基于高分影像的林地覆盖遥感动态监测

信息通信

INFORMATION & COMMUNICATIONS 2019

(Sum. No 195)

基于高分影像的林地覆盖遥感动态监测

魏娜思

(三峡大学计算机与信息学院，湖北宜昌443002)

摘要:遥感监测具有高时效、高分辨率、低成本等优点。文章以高分影像为实验数据,对湖北省宜昌市点军区的林地资源

进行变化监测，用最大似然法(maximum likelihood)进行分类，最后得到林地覆盖的变化小班。试验证明基于遥感影像 的变化监测比人工实地勘察得到的林地更新数据要精准且省时,在大面积林地度盖度的测量有很好的应用前景。

关键词:遥感；变化监测；变化小班中图分类号:S771 文献标识码:A

文章编号:1673-1131(2019)03_0019-04

Dynamic sensing Remote monitoring of forest cover based on high-resolutioii images

Wei Nasi

(College of Computer and Tnfonnatioti Technology, Three Gorges University, YiChang 443002,China)

Abstract: Remote sensing monitoring has the advantages of high timeliness, high resolution and low cost. Li this paper, GF im­ages are used as experimental data to monitor the changes of forest resources in Dianjun District, Yichang city, Hubei Province. Maximum likelihood method is used to classify the changes of forest cover. The experimmt proves that the change monitoring based on remote sensing image is more accurate and time-saving than the forest renewal data obtained by manual field survey, and it has a good application prospect in the measurement of forest covo1 in a laige area.Key words: remote sensing; change monitoring; change subcompartment

0引言

目前土地覆盖变化的研究是全球变化研究中的热点之一， 单靠人工对土地覆盖进行监测的传统方法，因其耗时耗力且 监测范围小，已经不能作为主要的监测手段。而遥感技术具 有采样周期短、宏观迅速的大范围监测能力，在大中尺度的土 地覆盖变化监测中的优势是传统方法无法比拟的。

遥感影像变化监测是利用不同时期覆盖同一区域的遥感 影像及相关数据，通过图像处理等技术对不同时段目标状态 的变化进行识别分析，提供地物的空间分布和变化信息。遥 感技术已广泛应用于农业、林业、地质、海洋和军事侦察等许 多领域

近年来利用遥感技术进行动态监测在国内外都有许多的 研究成果，如：针对城市中的人造建造目标的变化监测算法， 可用于城市规划等领域;针对土地植被等变化监测算法，可用 于农业林业领域;针对_、车站等随机模型的变體测算法， 可用于地物状态监测等领域。还有研究者从遥感影像处理、 地理数据等角度，使用基于知识的方法研究土地覆盖，并改善 了其分类精度；陈晋等提出了参考图像分类结合变化向量方 向余弦最小距离分类的变化类型确定方法，对北京市海淀区 进行了基于变化向量分析的土地覆盖变化监测；国外有研究 者集成纹理特征及地物模型对城区进行土地覆盖分类。1研究区域及数据1.1研究区

以湖北省宜昌市点军区为实验研究区，位于宜昌城区长 江南岸，地处东经111°,北纬30°,属于亚热带季风区，面积约 546平方千米。该区地势东部低，西部高，以山地、丘陵为主, 沿江及河谷地带有部分小平原。该区域自然资源丰富，经济 发展迅速，工农业以及旅游业等的建设，导致林地经常发生变 动。本实验中对点军区的林地资源变化进行监测，是有一定 意义的，监测出的变化可以找出一些未经许可而被砍伐建设 的林地。

1.2实验数据

GF-1号卫星可获得2米全色黑白影像、8米和16米多光

谱彩色影像。本文选取2016年和2017年夏季影像，为保证 影像数据可以全覆盖乐天溪镇，在保证影像质量的前提下，每

年使用了 3张2米全色影像和3张8米多光谱影像。其余辅 助数据包含宜昌市行政区划的矢量数据和水经注的历史影像 数据等。2实验内容 2.1预处理

对获得的原始影像需进行相应的预处理，包括:正射矫正、 配准、拼接、栽剪和融合五个步骤。

分别对每年的影像进行正射矫正，并用2米的雜影像 作为基准影像，以8米的多光谱影像为带配准影像进行配准。 将2015和2016年的全色和多光谱影像分别进行拼接后，利 用宜昌市行政区划的矢量数据对其进行栽剪，得到两年的全 色和多光谱影像的点军区。为了提髙影像的质量，将全色和 多光谱影像进行融合，即得到2米的多光谱彩色影像，便于样 本的选取，提髙最后的影像分类效果。将预处理后的2015年 和2016年点军区某一区域的影像按3、2、1波段方式组合如 图1。

(a)

19

信息通信魏娜思:基于高分影像的林地覆盖遥感动态监测

归一化植被指数是反映植被长势和营养等信息的重要参 数之一，是由近红外波段的反射值和红外波段的反射值之差比上两者之和，即滞W

，其中NIR是近红外波段的

反射值,R是红外波段的反射值。该特征可以应用到检测植被 生长状态、植被覆盖度和消除部分辐射误差等上面，对于本实 验针对林地分类有一点的意义。

归一化水指数也是用遥感影像的特定波段进行归一化差 值处理，凸显出影像中水体的信息，对于改指数来说有研究者 提出了不同的算法表达式，本实验是用绿波段和近红外波段进行的计算，即

(b)

图 1 (a)2015, 002016

=

其中Green是绿波段。用

该公式提取的水体信息效果较好。提取该特征进行实验，可 以减少林地被错分的误差。2.4最大似然

最大似然分类(maximum likelihood classification)又称贝叶斯分类法，其原理是在两类或多类判决中，用统计方法根据 贝叶斯判决准则法建立非线性判别函数集，假定各类分布函 数为正态分布，选取训练样本计算各待分类样本的归属概率, 而后进行分类。其核心是确定判别函数和相应的判别准则， 是一种监督分类算法。

假设有n个类别，用(^、必、…、表示，每个类别发生的 概率为P(a^ P(叫)》..、P(a〇。有未知类别样本X,该类的条 件

概

率

为

叫

k.、P(I|®。)。根据贝叶斯定理可

得到样本X出现的后验概率如下。

2.2实验方案

本实验主要是监测点军区林地资源的变化，实验中选择 最大似然分类器对影像进行分类处理，类别划分为林地、水、

土地和建筑四类。在选取样本时，按照1: 2的比例随机分 成两份，一份作为训练样本，一份作为测试样本，流程图如 图2。

咖丨丨)

P(x\\a.)Pi(〇.)±P{X\\(〇,)P{〇>.)(1)

以此后验概率为判别函数来确定X所属的类别，分类准

则为:如果尤)=mkx^(<»,丨幻.则对该准则进

r=i

行简化可得到:若则

2.5分类结果

先在2015年高分影像上选取样本，分为林地、水、土地以 及建筑四种类别，并按1:2的比例随机分成两份，一份训练样 本，一份测试样本。

分类时用到四组特征组合:①高分影像1、2、3波段;②高 分影像1、2、3、4波段;③高分影像1、2、3、4波段+NDVI;④高 分影像1、2、3、4波段+NDYI+NDWI。使用最大似然法(MLC) 分类的结果如图3。

图2实验流程图

2.3特征提取

为了提高分类精度，在实验中提取了归一化植被指数

(NDVI)以及归一化水指数(NDWI)参与分类。

图1基带板整体逻辑设计

20

信息通信(b)

(d)

图3 (a)3波段，(b)4波段，

(c)4 波段+NDVI，（d)4 波段+NDVI+NDWI

从分类图中便可大致看出只有三个波段参与分类的结果

最差，用测试样本对这三个结果进行精度评估。精度结果显 示三个波段参与分类的精度最低只有85.98%，Kappa系数是 0.8595,而加入了近红外波段和NDVI值后，林地类别的分类 进度有所提高，在最后加入NDWI后有减少了林地被错分为 水的误差，从而也提髙了林地的分类精度，后面三个组合之间 的精度相差不大，最后一种组合即四个波段+NDVI+NDWI的 精度最高，达到96.45%，Kappa系数为0.97卯。

从2015年的分类结果中可以看出用四个波段+NDVI+ NDWI参与分类时，得到关于林地类别的分类精度最好，因此 2016年的影像也选用特征组合参与分类，结果如图4。

图4 2016年最大似然分类结果图(6波段）

将两年的分类结果图进行变化监测，得到最后的变化小

班，如图5。

魏娜思:基于髙分影像的林地覆盖遥感动态监测

经过人工判读后，提取出有关于林地的变化小班,并删除 错分以及由于季节原因变化的小班，得到2016年相比2015年 减少的林地小班如图6。

\\

图6 2016年相对于2015年减少的林地小班

选取一块变化明显的实际影像和小班对比图如图7,其

中1是2015年的影像,2是2016年的影像，红色圈框是变化 的小班，可以看出用遥感技术进行林地变化监测还是很精准 的。

图7影像变化对比

3结语

本文使用最大似然法对宜昌市点军区长江沿岸髙分影像

进行林地覆盖变化监测，在影像数据上可达到2m的分辨率，优 于人工实地勘察精度。由于地域、天气等原因，人工勘察的结果 精度并不髙，对于林地方面也只能统计出大概的数据。在反映 较大范围的土地变化和趋势方面，遥感技术在各个方面都_ 足髙精度的要求，且期对于传还占有周期短、鮮低等 优势。参考文献：

[1] 张家琦.遥感影像变化检测方法及应用研究[D], City:国地质大学(北京)，2015.[2] 邹杨修，池明旻.基于卫星遥感图像的变化检测算法[J]. 计算机系统应用，2017, (05): 155-162.[3] 术洪磊，毛赞猷.GIS辅助下的基于知识的遥感影像分类

方法研究——以土地覆盖/土地利用类型为例[J].测绘学 报，1997,（04): 49-57.

21

中

2019年第3期 (总第 195 期） 信息通信

INFORMATION & COMMUNICATIONS 2019

(Sum. No 195)

多分类器融合的短文本识别算法

杨妍，赵军民

(河南城建学院，河南平顶山445 〇001)76

摘要:近年来，关于短文本的文本挖掘逐渐变成了自然语言处理的热点之一。针对微博这种短文本，内容较少但 语义却极其丰富，而且新词、错字较多等特征，文章提出一种多分类器融合的短文本识别算法，该算法能够自动 的对短文本情感倾向性进行识别。从NLPCC2012提供的评测数据的实验结果来看，该方法取得了 一定的效果。

关键词:情感分析;情感词;分类器中图分类号:TP212.9

文献标识码:A

文章编号= 1673-1131(2019)03-0022-02

Short text recognition algorithm based on multi-classifier fusion

Abstract: In recent years, text mining on short texts has gradually become one of the hot topic of natural language processing. For the short text of Micro-blog, the content is small, but the semantics are rich, and the new words and typos are more. This pa­per proposes a short text recognition algorithm based on multi-classifier fusion, which can automatically match short texts. Emo­tional orientation is identified. From the experimental results of the evaluation data provided by NLPCC2012, the method has achieved certain results.

Key Words: Sentiment Analysis; Sentiment Word; Classifer

i文本情感分析概述

情感分析，旨在分析人们所表达的对于实体及其属性的 观点、情感、评价、态度和情感,其中实体可以是产品、个人、事 件或主题。文本情感倾向性分析主要是针对文本内容来分析 所呈现的积极、消极、中性情感你，针对带有主观描述的中文 文本，自动判断该文本的情感极性类别并给出相应的置信度。 文本倾向性(观点和情感等)分析近几年持续成为自然语言处 理研究领域的一大热点问题[1_2]»情感倾向分析能帮助企业理 解用户消费习惯、分析热点话题和危机舆情监控，为企业提供 有力的决策支持。文本倾向性分析的主要流程是对于原始素 材的收集整理、对于所搜集的文本进行预处理、主观性文本识

别、文本倾向性判别。比如作为人们对于思想情的记录、信息 获取、交流互动的微博文本，在不多的文本信息当中往往蕴含 了大量丰富的情感信息，并且随着计算机技术的快速发展和 对于企业对于人们文本情感的关注逐渐升温，近年来微博文 本情感分析成为研究热点。因此，本文提出了一种基于情感 词词典的情感文本挖掘算法，能够有效的挖掘文本中的情感 信息。

2.1基于规则的短文本识别算法

通过文本中所包含的富有情感的字词包括一个或者多 个，其中如果短文本中仅含有一个情感词，则该本文的情感 倾向性就由该情感词的极性决定；如果文本中含有多个情 感词，则需要根据正向和负向情感词的数量来判断,考虑两 者的总和，然后判断该文本极性。对于微博等短文本的文 本倾向性判断可以通过文本中情感词的极性。其中包含情 感的否定副词往往可以是情感词的极性逆转，因此本文构 建了否定副词词表来处理否定词带来的句子极性逆转的情 况。

(1)

“否定副词+情感词”句式，该句式中否定副词出现在

情感词前面是的情感词的情感倾向性反向。

(2) “否定副词+否定副词+情感词”句式，本句式是双重 否定变肯定，并且在两个否定词之间不能出现情感词。

句子情感极性判断如下公式所示：

pE向情感（如果正向情8词数>负向情感词数）

情感极性=■{负向情感（如果正向情S词数<负向情感词数）

1中性情感（如果正向情S词数=负向情感词数）情感倾向性识别算法如下：

输入:短文本集合T = {tl，t2, t3,....，tn}，情感词词典

2短文本情感分析模型

[4] [5]

杜培军，夏俊士,薛朝辉，等.高光谱遥感影像分类研究进 刘彦随,陈百明.中国可持续发展问题与土地利用/覆被变

sing, 2007, (05): 710-717.

ly sensed imagery[J]. Remote Sensing, 2009, (04): 559-569.semisupervised SVM: An application to pixel classification of remote sensing imagery [J]. Pattern Recognition, 2011,44(3): 615-623.

展[J].遥感学报,2016, (02): 236-256.化研究[J].地理研究,2002, (03): 324-330.

[6] Elgammal A, Duraiswami R, Harwood D, et al. Background

and foreground modeling using nonparametric kernel den­sity estimation for visual surveillancefJ]. Proc IEEE, 2002, 90(7): 1151-1163.

[7] Xusheng L, Feng L, Guosheng Z, et al. Artificial Neural

Network Classification for Forest Vegetation Mapping with Combination of Remote Sensing and GIS[J]. Remote Sen-

[8] Liangpei Z, Xin H. Advanced processing techniques fca- remote­[9] Maulik U, Chakraborty D. A self-trained ensemble with

[10] Brunner D, Lemoine G, Bruzzone L, et al. Building Height

Retrieval From VHR SAR Imagery Based on an Iterative Simulation and Matching Technique[J], IEEE Transactions on Geoscience & Remote Sensing, 2010,48(3): 1487-1504.

22