无人机影像；面向对象；随机森林模型；地形特征分类号㊀Ｓ７７１．８ＵｒｂａｎＴｒｅｅＳｐｅｃｉｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎｂｙＵＡＶＶｉｓｉｂｌｅＬｉｇｈｔＩｍａｇｅｒｙａｎｄＯＢＩＡ－ＲＦＭｏｄｅｌ／／ＣｈｅｎＸｕｎｌｏｎｇ，ＳｕｎＹｉｍ⁃ｉｎｇ，ＧｕｏＳｈｉｊｉｅ，ＤｕａｎＹｕｋｅ，ＴａｎｇＡｎｑｉ，ＹｅＺｈａｎｇｘｉ，ＺｈａｎｇＨｏｕｘｉ（ＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００２，Ｐ．Ｒ．Ｃｈｉｎａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：４８－５９．Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ，ｉｍｐｒｏｖｅｔｈｅｌｉｖｉｎｇｓｔａｎｄ⁃ａｒｄｓｏｆｕｒｂａｎｒｅｓｉｄｅｎｔｓ，ａｎｄｐｒｏｍｏｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｕｒｂａｎｅｃｏｓｙｓｔｅｍｓ，ｔｈｉｓｓｔｕｄｙｔａｋｅｓｔｈｅｕｒｂａｎｆｏｒｅｓｔｉｎＣａｎｇｓｈａｎＤｉｓｔｒｉｃｔ，ＦｕｚｈｏｕＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ．Ｉｔａｐｐｌｉｅｓｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓ（ＵＡＶｓ）ｔｏｍｏｎｉｔｏｒｔｈｅｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｓｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｔｈｅｉｒｄｙｎａｍｉｃｃｈａｎｇｅｓ．Ｔｈｅｉｍａｇｅｓｗｅｒｅｓｅｇｍｅｎｔｅｄｂａｓｅｄｏｎｔｈｅｏｐｔｉｍａｌｓｃａｌｅ，ａｎｄｔｈｅｓｐｅｃｔｒａｌ，ｔｅｒｒａｉｎ，Ｉｎｄｅｘ，ｔｅｘｔｕｒｅ，ａｎｄｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｏｆｔｈｅｓｅｇｍｅｎｔｅｄｏｂｊｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄ．Ｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｍｂｉｎｉｎｇｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔｗａｓｓｅｌｅｃｔｅｄｕｓｉｎｇｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎ（ＲＦＥ）ｍｅｔｈｏｄ．Ｔｈｅｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｗｅｒｅｃｌａｓｓｉｆｉｅｄｕｓｉｎｇｔｈｅｏｂ⁃ｊｅｃｔ⁃ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒａｎｄｏｍｆｏｒｅｓｔ（ＲＦ）ｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｎｔｈｅｐｒｏｃｅｓｓｏｆＲＦｍｏｄｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｕｓｉｎｇｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｗａｓ８２．１２％．Ｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｏｆｔｅｒｒａｉｎｆｅａｔｕｒｅｓｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓ１４．９６％．ＴｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆＩｎｄｅｘｆｅａｔｕｒｅｓａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｉｍ⁃ｐｒｏｖｅｓｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｔｏａｃｅｒｔａｉｎｅｘｔｅｎｔ．Ｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｈａｖｅａｓｍａｌｌｃｏｎｔｒｉｂｕｔｉｏｎａｎｄｄｏｎｏｔｈａｖｅａｓｉｇｎｉｆｉｃａｎｔｃｏｎｔｒｉｂｕｔｉｏｎｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓ．ＴｈｅＳ１０ｓｃｈｅｍｅｏｆｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｓｕｂｓｅｔｈａｄｔｈｅｈｉｇｈｅｓｔｃｌａｓ⁃ｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ９２．４２％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．９１．Ｔｈｉｓｉｎｄｉｃａｔｅｓｔｈａｔｆｅａｔｕｒｅｓｅｌｅｃ⁃ｔｉｏｎｃａｎｒｅｄｕｃｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｈｉｇｈ⁃ｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｓ，ｗｈｉｌｅｇｒｅａｔｌｙｒｅｄｕｃｉｎｇｄａｔａｒｅｄｕｎｄａｎｃｙａｎｄｉｍｐｒｏｖｉｎｇｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｕｎｄｅｒｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔ，ｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅＲＦａｌｇｏｒｉｔｈｍｗａｓｉｎ⁃ｃｒｅａｓｅｄｂｙ１．１５％，１．８１％，ａｎｄ１５．１５％ｃｏｍｐａｒｅｄｔｏｅｘｔｒｅｍｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇ（ＸＧＢｏｏｓｔ），ｌｉｇｈｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａ⁃ｃｈｉｎｅ（ＬｉｇｈｔＧＢＭ），ａｎｄｋ⁃ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒａｌｇｏｒｉｔｈｍ（ＫＮＮ），ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓｉｎｃｒｅａｓｅｄｂｙ１％，２％，ａｎｄ１７％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ㊀Ｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ；ＵＡＶｉｍａｇｅｒｙ；Ｏｂｊｅｃｔ－ｂａｓｅｄ；Ｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌ；Ｔｅｒｒａｉｎｆｅａｔｕｒｅ㊀㊀城市树木作为城市的重要组成部分是评估城市生态环境的重要指标之一，具有重要的生态㊁经济和社会效益［１］㊂随着城市化进程的不断深化，城市树木的生态效益也日渐凸显㊂然而，不同种类㊁种植结构和种植区域的城市树木会产生不同的生态环境效益［２］㊂因此，及时准确地获取城市树种的类别和空间分布信息对城市规划㊁城市树木的管理与维护具有重要意义［３］㊂传统的城市树种分类主要依靠地面调查，然而该方法存在成本高㊁耗时长且难以获取大尺度数据等不足［４］㊂近年来，遥感技术飞速发展，为城市树种的准确快速识别提供了新的途径㊂然而，传统的高分辨率卫星遥感影像易受天气和环境因素干扰㊁时效性较差且费用昂贵㊂此外，免费提供的卫星遥感影像空间分辨率低，难以适用于树种层面的识别研究［５］㊂相比传统的遥感平台，近地无人机（ＵＡＶ）能在较小空间尺度上提供高分辨率的遥感影像和地理数据，具有更高的适用性，是遥感数据获取的重要手段之一［６］㊂然而，目前有关树种信息提取的无人机遥感研究多集中于多光谱㊁高光谱影像的分类领域，但由于搭载多光谱㊁高光谱传感器的无人机普遍价格昂贵，极大地限制了其在实际生产中的推广应用㊂随着数码技术的发展，通过搭载可见光传感器的无人机获取包含树种信息的遥感影像，具有获取方便㊁成本低㊁空间分辨率高等优点，已成为遥感影像识别树种研究方向上重要的数据源之一［７］㊂根据遥感影像分类单元的不同，可将分类方法归为基于像元和面向对象两类㊂基于像元的方法主要关注局部像素的光谱信息，在处理高分辨率遥感影像时对噪声比较敏感㊁稳健性差，极易出现错分㊁漏分现象［８］㊂为弥补基于像元方法的不足，面向对象的影像分析技术（ＯＢＩＡ）逐渐被用于处理高分辨率遥感影像［９］㊂ＯＢＩＡ方法综合考虑区域相邻像素的纹理㊁形态以及空间结构等多维特征，减少了 椒盐噪声 的同时，通常具有更高的准确率［１０］㊂然而，随着特征维数的增加，数据处理的难度呈几何倍数增长，使得传统分类算法的应用受到一定限制㊂随机森林（ＲＦ）是一种基于集成学习思想集成多颗决策树的机器学习算法，通过对样本的决策树建模以及组合多棵决策树的预测，最终由分类树投票决定数据的分类［１１］㊂随机森林算法不仅具有模型简单㊁分类精度更高㊁校正参数更少的特点，而且鲁棒性强，不易过拟合，在遥感领域高维特征分类中得到广泛应用［１２］㊂面向对象方法可以有效减少 同物异谱 现象，而随机森林算法在处理高维数据时有其独特的性能优势，二者的结合在一定程度上提高了分类精度㊂宗影等［１３］将面向对象方法和随机森林算法的有机结合，有效提高了滨海湿地植被的分类精度，总体精度达８７．０７％；赵士肄等［１４］将面向对象方法和随机森林算法应用于耕地领域，并与其他机器学习分类算法进行对比验证，结果表明基于面向对象的随机森林模型取得了最高的耕地提取精度，并减弱了 椒盐 噪声，优化了分类结果；耿仁方等［１５］研究结果表明，基于面向对象结合随机森林算法对岩溶湿地植被具有较高的识别能力，在９５％置信区间内的总体精度为８６．７５％㊂虽然该方法的研究已经取得了一定的成功，但不同类型的特征对城市树种信息提取效果的影响尚不明确㊂因此，面向对象结合随机森林的方法对于城市树种分类的效果有待进一步探讨㊂此外，目前主流的数据源是大尺度的卫星影像和航空影像，或者是特征信息更加丰富的多光谱和激光雷达影像，而消费级无人机可见光影像在城市树种的精细分类方面还鲜有报道㊂因此，本文以福州市仓山区无人机可见光影像为研究对象，基于ＯＢＩＡ－ＲＦ模型，通过特征优选，构建最佳子集并比较不同机器学习算法的分类精度，并分析不同特征对城市树种分类的影响，构建该研究区城市行道树的最佳特征子集，比较不同分类算法对城市树种的分类效果，进一步评估ＯＢＩＡ－ＲＦ模型的分类性能和适用性，为城市生态系统保护及生态环境治理提供技术支持㊂１㊀研究区概况研究区位于福建省福州市仓山区（见图１），该区域属于南亚热带海洋性季风气候温暖湿润，冬季无严寒，夏季无酷暑㊂年日照时间１７００ １９８０ｈ，年降水量９００ ２１００ｍｍ，气温２０ ２５ħ㊂福州市仓山区典型树种包括白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉ⁃ｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌ⁃ｃａｔａｒｉａｆａｌｃａｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａ⁃ｃｈｙｃａｒｐｕｓｆｏｒｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ）等㊂研究区地势平坦，自然环境相对复杂，具备城市的基本特征，对研究城市树种分类具有一定的代表性㊂２㊀研究方法２．１㊀无人机数据采集与预处理实验数据于２０２０年２月８日采集，采用搭载ＦＣ６３１０Ｓ可见光镜头的大疆精灵４Ｐｒｏ（ＤＪＩＰｈａｎｔｏｍ４Ｐｒｏ）无人机进行航拍获取研究区影像，为削弱阴影对分类过程的干扰，选择天气状况良好无风有云的时间段进行作业㊂飞行相关参数设置如下：航高设置为６０ｍ，航向与旁向重叠率均为７０％，镜头角度－９０ʎ，光圈值ｆ／５，曝光时间１／２００ｓ，ＩＯＳ速度为ＩＯＳ－４００㊂本次飞行共获得４５０张航拍影像，照片分辨率为５４７２ˑ３０７８㊂通过瑞士Ｐｉｘ４Ｄｍａｐｐｅｒ专业摄影测量软件对所采集的原始数据进行空中三角测量㊁点云重建㊁裁切以及镶嵌等操作，得到研究区的正射影像（ＤＯＭ）和数字地表模型（ＤＳＭ）㊂为了精确获得研究区的道路信息，采用天地图在线矢量影像作为辅助信息，并通过手绘的方式提取道路矢量数据㊂根据实际调查情况，利用缓冲分析，将缓冲距离设置为５ｍ，得到了行道树的矢量分布图，然后，将矢量布图与原始影像叠加，最终裁剪出了研究区影像㊂２．２㊀地形特征提取归一化数字表面模型（ｎＤＳＭ）是一种反映地物绝对高度的高程模型［１６］，可为地物判别提供可靠依９４第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类据㊂使用ＡｒｃＭａｐ１０．２软件进行地形特征提取㊂首先，通过人工目视解译方法从ＤＳＭ中选取９５０个地面点，并批量提取栅格的高程信息，其中１００个样本点的高程数据用以验证精度㊂其次采用插值的方法生成数字高程模型（ＤＥＭ）㊂为获取更加精确的地面高程信息，比较常见的插值方法（克里金插值法㊁反距离权重法㊁样条插值法以及自然邻域法）生成的数字高程模型（ＤＥＭ），以均方根误差㊁平均绝对值误差和决定系数（Ｒ２）作为评分指标（见表１）㊂４种插值方法均可得到较高精度的ＤＥＭ数据，综合考虑决定系数（Ｒ２）㊁平均绝对值误差以及均方根误差，最终确定采用克里金插值法生成连续的ＤＥＭ数据㊂最后，根据已生成的ＤＥＭ数据，利用Ａｒｃ⁃Ｍａｐ１０．２软件中的栅格计算器，将ＤＳＭ数据与ＤＥＭ数据相减得到ｎＤＳＭ数据［１７］㊂图１㊀研究区概况图表１㊀不同插值方法精度评价方㊀法决定系数（Ｒ２）平均绝对值误差均方根误差克里金插值法０．９９０．０７０．０４反距离权重法０．９９０．０８０．０４样条插值法０．９９０．０８０．０５自然邻域法０．９９０．０７０．０４２．３㊀最佳分割尺度确定影像分割是面向对象方法中至关重要的初始环节，分割结果将直接影响分类精度［１８］㊂本研究采用尺度参数评价工具（ＥＳＰ２），结合目视解译的方法确定最佳分割尺度，所有图像分割过程均在ｅＣｏｇｎｉ⁃ｔｉｏｎ９．０Ｄｅｖｅｌｏｐｅｒ９．０软件完成㊂ＥＳＰ２是用以评价不同尺度影像整体最大差异性的工具，通过计算整体局部方差均值随尺度变化率评估不同地物所对应的最佳尺度参数［１９］㊂而ＥＳＰ２计算出的尺度参数往往是多个值，需要结合人工目视才能确定最佳分割尺度㊂形状参数和紧致度参数是准确表示不同树种轮廓，使得对象内部同质性高的关键㊂综合考虑无人机影像的特点以及影像对象形状和紧致度因子的相互关系，将形状参数设置为０．５，紧致度参数设置为０．３㊂其他必要参数为：各波段的权重值设置为１㊁起始分割尺度为４０㊁分割步长为１㊁迭代８０次㊂随着尺度的增大，局部方差均值整体呈现上升的趋势，而尺度变化率呈现下降的趋势（见图２）㊂为了获得图像的过分割和欠分割之间的临界值，选取尺度变化率峰值为５１㊁５７㊁７６㊁８０㊁８９㊁１０４㊁１０９和１１８作为相对最佳分割尺度参数，采用多尺度分割算法得到分割结果（见图３）㊂当分割尺度参数设置较大（分割尺度参数大于１０４）时，白兰㊁榕树和背景多处０５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷被划分为同一个对象，不同树种存在混淆现象难以被区分㊂当分割尺度参数设置较小（分割尺度小于７６）时，不同地物内部出现了过分割现象，增加了数据冗余㊂当分割尺度参数设置７６ ８９时，植被与背景区分相对明显，不同的树种之间能够被分割成独立的对象，整体分割效果较为理想㊂权衡分割效果与实际情况的吻合度，最终确定研究区无人机影像最佳分割尺度参数为７６，并利用该分割尺度参数进行城市行道树提取㊂图２㊀ＥＳＰ２最佳分割尺度估计图图３㊀不同尺度参数分割效果图２．４㊀对象光谱特征提取光谱特征是遥感影像的重要特征之一，地物通常具有不同的光谱特征，因此根据可见光影像中的地物光谱信息的差异可以用来区分不同的地物类型［２０］㊂植被指数利用植被在不同波段下反射和吸收的特性，增强植被信息的同时使非植被信息最小化［２１］，被广泛应用于林业病虫害防治㊁农作物生长量估计㊁生态环境监测等领域［２２］㊂在遥感图像中，不同地物通常具有复杂程度不同的边缘特征，因此，形状特征可以作为快速准确识别地物类型的有效手段［２３］㊂纹理特征是遥感影像的底层特征，不受图像亮度的影响，能够综合反映像素的灰度分布和结构信息，利用纹理特征可以有效弥补可见光影像光谱信息的不足［６］㊂在面向对象的分类过程中，结合纹理特征对于提升分类精度效果显著［２４］㊂地形特征能真实反映不同地物的高程信息，在影像分类过程中对于区分不同类型的地物具有重要意义㊂因此，本研究共选取光谱㊁指数㊁纹理㊁几何以及地形５大特征，剔除无效特征筛选出４０个子特征，具体如下：（１）光谱特征（ＳＰＥＣ）：主要包括：红色（Ｒ）波段的像元亮度的均值（ＭＲ）㊁绿色（Ｇ）波段的像元亮度的均值（ＭＧ）㊁蓝色（Ｂ）波段像元亮度的均值（ＭＢ）㊁最大差异值（Ｍｄ）㊁亮度值（Ｂｒ）㊂（２）指数特征（ＩＮＤＥ）：包括植被颜色指数（ＩＣＩＶＥ）㊁可见光波段差异植被指数（ＩＶＤＶＩ）㊁联合指数２（ＩＣＯＭ２）㊁超绿指数（ＩＥＸＧ）㊁超绿超红差分指数（ＩＥＸＧＲ）㊁植被指数（ＩＶＧＥ）㊁归一化红绿差异指数（ＩＮＧＲＤＩ）以及归一化绿蓝差异指数（ＩＮＧＢＤＩ）（见表２）㊂（３）几何特征（ＧＥＯＭ）：包括面积㊁边界长㊁宽度㊁长度㊁不对称性㊁长宽比㊁边界指数㊁圆度㊁像素个数㊁紧致度㊁体积㊁密度㊁椭圆拟合㊁主方向㊁形状指数㊁最大封闭椭圆半径㊁最小封闭椭圆半径以及矩形拟合㊂１５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类（４）纹理特征（ＧＬＣＭ）：基于灰度共生矩阵（ＧＬＣＭ）提取影像的纹理特征，包括对比度（ＴＣＯＮ）㊁相关性（ＴＣＯＲ）㊁相异性（ＴＤＩＳ）㊁熵（ＴＥＮＴ）㊁同质度（ＴＨＯＭ）㊁均值（ＴＭＥＡ）㊁角二阶矩（ＴＡＳＭ）和标准差（ＴＳＤ）等特征值［６］（见表３）㊂（５）地形特征：归一化数字表面模型（ｎＤＳＭ）㊂表２㊀植被指数及表达式指数特征公㊀式归一化红绿差异指数（ＩＮＧＲＤＩ）［２５］ＩＮＧＲＤＩ＝（ＭＧ－ＭＲ）／（ＭＧ＋ＭＲ）归一化绿蓝差异指数（ＩＮＧＢＤＩ）［２６］ＩＮＧＢＤＩ＝（ＭＧ－ＭＢ）／（ＭＧ＋ＭＲ）超绿指数（ＩＥＸＧ）［２７］ＩＥＸＧ＝２ＭＧ－ＭＢ－ＭＲ超绿超红差分指数（ＩＥＸＧＲ）［２８］ＩＥＸＧＲ＝ＭＧ－ＭＢ－２．４ＭＲ可见光波段差异植被指数（ＩＶＤＶＩ）［２１］ＩＶＤＶＩ＝（２ＭＧ－ＭＲ－ＭＢ）／（２ＭＧ＋ＭＲ＋ＭＢ）植被颜色指数（ＩＣＩＶＥ）［２９］ＩＣＩＶＥ＝０．４４ＭＲ－０．８８ＭＧ－０．３９ＭＢ＋１８．７９植被指数（ＩＶＧＥ）［３０］ＩＶＧＥ＝ＭＧ／ＭａＲＭ１－ａＢ，ａ＝０．６６７联合指数２（ＩＣＯＭ２）［３１］ＩＣＯＭ２＝０．３６ＩＥＸＧ＋０．４７ＩＣＩＶＥ＋０．１７ＩＶＧＥ㊀㊀注：ＭＲ㊁ＭＧ㊁ＭＢ分别为红㊁绿㊁蓝波段像元亮度的均值㊂表３㊀纹理特征及表达式纹理指标公㊀式角二阶矩（ＴＡＳＭ）ＴＡＳＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）２对比度（ＴＣＯＮ）ＴＣＯＮ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｊ）２相关性（ＴＣＯＲ）ＴＣＯＲ＝ðＮｇｉ＝０ðＮｇｊ＝０（（ｉ－ｕｘ）ˑ（ｊ－ｕｙ）ˑｐ（ｉ，ｊ）２）／σｘσｙ相异性（ＴＤＩＳ）ＴＤＩＳ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ｜ｉ－ｊ｜熵（ＴＥＮＴ）ＴＥＮＴ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｌｎｐ（ｉ，ｊ）同质度（ＴＨＯＭ）ＴＨＯＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（１／（１＋（ｉ＋ｊ）２））均值（ＴＭＥＡ）ＴＭＥＡ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｉ标准差（ＴＳＤ）ＴＳＤ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｕｘ）２㊀㊀注：其中ｉ，ｊ是像元在图像中的行列坐标，ｐ（ｉ，ｊ）为像素对的频数，Ｎｇ为灰度级数，ｕｘ㊁σｘ分别为ｐｘ的均值和标准差，ｕｙ㊁σｙ分别为ｐｙ的均值和标准差㊂２．５㊀试验样本选取本实验通过实地调查获取样本数据㊂调查者沿着研究区的主要道路记录了绿化树种，并排除了数量较少或被其他冠层遮挡的树种，最终确定了７类树种（白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌｃａｔａｒｉａｆａｌｃａ⁃ｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａｃｈｙｃａｒｐｕｓｆｏｒ⁃ｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ））以及草地㊁灌木作为研究对象㊂根据遥感影像中不同地物类型的分布位置与大致面积比例，共选取了１１００个样本点㊂为了避免较小的样本数量影响模型分类精度，将最小样本数量设置为６０㊂采用Ｓｃｉｋｉｔ－ｌｅａｒｎ中内置的ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ函数进行分层抽样，按７：３的比例将数据划分为训练集和测试集（见表４），使各类别样本点数量大致与该类别的总面积成比例㊂训练集用于构建分类模型，测试集用于验证分类精度㊂表４㊀训练和验证样本地物总样本数训练样本数测试样本数白兰２００１４０６０草地５０３５１５灌木５０３５１５荔枝１４０９８４２芒果２００１４０６０南洋楹１２０８４３６榕树１４０９８４２棕榈６０４２１８樟１２０８４３６总计１１００７７０３３０２．６㊀分类模型与参数优化２．６．１㊀随机森林算法随机森林算法（ＲＦ）是一种通过集成学习的装袋思想将多棵决策树集合起来的算法，每棵决策树都充当预测目标类别的分类器㊂随机森林模型在样本数据和分类特征选择方面具有随机性，不容易过拟合，并且表现出良好的稳健性，即使在处理具有缺失值的高维数据时，仍能保持较高的分类精度㊂因此，它被认为是当今最好的算法之一［３２］㊂目前，随机森林算法已经广泛集成在各种软件包中，使用Ｓｔａｔａ数据管理统计绘图软件㊁Ｒ语言统计软件可以轻松实现㊂在模型构造的过程中，通常只需要确定每个树节点包含的特征数量（Ｍ）以及决策树数量（Ｎ），就足以保证模型的性能［３３］㊂本文采取递归特征消除法（ＲＦＥ）［３４］结合交叉验证（Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ）确定最佳特征数（见图４）㊂随着特征维数的增加，整体分类精度曲线经历 几何增长 ㊁ 缓慢上升 这个两个阶段后趋于平稳㊂当特征数为２０时，各分类精度曲线均处于相对最高点，因此最终将特征数量的参数设置为２０㊂在使用装袋方法生成训练集的过程中，随机森林算法会导致原始数据集中大约３７％的数据未被抽到，这部分数据被称为袋外（ＯＯＢ）数据㊂利用袋外数据对随机森林模型进行评估是一种无偏估计方法，且在一定程度上能减少计算量，提高算法的运行效率［３５］㊂因此，本文采取遍历不同数量（１ １０００）决策树的方法，通过比较袋外误差的大小，确定最佳的决策树数量（见图５）㊂当决策树数量小于８５时，不同子集的袋外数据误差均随着决策树数量的增加而急剧下降，而后随着决策树数量的增加袋外数据误差的下降速度逐渐迟缓，当决策树数量为２００时，袋外数据误差处于相对最低点㊂因此，选择决策树２５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的最佳数量为２００㊂图４㊀模型分类精度与特征数的关系曲线图５㊀袋外误差与决策树数量的关系曲线２．６．２㊀其他分类模型为充分探索随机森林算法对城市树种信息提取的适用性，引入当下流行的机器学习算法作为对照，包括极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）以及ｋ最近邻算法（ＫＮＮ）㊂ＸＧＢｏｏｓｔ是一种基于增强学习（Ｂｏｏｓｔｉｎｇ）的集成算法，它通过在梯度下降方向上将弱分类器集成到强分类器中，并迭代生成新树以拟合先前树的残差㊂ＸＧＢｏｏｓｔ能够自动利用中央处理器（ＣＰＵ）的多线程进行分布式学习和多核计算，在保证分类准确度的前提下提高计算效率，尤其适用于处理大规模数据［３６－３７］㊂ＬｉｇｈｔＧＢＭ也属于增强学习方法，基本原理与ＸＧ⁃Ｂｏｏｓｔ相似㊂但ＬｉｇｈｔＧＢＭ使用基于直方图的决策树算法来减少存储与计算成本，并优化模型训练速度［３８］㊂ＫＮＮ算法是一种近似自变量与连续结果之间的关系的非参数方法［３９］，其基本思路是通过计算待分类样本与临近样本的距离（欧氏距离㊁曼哈顿距离）来确定所属类别，是一种简单而有效的分类算法㊂为了防止过拟合，本研究在ＪｕｐｙｔｅｒＮｏｔｅｂｏｏｋ平台上利用Ｓｃｉｋｉｔ－ｌｅａｒｎ库中的ＧｒｉｄＳｅａｒｃｈＣＶ包对这３种分类器参数进行了调优（见表５）㊂表５㊀不同分类器的超参数分类器参㊀数参数取值范围极致梯度提升（ＸＧＢｏｏｓｔ）决策树数量［５０，１００，１５０，２００］最大树深度［３，５，７，９］学习率［０．０１，０．０５，０．１０］样本抽样率［０．６，０．８，１．０］特征抽样率［０．６，０．８，１．０］轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）学习率［０．０１，０．０５，０．１０］决策树数量［５０，１００，１５０，２００］叶子节点数［１０，２０，３０，４０］最大树深度［３，５，７，９］ｋ最近邻算法（ＫＮＮ）近邻数［１，２，３，４，５，６，７，８，９，１０］２．７㊀试验方案构建不同树种之间单一特征的差异有限，难以满足树种分类的要求㊂因此，本研究采取增加特征数量的方式来提高分类精度，并探究不同特征组合对分类结果的影响（见表６）㊂表６㊀研究区各地物特征值地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟面积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１不对称性０．５５０．４３０．４４０．４３０．４５０．４２０．４８０．５６０．４５边界指数１．７４１．４６２．０１１．９７１．９９１．８４２．０６２．１９１．７９边界长５７８．７０３４０．２０４３１．９５６５０．４１６６９．２９６７０．７３４８８．１６４０８．６３６０１．００亮度值８３．１０７８．７９１１５．６９７４．０９７７．２０８１．１５７１．６３９６．８７６３．８３植被颜色指数－２９．１４－３３．１７－４７．７８－２１．１５－１８．８９－２１．６２－２９．９６－１７．７４－２０．１８联合指数２１４．１１１６．２５２０．１９１１．７４１０．７５１１．６０１５．２７９．２５１１．８２紧致度１．８５１．６３１．８７１．９１１．８６１．８０２．００２．３６１．８５密度２．０３２．１０２．０４２．１０２．１０２．１６１．９７１．８２２．０９超绿指数７６．６０８７．７７１１７．８１５９．６２５３．９３５９．８２８０．８３４８．３１５８．５２超绿超红差分指数－２１５．５６－２０４．０６－３０４．３３－１９４．８８－２０４．０７－１９９．５４－１６８．３２－２７３．２４－１５５．９７椭圆拟合０．６８０．７５０．６３０．６７０．６７０．７１０．５９０．５００．６８角二阶矩０００００００００对比度５５６．７７７８６．２４８７７．５５５９７．２９６１４．１２７７０．７７７１４．２５７６５．５１５１４．１１相关性０．８７０．８２０．８２０．８８０．８８０．８４０．８５０．８６０．９０相异性１７．１３１９．０５２１．６６１８．１２１８．６８２０．２８１９．７２１９．６２１６．６４熵８．７９８．６６８．９０９．１４９．１８９．１９８．９４８．６９９．０７同质度０．０６０．０６０．０５０．０５０．０５０．０５０．０５０．０５０．０６均值１２７．０３１２６．０７１２５．６７１２６．８１１２６．６８１２６．７３１２６．２３１２５．９７１２６．８８３５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类续（表６）地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟标准差３４．１７３４．６５３６．２３３６．４０３６．２３３５．７６３６．４０３７．６６３６．３２长度１４３．４５９１．１０８５．９６１３６．３３１３６．９０１４４．３８１００．０３８９．６２１３８．３１长宽比１．８１１．７４１．５２１．５５１．５５１．５１１．６２１．７８１．６１主方向１１３．６１１３０．６３９５．３２９６．５２９４．５６９４．５５９１．４８８３．５６８１．４５最大差异值１．６４１．６９１．５３１．４７１．３６１．２０１．５０１．３４１．４６蓝色（Ｂ）波段像元亮度的均值８４．４７６６．８０９４．６２７４．２０７９．０８８１．７２６３．６４１０５．５３６４．３８绿色（Ｇ）波段像元亮度的均值１３６．２２１３３．７５１８９．３６１１６．２８１１６．９０１２０．４０１１８．７９１４１．２９１０１．７２红色（Ｒ）波段像元亮度的均值１１１．３８１１２．９２１６６．２８９８．７４１００．７９９９．２６９３．１１１２８．７５８０．５５归一化数字表面模型０．３２１．７０１２．５１７．１６１２．０４２３．２０１０．９６１１．９３８．６７归一化绿蓝差异指数０．２１０．２７０．２７０．２００．１７０．１８０．２６０．１３０．２１归一化红绿差异指数０．１００．０９０．０７０．０８０．０７０．１００．１３０．０５０．１２像素个数６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１最大封闭椭圆半径０．５８０．７２０．４９０．５６０．５４０．６１０．４５０．３８０．５９最小封闭椭圆半径１．４５１．３９１．４４１．４９１．４５１．４３１．５１１．６３１．４５矩形拟合０．８２０．８６０．８００．８２０．８２０．８３０．７８０．７４０．８２圆度０．８６０．６７０．９５０．９３０．９２０．８２１．０６１．２５０．８６形状指数１．８４１．５５２．０９２．０４２．０６１．９０２．１６２．３２１．８６可见光波段差异植被指数０．１７０．２００．１９０．１５０．１３０．１４０．２１０．０９０．１７植被指数１．３６１．４３１．３８１．３０１．２６１．３０１．４６１．１８１．３７体积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１宽度８０．７８５２．７５５８．０３９０．８１９０．４９９７．８８６２．９６５１．４６８８．９４㊀㊀根据优选特征贡献率（见表７），将所选取的５大特征组合形成了１０种试验方案（Ｓ１ Ｓ１０）㊂光谱特征作为每幅遥感影像的基本特征，作为基础被纳入到这１０种方案的构建中㊂其中，Ｓ１仅包含光谱特征；为了全面探究其他特征对分类结果的影响，在Ｓ１基础上引入了地形㊁指数㊁纹理等３个总体特征贡献率较高的特征，通过遍历这３个特征的各种组合得到了Ｓ２ Ｓ８；Ｓ９包含了所有的特征；根据２０个优选特征组合建立Ｓ１０，具体的分类方案见表８㊂表７㊀优选特征重要性优选特征重要性／％归一化数字表面模型１４．９６最大差异值１２．４１联合指数２５．５７植被颜色指数５．４２绿色（Ｇ）波段像元亮度的均值４．８４归一化绿蓝差异指数４．６７超绿指数４．５８亮度值４．３６可见光波段差异植被指数３．４２植被指数３．２６红色（Ｒ）波段像元亮度的均值３．０５角二阶矩２．９０蓝色（Ｂ）波段像元亮度的均值２．８６超绿超红差分指数２．７８标准差２．２５归一化红绿差异指数２．２３熵２．０３相关性１．９７均值１．４１边界指数１．２８表８㊀分类方案方案特征子集特征数量Ｓ１光谱５Ｓ２光谱＋地形６Ｓ３光谱＋指数１３Ｓ４光谱＋纹理１３Ｓ５光谱＋地形＋指数１４Ｓ６光谱＋地形＋纹理１４Ｓ７光谱＋指数＋纹理２１Ｓ８光谱＋地形＋指数＋纹理２２Ｓ９光谱＋地形＋指数＋纹理＋几何４０Ｓ１０优选特征２０２．８㊀精度评价本文根据混淆矩阵对模型的分类精度进行定量评价㊂混淆矩阵也称为误差矩阵，是遥感影像二分类问题上的一种评价方法，反映了分类结果与真实地物类别之间的相关性［４０］㊂混淆矩阵的评价指标包括总体精度（ＯＡ）㊁Ｋａｐｐａ系数（Ｋｐ）㊁生产者精度（ＰＡ）以及用户精度（ＵＡ）㊂其中，总体精度指正确分类样本与总体样本的比值；生产者精度指分类结果与参考分类相符合的程度；用户精度指样本分类正确的可能性；Ｋａｐｐａ系数是用于检验遥感影像分类结果的一致性，也可以用以均衡分类效果［４１］㊂各指标计算公式如下：㊀㊀㊀㊀㊀ＯＡ＝ðｎｉ＝１ｘｉｉＮ；㊀㊀㊀㊀㊀Ｋｐ＝Ｎðｎｉ＝１ｘｉｉ－ðｎｉ＝１ｘｉ＋ｘ＋ｉＮ２－ðｎｉ＝１ｘｉ＋ｘ＋ｉ；４５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷㊀㊀㊀㊀㊀ＰＡ＝ｘｉｉ／ｘ＋ｉ；㊀㊀㊀㊀㊀ＵＡ＝ｘｉｉ／ｘｉ＋㊂式中：Ｎ为参与评价的样本总数；ｎ为混淆矩阵的行列数；ｘｉｉ为混淆矩阵第ｉ行㊁第ｉ列上的样本数；ｘｉ＋和ｘ＋ｉ分别为第ｉ行和第ｉ列的样本总数㊂３㊀结果与分析３．１㊀随机森林算法的不同分类方案精度由表９可知，随着不同特征类型数量的增加，总体分类精度和ｋａｐｐａ系数整体呈上升趋势㊂其中，仅利用光谱特征作为分类依据的方案Ｓ１精度最低，总体精度和ｋａｐｐａ系数分别为８２．１２％和０．７９，说明光谱特征是遥感影像最重要的特征之一，但仅利用光谱特征难以达到所需的分类精度㊂方案Ｓ２ Ｓ４是在Ｓ１的基础上分别加上地形㊁指数和纹理特征，相比方案Ｓ１，这３个方案的总体分类精度分别提高了５．１５％㊁４．５５％㊁１．８２％，ｋａｐｐａ系数分别提高了０．０６㊁０．０６㊁０．０３㊂在分类过程中，地形特征相较于指数和纹理特征扮演着更重要的角色，大幅提高了分类精度㊂方案Ｓ５ Ｓ７是在光谱特征的基础上加入地形㊁指数和纹理特征的两两组合，旨在研究它们之间的相互作用对分类精度的影响㊂整体而言，与Ｓ２ Ｓ４相比，这３个方案的总体分类精度呈上升趋势㊂其中，Ｓ６具有最高的总体精度和ｋａｐｐａ系数，分别达到９０％和０．８８；其次是Ｓ７，和Ｓ１相比，总体精度和ｋａｐｐａ系数分别提高了７．２７％和０．０９；而Ｓ５总体精度和ｋａｐｐａ系数只增长了６．３６％和０．０８㊂表明地形与指数特征交互作用在分类过程中提供了更大的贡献度㊂方案Ｓ８是由特征重要性靠前的光谱㊁地形㊁指数以及纹理特征构成㊂与包含所有特征的方案Ｓ９相比，Ｓ８反而具有更高的总体分类精度和ｋａｐｐａ系数，分别达到９２．１２％和０．９１㊂表明几何特征对分类精度具有负向影响，它的加入降低了分类精度㊂方案Ｓ１０由优选特征组成，其获得了所有子集中最高的分类精度和ｋａｐｐａ系数，分别为９２．４２％和０．９１㊂与Ｓ９相比，分类精度提高了０．６０％㊂说明特征优选方法能消除高维复杂特征间的信息冗余，使模型仅利用较少特征数量并获得更高的运行效率和分类精度㊂表９㊀不同分类方案分类精度方案总体精度／％Ｋａｐｐａ系数方案总体精度／％Ｋａｐｐａ系数Ｓ１８２．１２０．７９Ｓ６９０．０００．８８Ｓ２８７．２７０．８５Ｓ７８９．３９０．８８Ｓ３８６．６７０．８５Ｓ８９２．１２０．９１Ｓ４８３．９４０．８２Ｓ９９１．８２０．９１Ｓ５８８．４８０．８７Ｓ１０９２．４２０．９１㊀㊀由表１０可知，虽然Ｓ１方案的用户精度与生产者精度整体上处于最低水平，但棕榈树的用户精度达到了１００％，表明棕榈与其他树种存在明显的光谱差异㊂方案Ｓ２加入地形指数后，各类地物的用户精度与生产者精度相比Ｓ１都有不同程度的提高，用户精度提升幅度１．８８％ ８．１８％，生产者精度提升幅度２．７８％ １１．１１％，因为地形特征的加入更好的反映了不同地物之间的空间关系，从而大幅提高了分类精度㊂方案Ｓ３在Ｓ１的基础上加入了指数特征，荔枝㊁榕树以及樟的用户精度分别提升了１０．９５％㊁９．１８％和８．７２％，说明植被指数对荔枝㊁榕树以及樟分类效果显著，但对于其他树种的区分能力有限㊂方案Ｓ４加入纹理特征，芒果和樟的用户精度提升了８．８５％和９．００％，而棕榈和榕树的生产者精度分别提升了２２．２２％和１１．９％，说明这些树种的纹理结构特异性强与其他地物的差异显著，因此纹理特征的加入对分类精度有正向影响㊂方案Ｓ５与Ｓ２相比，荔枝和榕树的用户精度提升了７．０５％和５．１２％，而草地的精度下降了５．８８％；与Ｓ３相比，灌木的用户精度提升了４．４７％㊂总体而言，地形特征与指数特征的组合对分类精度的提升不显著，并且在某些树种的分类上精度出现不同程度的下降，说明这二者的组合产生了冗余信息影响了分类精度㊂方案Ｓ６与Ｓ２相比，芒果与樟的用户精度分别提升了６．４４％和７．６６％，而棕榈树和榕树的生产者精度分别提升了２７．７８％和１１．９０％，这个结果与方案Ｓ４类似，说明地形特征和纹理特征的组合与树种的分类精度呈正相关㊂方案Ｓ７与Ｓ６相比，除个别树种外，整体精度出现了不同程度的降低，波动范围为－６．２１％ ４．０４％㊂然而，与方案Ｓ５相比，总体分类精度有一定的提升，波动范围是－０．５８％ ７．５５％㊂方案Ｓ８与表现最好的方案Ｓ７相比，荔枝和榕树的总体分类精度分别提升了９．４２％和６．６７％，其他树种的总体分类精度保持稳定，这表明高维度的特征组合带来了更多的信息，在一定程度上提高了分类精度㊂综合所有特征的方案Ｓ９与Ｓ８相比，总体分类精度呈现出不升反降的现象，波动范围为－１０．２３％ ４．７４％，说明高纬度的特征产生了冗余信息，影响了随机森林模型的分类性能㊂优选特征子集Ｓ１０与Ｓ９相比，总体分类精度有所提升，其中灌木㊁草地以及荔枝的用户精度分别提升了１０．２３％㊁５．８８％和３．５５％㊂由此可见，特征优选通过对高维数据集的降维和优化，使模型仅利用较少的特征仍能保证良好的分类效果㊂３．２㊀应用优选特征子集对不同分类模型的精度评价由表１１可知，随机森林模型的分类精度最高，总体精度为９２．４２％，比ｋ最近邻算法（ＫＮＮ）㊁极致５５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类。

基于高分辨率影像土地利用遥感动态监测与分类信息提取方法摘要：本文介绍了基于高分辨率影像的土地利用遥感动态监测与分类信息提取方法，利用遥感技术动态监测土地利用的本质是对图像系列时域效果进行量化，通过量化多时相遥感图像空间域、时间域、光谱域的耦合特征，来获得土地利用变化的类型、位置和数量等内容。

利用遥感技术可以快速、大范围的获得土地利用变化区域，例如建设用地、农业用地、工业用地、交通用地，水体（河道变化）等。

关键字：遥感技术土地利用影像分类动态监测图像分割1.背景随着社会经济的发展，特别是城市建设步伐的加速，城市土地利用每年都在发生明显的变化。

传统的土地利用调查需要花费大量的人力、时间和经费,难以适应土地利用的这种快速变化。

遥感以其覆盖面大、信息更新快、人为干扰因素小等优点已逐渐应用到土地利用变化遥感动态监测中。

我国遥感技术在土地资源调查和监测中的应用始于20 世纪90 年代。

国家土地管理局成立以后，在国务院统一布署下，利用了TM、SPOT等多种遥感数据源，进行目视解译、分析和计算机自动分类制图等组织完成了全国县级土地详查，这一成果为各级政府制定经济建设规划、计划，为农业、工业、水利、能源、交通等各专业部门制定规划、计划提供了可靠的数据资料、为各项土地管理工作提供准确依据，已在经济建设、农业生产和土地管理中发挥了重要作用，也为我国开展土地利用动态监测提供了完整、可靠的本底资料。

1.技术流程和关键技术1.技术流程土地利用变化遥感动态监测是一个工作量比较大的过程，对遥感数据的预处理要求较高，变化信息的发现和变化信息的提取可选择和组合的方法很多，技术含量较高。

下图为土地利用变化遥感动态监测的技术流程。

1.动态监测技术流程1.关键技术遥感动态监测主要涉及图像预处理和土地利用变化信息检测和提取两部分，其关键技术也就主要包括图像预处理方法和土地利用变化信息提取方法。

值得我们注意的是，变化检测方法和信息提取方法不能说哪个绝对的好与坏，只能是根据不同的数据源和不同的应用需求选用适合的方法。

基于Quickbird影像的额济纳胡杨林树冠提取摘要:论文以QuickBird数据为例,基于高空间分辨率卫星影像,开展了内蒙古额济纳胡杨林树冠信息提取方法的研究。

在数据融合的基础上,采用面向对象的多层次图像分割方法,提取了影像中的树冠信息。

结果表明,稀疏胡杨林样区的整体用户精度为87.63%,生产者精度为89.49%。

密集胡杨林样区的整体用户精度为72.50%,生产者精度为83.21%。

该提取方法有助于研究胡杨林的分布,并对孤立木进行快速定位。

关键词:Quickbird 多尺度分割面向对象胡杨林1 引言传统基于像元的分类方法主要依据像元的光谱值,当不同种类间光谱区间重叠区域较大时极易产生误分类。

同时,各个类别内部的不均一性产生的椒盐噪声也容易对分类产生不良影响。

基于对象的分类方法中,分类对象是图像对象。

除了图像对象的光谱值外,图像对象的物理属性,相邻对象的几何位置关系等拓扑特征、纹理特征和属性都很方便地运用到分类中。

近10年来伴随着高空间分辨率的航空和卫星影像的应用和发展,基于对象特征的森林类型制图[1,2],基于树冠对象的分类[3],基于对象的尺度分析和尺度上推,应用基于对象的雷达分析模型用于森林调查,基于对象的、多尺度的土地利用类型制图,多尺度水线分析,森林树冠识辨等面向对象的分类和分析方法也得到了长足的发展。

本文采用基于对象的多层次分类方法对额济纳胡杨林自然保护区的Quickbird遥感图像进行了胡杨林的分割分类,以研究面向对象的分类方法针对阔叶树分类的效果以及在额济纳胡保护工程中对胡杨林的分布和定位所起到的效益。

2 研究区概况内蒙古额济纳胡杨林自然保护区地处内蒙古阿拉善盟额济纳旗境内。

额济纳胡杨林自然保护区由于胡杨林分布在额济纳河流域东、西两河及其19条干、支流的河漫滩上,所以自然保护区依据胡杨林自然生长的地形及地理位置,又分为东、西两个分区。

即东——七道桥分区和西——赛汉陶来分区。

样地内蒙古额济纳胡杨林国家级自然保护区七道桥分区,地质上属于天山、阴山地槽,位于华北陆台海西褶皱带内蒙古地槽西部边缘。

收稿日期:2005-10-12;修订日期:2006-03-02作者简介:胡进刚(1982-),男,硕士研究生,现主要从事摄影测量与遥感应用方面的研究。

一种面向对象的高分辨率影像道路提取方法胡进刚1,张晓东1,沈　欣1,张　婵2(1.武汉大学测绘遥感信息工程国家重点实验室,湖北武汉　430079;2.武汉大学遥感信息工程学院,湖北武汉　430079)摘要:高分辨率遥感影像为用户提供了丰富的地表细节信息,如何利用图像分析技术从高分辨率遥感影像中进行目标提取、更新地理信息数据库,成为遥感信息处理研究的热点。

传统的道路提取方法一般采用像素级检测方法,仅利用了像素的光谱信息作为道路提取的依据,无法利用影像的空间信息。

提出了一种面向对象的高分辨率卫星影像道路提取方法,并选取南京市IKON OS 影像进行了实验。

首先,对影像进行分割获取影像对象,再通过对IKONOS 影像中道路特征的分析,利用影像对象的光谱特征、几何特征和空间关系建立知识库,最后,利用知识库中的规则来提取影像中的道路。

实验结果表明采用本方法能够较好地提取出实验区中的道路。

关　键　词:遥感;面向对象;道路提取;影像分割;eCognitio n中图分类号:TP 79 文献标识码:A 文章编号:1004-0323(2006)03-0184-051　引　言遥感影像能够快速地获取地球表面信息,特别是随着高分辨率遥感影像的应用,使其成为GIS 数据库以及地图更新的重要信息源。

但是如何从高分辨率遥感影像中自动获取特征信息,一直是遥感应用的重要问题。

传统的人工判读和识别工作量大、成本高,因此利用计算机对遥感影像目标自动识别、特征提取是当前遥感信息处理的重要方向。

道路是遥感影像中的一个重要的特征,其提取可以分为全自动和半自动两种。

全自动提取无疑是遥感影像目标识别与特征提取的最终目标,但是由于遥感影像的复杂性和多样性,对道路等人工地物的自动提取又涉及到计算机视觉、人工智能、模式识别与图像理解等诸多方面。

森林变化检测方法比较谢馨娴;岳彩荣;霍鹏【摘要】近几十年来,多时相遥感影像处理和变化检测是遥感领域一个较为活跃的研究方向.森林是陆地上最大的生态系统,其变化对于全球生态环境、生物多样性和气候变化有重要影响.及时准确获取森林动态变化信息,对于碳源估测、实现森林资源可持续经营管理等具有重要意义.本文通过阅读大量国内外相关文献,对森林变化检测技术进行了系统的比较总结,将其归纳为6个大类,详细论述了各种方法的基本原理和特点并对其适用范围和优缺点进行了论述,以期对林业管理提供一定参考方法.【期刊名称】《四川林业科技》【年(卷),期】2018(039)003【总页数】7页(P13-19)【关键词】森林;变化检测;多时相影像;遥感技术【作者】谢馨娴;岳彩荣;霍鹏【作者单位】西南林业大学,云南昆明650000;西南林业大学,云南昆明650000;西南林业大学,云南昆明650000【正文语种】中文【中图分类】S771森林生态系统是陆地生态系统的重要组成部分，它作为全球碳平衡的巨大贡献者，受到人们的关注和重视(FAO，2001)。

因此有关森林信息的提取及动态变化的研究，对揭示生态系统环境的变化及植被恢复和重建布局等具有重要意义。

森林变化检测就是利用同一区域不同时相的各种数据(例如遥感影像、地理数据、林业档案数据等)，采用空间分析、统计分析、图像分析识别、数学模拟等多种方法，来提取森林变化信息，定量分析和确定森林变化的特征与过程，进而分析这些动态变化的特点与原因。

目前运用于森林变化检测的数据和方法很多。

其中，由于遥感数据具有周期性获取、多尺度空间分辨率、多波段类型等特征，遥感数据已经成为森林动态变化监测的主要数据来源。

下面就以遥感数据为基础，介绍几类常见的森林变化检测方法。

1 时间序列分析法时间序列分析法是森林变化检测的常用方法。

时间序列是指同一种现象在不同时间上的各个数值，按时间先后顺序排列而形成的序列。

国内外很多学者对此进行了研究，如Rogan[1],Hamzah Tangki[2],R.H.Fraser[3]等按时间序列利用不同时期的单幅TM影像，进行森林植被覆盖度的变化监测，并做了相关的精度评价。

基于遥感与GIS技术的林业资源管理与监测方法研究摘要：本文研究了基于遥感与GIS技术的林业资源管理与监测方法。

遥感技术通过获取卫星和无人机图像，实现对大面积森林的高效监测与调查。

GIS技术则在空间信息处理与分析上发挥重要作用，帮助整合与管理林业资源数据。

论文探讨了多源数据融合、影像分类、变化检测等关键技术，并结合实际案例验证了方法的有效性。

该研究为林业资源的科学管理与可持续利用提供了重要的技术支撑。

关键词：遥感技术、GIS技术、林业资源管理、监测方法、数据融合引言：随着全球森林资源日益受到威胁，如何高效管理与监测林业资源成为亟待解决的问题。

遥感与GIS技术作为信息时代的强有力工具，引起了广泛关注。

本文旨在探讨基于这些先进技术的林业资源管理与监测方法，以满足对大面积森林的准确评估和持续保护需求。

通过多源数据融合、影像分类、变化检测等关键技术，我们将揭示这些方法的优势与潜力，并结合实际案例验证其有效性。

此研究为保护森林资源、推动可持续发展提供了新的思路和科学支撑。

一遥感技术在林业资源管理中的应用遥感技术作为获取地球表面信息的一种高效手段，在林业资源管理领域具有广泛的应用。

通过卫星和无人机图像的获取，可以实现对大面积森林的快速、全面监测和调查，为科学决策提供可靠数据支持。

1 遥感技术可以实现森林资源的动态监测。

通过周期性获取高分辨率的遥感影像，可以对森林覆盖、林分结构和生长状态等进行实时监测与评估。

这些数据对于了解森林的生态状况和变化趋势至关重要，有助于科学规划林业资源的合理利用和保护。

2 遥感技术在林火监测与预警方面发挥着重要作用。

通过红外传感器等技术，可以快速探测并监测火灾的发生与蔓延情况，及时预警和采取灭火措施，从而有效减少林火造成的损失。

3 遥感技术还可以用于森林生态环境评估。

通过获取森林植被指数、土地利用/覆盖变化等信息，可以对森林生态系统的健康状况进行评估，发现生态环境问题，及时采取措施进行调整和修复，保护生态平衡。

基于高光谱遥感数据的森林树种分类基于高光谱遥感数据的森林树种分类是一种利用高光谱遥感技术识别和区分不同森林树种的方法。

高光谱遥感技术可以提供丰富的高频地物光谱信息，为树种分类提供了更多的特征信息，从而提高了树种分类的精度。

以下是一种基于高光谱遥感数据的森林树种分类的步骤：1.数据采集：使用高光谱遥感技术，如Hyperion高光谱影像，获取森林区域的高频地物光谱信息。

同时，收集森林树种的分布信息，以了解不同树种的分布情况。

2.数据预处理：对采集的高光谱数据进行预处理，如辐射定标、大气校正、图像融合等，以提高数据的质量和精度。

3.特征提取：从预处理后的高光谱数据中提取与森林树种相关的特征信息，如光谱曲线、谱角映射等。

这些特征可以反映不同树种的光谱差异，为后续的树种分类提供依据。

4.分类模型构建：利用提取的特征信息，构建适合森林树种分类的模型。

常用的分类模型包括支持向量机（SVM）、随机森林（RF）、神经网络等。

5.树种分类：将构建好的分类模型应用于高光谱遥感数据，对森林中的各个像元进行树种分类。

根据分类结果，可以得出不同树种在森林中的分布情况。

6.结果验证：对分类结果进行精度验证，常用的方法包括混淆矩阵、Kappa系数、总体精度等。

如果精度不满足要求，需要对模型进行调整和优化，以提高分类精度。

7.应用分析：根据分类结果，可以进行一系列的应用分析，如森林资源调查、生态效益评估、林火监测等。

这些分析可以为林业管理和环境保护提供重要的参考依据。

总之，基于高光谱遥感数据的森林树种分类是一种利用遥感技术实现森林资源调查和生态环境监测的重要手段。

通过提取和分析高光谱数据中的特征信息，可以实现对森林树种的精细分类，为林业管理和环境保护提供更加准确和全面的信息支持。

基于GF-2号影像的森林优势树种分类随着遥感技术的不断发展和成熟，遥感影像在森林资源调查和监测中的应用也越来越广泛。

基于高分辨率遥感影像的森林优势树种分类技术，对于森林资源的有效管理和保护具有重要的意义。

GF-2号卫星是中国自主研发的高分辨率对地观测卫星，其影像具有高分辨率、中高景深和宽波谱范围等特点，非常适合于森林资源的遥感监测与调查。

本文将探讨基于GF-2号影像的森林优势树种分类技术的研究方法和应用前景。

一、GF-2号影像在森林资源调查中的应用GF-2号卫星具有1米分辨率的高分辨率影像，可以有效地捕捉森林的细微特征，提供了良好的数据基础和条件。

利用GF-2号影像进行森林资源调查和监测，可以实现对森林覆盖类型、植被结构、生态环境等信息的获取和分析，为森林资源的合理利用和保护提供了重要的技术手段。

而基于GF-2号影像的森林优势树种分类技术，可以实现对森林资源的精细化管理和监测，为森林资源的可持续发展和生态保护提供了有力的支撑。

1.图像预处理首先对GF-2号影像进行预处理，包括辐射校正、大气校正、几何校正等，以提高影像的质量和精度，为后续的树种分类分析提供可靠的数据基础。

2.特征提取利用遥感影像处理软件和相应的算法，提取GF-2号影像中的植被特征信息，包括植被指数、光谱反射率、纹理特征等，以区分不同树种的光谱特征和空间结构。

3.树种分类模型构建基于提取的植被特征信息，构建森林树种分类模型，采用支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等机器学习算法，对不同树种进行分类识别和分割，实现对森林优势树种的自动识别和分类。

4.精度验证和结果分析对树种分类结果进行精度验证和结果分析，检验分类模型的准确性和稳定性，评估树种分类的精度和可靠性，为后续的森林资源调查和监测提供科学依据和决策支持。

基于GF-2号影像的森林优势树种分类技术，具有以下应用前景和发展趋势：1.提高森林资源调查和监测的精度和效率利用GF-2号影像进行森林优势树种分类，可以实现对森林资源的快速调查和监测，提高了调查的精度和效率，为森林资源的合理开发和保护提供了科学依据。

基于遥感技术的森林资源监测与管理研究摘要：本论文旨在研究基于遥感技术的森林资源监测与管理。

遥感技术在森林资源研究中具有重要的作用，能够提供大范围、高分辨率的地表信息，用于评估森林覆盖变化、林分结构和生物多样性等指标。

该研究综述了目前常用的遥感数据源和方法，并探讨了它们在森林资源监测与管理中的应用。

关键应用领域包括森林面积变化监测、森林火灾监测、森林生态系统功能评估以及森林可持续管理等。

通过综合分析遥感技术在森林资源研究中的优势和局限性，提出了进一步提高遥感技术在森林资源监测与管理中应用的建议。

关键词：遥感技术、森林资源、监测、管理、可持续发展引言：森林资源的监测与管理对于环境保护和可持续发展至关重要。

遥感技术作为一种强大的工具，为我们提供了获取大范围、高分辨率地表信息的能力。

在这项研究中，我们探索了基于遥感技术的森林资源监测与管理的应用。

通过分析遥感数据源和方法，并深入研究其在森林面积变化、生态功能评估以及可持续管理方面的潜力，我们旨在提供一种有效的方法来监测和保护宝贵的森林资源。

本文的发现将为决策者和研究人员提供有力支持，推动森林保护和可持续利用的实践。

一遥感技术在森林资源监测中的应用近年来，遥感技术在森林资源监测中发挥着越来越重要的作用。

通过获取遥感数据，如卫星影像和航空影像，可以获取大范围、高分辨率的地表信息，用于评估森林覆盖变化、林分结构和生物多样性等指标，为森林资源的监测和管理提供了有力支持。

1 遥感技术可以用于森林面积变化的监测。

通过比较不同时间点的遥感影像，可以准确测算森林覆盖的面积和变化趋势，帮助我们了解森林资源的状况和动态变化。

这对于评估森林砍伐、土地利用变化以及森林退化等问题具有重要意义。

2 遥感技术在林分结构的评估方面发挥着关键作用。

通过遥感影像的解译和分析，可以获取森林的垂直结构信息，如树高、冠幅和密度等。

这些信息对于森林资源管理和森林生态系统的恢复具有重要指导意义。

此外，利用遥感数据还可以获取林冠下的植被信息，如植被类型和植被覆盖度，从而进一步了解森林的生态特征和物种组成。

2020年第8期26计算机应用信息技术与信息化RGB-NDVI 影像在植被变化信息监测中的应用分析——以博斯腾湖地区为例李 君* 尚夏明** LI Jun SHANG Xia-ming摘　要 本文研究目的为直观监测博斯腾湖地区植被变化信息。

基于2015年和2020年高分一号卫星遥感影像，分别计算研究区不同时段的归一化植被指数及其差值，得到NDVIt1，NDVIt2和差值NDVI 影像，按R-G-B=NDVIt1-NDVIt2-差值NDVI ，作假彩色合成，得到RGB-NDVI 影像，并结合遥感影像分析研究区的植被变化信息。

研究结果显示RGB-NDVI 影像可读性强，直观地反映了研究区植被变化信息，能够快速、高效地监测研究区植被变化情况，在植被生态环境监测中具有良好的应用前景。

关键词 RGB-N DVI ；林业遥感；GF-1影像；博斯腾湖doi：10.3969/j.issn.1672-9528.2020.08.008* 大连大水规划设计有限公司 辽宁大连 116021**西安科技大学 陕西西安 7100540 引言遥感技术广泛用于对植被的变化监测中[1-2]，是当前森林变化信息采集的主要技术手段[3]。

虽然众多学者从不同的角度针对不同的应用提出了多种遥感影像变化检测方法，并且大多适用于森林变化监测，但针对不同的数据源、不同变化特点的森林，如何准确、快速、高效获取其变化信息，仍需更广泛及深入的研究[4]。

RGB-NDVI 影像对于植被变化区域具有色彩显示的优势，能够直观地反映植被变化区域及其变化方向，用其开展植被变化信息监测工作具有简单、快速及高效的特点[5-6]。

本文以博斯腾湖地区为实验区，以高分一号（GF-1）卫星作为遥感数据源，应用并分析了RGB-NDVI 影像对于植被变化信息的监测，以丰富森林资源变化监测的方法体系[7]。

1 研究区概况及数据处理1.1 研究区概况博斯腾湖地区位于中国西北部新疆维吾尔自治区巴音郭楞蒙古自治州博湖县境内，地理位置为82°58′-88°16′E ，41°28′-43°21′N ，总面积约43181km 2。

无人机航拍进行植被种类及分布分析作者：杜金龙袁莉向荣喻欣廖洲秦林来源：《科技资讯》2018年第29期摘要：本文利用了无人机遥感技术对长江师范学院鉴湖环道周边和音乐厅周边植被种类进行了分类以及分布情况进行了分析。

首先使用无人机获得了长江师范学院鉴湖环道和音乐厅周边航拍图像，利用Pix4Dmapper和ArcMap数字图像处理软件进行了图像处理和分析，获得了植种类分布，并具体分析了各种类植被面积以及占比。

通过实地调查，表明航拍分析结果和实际植被分布情况相符，说明利用无人机航拍进行植被种类及分布调查是可行的。

关键词：无人机遥感数字图像处理 Pix4Dmapper ArcMap 植被种类分类绿化面积中图分类号：TU4 文献标识码：A 文章编号：1672-3791（2018）10（b）-0001-02近年来，无人机（UAV）被越来越多地用在民用安全领域、紧急搜救与救援、林业检测、环境保护、交通、通信、天气气象以及电影电视航空拍摄等多个领域内[1]。

运用无人机遥感专题信息技术研究城市职能构成、城市现代化建设等课题，能够迅速地获得城市的地理分布和环境资源等空间信息数据，对遥感数据的数据采集、处理和应用分析也是有很大的帮助的[2]。

负责城市规划管理、监督和建设等系列部门可以利用无人机遥感拍摄得到实时低空大比例尺的图像与画面。

通过图像与实际考察结合的方法确认图像的准确性，以便于准确的分类研究城市表面地物分布，再通过特征分类异常提取的方法，对城市的废物无序堆放、垃圾堆积、违章乱建、道路拥塞等信息以及城市执法调查、处理结果及评价的现状进行解读，为城市有序化建设提供合理的参考与监督。

高志强等人针对福建市建成区园林的绿化现状研究采用了航空遥感技术和实地调查相结合的方法，测算它的绿地率和绿化覆盖率并分析其结果。

最终发表了《应用遥感技术测算城市绿化率》[3]。

从朱京海等人于2011年发表的《无人机遥感系统在环境保护领域中的应用研究》文章中了解到了无人机遥感系统在环境保护领域的应用是有优势的，该系统还可应用于环境的保护管理与监测的领域中，也可应用于生态保护、湿地保护等其他领域内。

第３６卷　第４期地理与地理信息科学Ｖｏｌ．３６　Ｎｏ．４ 收稿日期：２０１９－０２－０３；　修回日期：２０１９－０５－０７ 基金项目：广西科技基地和人才专项项目（桂科ＡＤ１９２４５０８９）；广西红树林保护与利用重点实验室开放基金项目（ＧＫＬＭＣ ２０１８０４） 作者简介：蒙良莉（１９９５－），女，硕士研究生，研究方向为遥感与地理信息系统应用。

通讯作者Ｅ－ｍａｉｌ：ｌｉｎｇｚｉｙａｎ＠ｎｎｎｕ．ｅｄｕ．ｃｎｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２－０５０４．２０２０．０４．００７基于Ｓｅｎｔｉｎｅｌ遥感数据的红树林信息提取研究———以广西茅尾海为例蒙良莉１，２，凌子燕１，２ ，蒋卫国３，钟仕全１，２，陈燕丽４，孙　明４（１．北部湾环境演变与资源利用教育部重点实验室／广西地表过程与智能模拟重点实验室（南宁师范大学），广西南宁５３０００１；２．南宁师范大学地理科学与规划学院，广西南宁５３０００１；３．北京师范大学地理科学学部环境遥感与数字城市北京市重点实验室／遥感科学国家重点实验室，北京１００８７５；４．广西壮族自治区气象减灾研究所，广西南宁５３００２２）摘要：基于２０１８年的Ｓｅｎｔｉｎｅｌ １雷达影像和Ｓｅｎｔｉｎｅｌ ２光学影像数据，采用面向对象技术获取影像的光谱、几何、纹理、自定义特征和多极化后向散射系数５个种类的９０个特征变量，基于随机森林算法进行特征选择，并构建多种特征组合方案，利用随机森林分类器对保护区内的地物进行识别并提取红树林信息。

结果表明：多特征耦合优化模式的分类效果最好，总体精度为８９．６０％，Ｋａｐｐａ系数为０．８７５６，其中，红树林的制图精度与用户精度分别为９６．３９％、９７．５６％；识别出的茅尾海红树林面积为１９．２ｋｍ２，占整个研究区的２．６７％。

该研究揭示了Ｓｅｎｔｉｎｅｌ １和Ｓｅｎｔｉｎｅｌ ２数据在红树林监测中的应用潜力。

关键词：茅尾海；红树林；Ｓｅｎｔｉｎｅｌ １；Ｓｅｎｔｉｎｅｌ ２；信息提取中图分类号：Ｓ７７１．８ 文献标识码：Ａ 文章编号：１６７２－０５０４（２０２０）０４－００４１－０７０　引言红树林是生长在热带、亚热带海岸潮间带的木本植物群落，在防风护岸、净化污染和保护湿地等方面发挥着不可替代的作用，同时也是海鸟、鱼虾等海洋栖息动物生存和繁衍的场所。

《高光谱遥感数据brdf校正与森林参数提取》2023-10-27•高光谱遥感技术简介•高光谱遥感数据BRDF校正•森林参数提取方法目录•高光谱遥感数据BRDF校正与森林参数提取的关系•高光谱遥感数据BRDF校正与森林参数提取的发展趋势与挑战目录01高光谱遥感技术简介高光谱遥感技术是指利用高光谱传感器获取目标物体反射或辐射的电磁波信息，并通过分析这些信息来识别和测量目标物体特征的技术。

高光谱传感器可以在很窄的波段内获取大量连续的光谱信息，这使得高光谱遥感技术在探测地表覆盖类型、植被生长状况、水体污染程度等方面具有显著优势。

高光谱遥感技术具有高分辨率、高灵敏度、高光谱维度的特点。

高分辨率使得高光谱遥感技术可以获取更精细的空间信息，高灵敏度可以增强对目标物体的探测能力，高光谱维度则可以提供更丰富的光谱信息。

高光谱遥感技术在多个领域都有广泛的应用，如环境保护、城市规划、农业监测、地质勘查等。

在环境保护方面，高光谱遥感技术可用于监测空气质量、水体污染、土壤污染等；在城市规划方面，高光谱遥感技术可用于调查城市绿地、测量建筑物高度等；在农业监测方面，高光谱遥感技术可用于监测作物长势、估算作物产量等；在地质勘查方面，高光谱遥感技术可用于识别地质构造、探测矿产资源等。

高光谱遥感技术应用领域02高光谱遥感数据BRDF校正BRDF定义及原理BRDF定义BRDF（Bidirectional Reflectance Distribution Function）是指物体在单位入射角和单位出射角的反射辐射通量密度与入射角和出射角之间的函数关系。

它描述了物体在某个方向上的反射性质随入射角和出射角的变化情况。

BRDF原理BRDF原理是基于物理的光学反射定律和能量守恒定律。

它反映了物体在某个方向上的反射辐射通量密度与入射角和出射角之间的关系。

BRDF值受到物体表面材质、粗糙度、颜色等因素的影响。

基于模型的方法基于物理模型的方法通常需要先建立BRDF模型，然后将模型参数应用于实际高光谱遥感数据进行校正。