利用庞泉沟自然保护区油松天然林的实测数据,以无人机激光雷达数据(UAV-LiDAR)、高分1号卫星数据(GF-1)和LiDAR+GF-1为数据源,通过随机森林-递归特征消除法(RF-RFE)和支持向量机-递归特征消除法(SVM-RFE)两种变量筛选方法进行建模因子筛...利用庞泉沟自然保护区油松天然林的实测数据,以无人机激光雷达数据(UAV-LiDAR)、高分1号卫星数据(GF-1)和LiDAR+GF-1为数据源,通过随机森林-递归特征消除法(RF-RFE)和支持向量机-递归特征消除法(SVM-RFE)两种变量筛选方法进行建模因子筛选,构建随机森林模型、支持向量机模型和多元线性回归模型,并对模型的拟合优度和估测精度进行评估。结果表明:(1)RF-RFE筛选方法分别筛选出LiDAR数据建模变量7个和GF-1数据建模变量4个;SVM-RFE筛选方法分别筛选出LiDAR数据建模变量5个和GF-1数据建模变量7个;通过对变量的筛选,建模变量大幅减少,模型保持较高的精度,且具有很好的解释能力。(2)相同数据源和相同变量筛选方法,随机森林模型的决定系数(R^(2))为0.95,均方根误差为13.54 m 3·hm^(-2),在三种模型中精度最高。(3)不同数据源,相同变量筛选方法,LiDAR+GF-1数据融合的建模效果最好。展开更多
归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF...归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。展开更多
文摘利用庞泉沟自然保护区油松天然林的实测数据,以无人机激光雷达数据(UAV-LiDAR)、高分1号卫星数据(GF-1)和LiDAR+GF-1为数据源,通过随机森林-递归特征消除法(RF-RFE)和支持向量机-递归特征消除法(SVM-RFE)两种变量筛选方法进行建模因子筛选,构建随机森林模型、支持向量机模型和多元线性回归模型,并对模型的拟合优度和估测精度进行评估。结果表明:(1)RF-RFE筛选方法分别筛选出LiDAR数据建模变量7个和GF-1数据建模变量4个;SVM-RFE筛选方法分别筛选出LiDAR数据建模变量5个和GF-1数据建模变量7个;通过对变量的筛选,建模变量大幅减少,模型保持较高的精度,且具有很好的解释能力。(2)相同数据源和相同变量筛选方法,随机森林模型的决定系数(R^(2))为0.95,均方根误差为13.54 m 3·hm^(-2),在三种模型中精度最高。(3)不同数据源,相同变量筛选方法,LiDAR+GF-1数据融合的建模效果最好。
文摘归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。
