对于美国中部覆盖图防护林形态的自动检测技术

摘要

在美国中部广袤的农业土地上防风林是重要生态资源，常常种植呈直线状或“L”形结构以提供特定的功能。高分辨率（高于5米）土地采集数据更加适用于这些领域，semior采用完全自动区分防风林，而该防风林可用于栅格数据集。为了满足如上需要，本文采用了三个指标：形态为基础的指（SNFI），防风弯度指数和面积指数指示防风林的占空比。这些指标参数分别在两个研究领域进行测试：（1）河岸地区主要以蜿蜒带树为主并且还有些中耕农业(2) 农业区里混杂着直线型和L型的防风林。在沿岸地区，一项Kruskall–Wallis检验表了三个指标的差异，并且经过两两对比表明防风林和河岸的树木可分别使用三个指标中的任意一个。SNFI在面向不同方向（东–西和北–南）时有不同方向的显著差异。在农业领域，Kruskall沃利斯秩和检验表明，所有三个指标类之间的差异，两两比较显示，所有类组有显著性差异至少有一个指标，与L形防风林与非防风树补丁例外。本文使用分类树客观地将有代表性的树补丁样本分配给类，同时也使用单索引和多索引。在河岸和农业研究区，90%以上的样本都已正确分配。在沿岸地区，采用多指标并没有比单独使用SNFI提高精度，然而在农业地区，结合采用三项指标可以得出最优的结果。来自高分辨率影像的数据集越来越有用但是提取有效信息可能是一个挑战，因为可能需要对数据进行大量评估。计算三个指标有助于有效识别候选防风林等，并且寄希望于计算三个指标能够对美国中部树木能够有良好的增值分析。

1.引言

美国中部农业用地上防风林是重要的生态资源并且常常种植在特定的位置从而提供一些特除的功能。例如，农田毗邻的狭长的防风林可以使得土壤和庄稼免受干风的侵扰，从而提高作物产量和减少土壤侵蚀（美国农业部，2012).然而，有证据表明表明许多防风林正在逐渐消亡，因为种植庄稼可以产生利润以及耕作方式的变化和防风条件的改善有关。由于缺乏客观和一致的信息，在大范围内对资源进行定量的更改具备一定的挑战。而目前正试图从高分辨率影像图树覆盖（例如，liknes et al.，2010；巴苏等，2015），目前需要从光谱近似的树木斑块中区分防风林的有效方案，从而为景观提供其他功能的树木，如缓冲水体。

除了利用目标像素的光谱信息外，还有许多利用空间关系的分类方法。在地球资源卫星的前期，ECHO归类了每个像素的邻域信息（凯蒂希，Landgrebe，1976）。最近，系数统计已配对的随机森林分类器（布雷曼博士，2001）利用Landsat ETM+影像提高土地覆盖分类（吉米雷et al.，2010）。随着高分辨率图像的分辨率的提高（例如，小于5米），出现了许多靠景观特点来当做指标的方法，而不是依靠像素领域法来进行分类。还有一些人为的特征，例如在城市环境中有非常特殊的形状和尺寸，可以使用全色影像对其进行分类，其中全色影像包括一个微分形态学断面（Benedik tsson et al.，2003），和一个模糊分类器（chanussot et al.，2006）这些方法通过形态学操作的方法，例如打开、关闭、提取图像中的特征信息。其他方法通过检测已知的目标几何特征；例如，规则形状相似性指数，该指数主要通过利用一个特征的面积和最小边界地区的关系（Sun等人，2015）。几何指标如压实度、圆度、和凸点均可以较好的对不同类型的水体进行区分，这是第一次通过Landsat光谱信息进行分类。（范德维尔夫和van der Meer，2008）

有大量文献讨论基于形状分类的具体情况，即线性特征检测。夸肯布什（2004）提出的线性特征检测方法综述分类的方法分成了若干组，其中一个是形态法。这些方法处理比较便利，因为它们在许多GIS和遥感软件包中使用现有函数比较容易实现。我们注意到，在文献中提出的一些方法检测细微的特征，即可以识别线性和曲线特征。线性特征检测方法往往侧重于直接应用于航空摄影或卫星图像，而较少在专题地图（即分类图像）中识别线性特征。然而，形态空间格局分析（MSPA，Soille和沃格特，2009）的开发使用专题输出和已被用来分析森林破碎化（沃格特et al.，2007；Riitters 等，2009），景观走廊（沃格特等人，2007），等等。MSPA将空间格局专题地图分类，主要包括核心、边缘、胰岛、穿孔、桥梁、循环和分支。这些类别中有几个是微小的特性（例如网桥和分支），它们不一定是长的或直的。由于曲线特征和线性特征的区别对于决定景观特征的类型具有重要意义，所以对从映射数据集中选择合适的线性检测方法来说至关重要。

索伊等人（2010）从高分辨率图像出发，提出了一种综合的农业景观线状特征自动检测方法。利用QuickBird影像为例，木本植被从其他植分化出来，候选特征也出现了大致的轮廓，骨架顶点的线性回归产生一个截距和斜率，用以判断特征是否是线性的（直线）。虽然该方法在识别线性木质特征方面表现良好，但我们应该选择是否使用基本的焦点和分区光栅处理来计算相对简单的形状度量。目的是为了可以构造用于识别在美国中部的线性特征树。通过这些特征形状，从南北方向或东向方向观测，在航空或卫星图像中容易被识别（图1）。

设想在特定的场景中，采用高分辨率（1m）对树进行航空摄像和基于对象的图像分析（OBIA）流程，该流程将相似像素组合成代表单个或多个树冠的图像对象。基于对象的分类是非常适合于高分辨率影像，因为它可以应用在持续修复的这样一种方式下（内内古佐等人，2013）。那么在这种情况下，即使树冠之间有空隙，最好还是把每一个防风林分开处理，得到的效果更佳。最好能够开发出一种新方法，可以获得一些以前难以提取到的信息，其中包括美国中部的农业景观的树木的范围，位置和功能等。为了达到这个目的，本文提出的方法是根据形状，尤其是防风林和河岸走廊的形状，对树图进行分类。此外，本文致力于研究出一种真正和GIS和遥感软件包相兼容的方法，该法能够良好地适用于大的区域，例如美国中部的一个县（一个通常为2000平方公里的州的政治分区域）。

图1 美国中部典型农业风景区种植的防风林地貌

（图片来源：美国农业部国家农业气象）

2.方法

2.1.树覆盖地图

基于美国农业部全国农业意象项目的四类土地覆盖数据集Nebraska用于这项研究。可以对两个研究领域进行选择：沿羚羊县北部边境和部分相邻的诺克斯第二沿羚羊县的东部边境以及皮尔斯县部分区域（图2）。选择这些地区是因为它们拥有广阔的防风林集群以及河岸走廊，以及有一些其他小的树集群。使用基于对象的图形分析不仅能够创建数据集，而且还可以作为光栅进行输出。本文将数据转化为二进制光栅并且设置为前景像素（值为1），其他像素则设置为背景（值为0）（图3a）。运用一个区组来创建一个数据集，每一个数据集都有一个唯一标识的簇号，本文将在运用完区组后涉及簇号。

2.2 形态学方法

一个目的性不是很明确的变换的确可以应用于确定图形哪些区域匹配的形状结构和主要构成。同时还需要用户指定内核大小和最优的结果以及特征的大小。本文应用了一个概念，在内核里是只有一个像素的宽度和高度，使用这些小的内核在2个方向（南北和东西方向）上的应用形态侵蚀。（图4）较长的内核涉及最大宽度，希望能提取线性特征。在本文中，我们使用了尺寸为37 m的内核，类似于最低阈值（36.6米），阈值指的是美国国家森林资源清查在林地定义一片森林的最小宽度（奥康et al.，2014）。

图2 研究区域的位置在美国Nebraska的东北部，标志为图中黄色部分，交叉区域在安蒂洛普，诺克斯和皮尔斯县。插图地图描述了Nebraska（黑灰色）中的县（黑）的位置。

对于有每一个侵蚀的方法，可以确定其余像素之和。然后我们从这些区域中可以计算一个指数，称之为直线特征指数（SNFI）：

其中Z表示区域中经过侵蚀后的所有像素总和，Z适用于二进制图像（F），使用单行以及由用户定义的ｍ列的结构元素和用户定义的行数（ｍ＊１）。对该指数的一个简单的解释是：这个指数表明了在映射树区两大方向面向窄模板的比例差异。因为使用了一个标准差，该区间故被取消；当这２个侵蚀应用后，该指标可从像素和计算出来。指数范围从－1到＋1，以长尺寸沿Y轴（北/南）值近似为＋１，特征沿东/西方向的值近似为−１，正好落在范围的中间。

2.3.几何方法
SNFI 使用形态学概念来识别特征，但是比特定的宽度要小。（因为是在美国中部防风林就是这种情况）。在某种程度上来说，它提供了有关各特征信息，因为许多复杂的特征信息无论在哪一个尺寸上都不大可能包含长直的图像信息。作为辅助性的指标，本文同时也想确切知道映射树区矩形的偏离程度。从地貌借用弯度的概念来看（例如，缪勒，1968），本文提出了一个简化的防风弯度指数每个区域的周长都是指的是欧氏距离，而此处的欧氏距离特指左下和区域的边界框右上角之间。另外还有一个更加精确的计算方式直接通过矢量数据，这种方式是直接使用矢量数据并且可用现有的GIS加以实现，并且在栅格较大的情况下执行速度很快：每个区域的所有的变量都计算出来了。

　　考虑增加长度的矩形的弯度指数—宽比。一个1:1比例的矩形（即一个方形），弯度指数为1.4，随着速率增长指数逐渐接近1。紧凑的特点或者图形特征边界不规则都会表现出较高的指数（图５）（例如，的比例半圆周的直径是π/ 2 = 1.57）。

同时还有一些狭窄的防风林种植在一个美国中部的“L”型区域。为了确定这些特征，可以考虑使用区域面积比率和区域的外接矩形面积。相对直线型防风林来说，这个比率应该相对Ｌ型防风林来说比较小。（图６）其中Areaz 是区域前景像素面积，而Arearect是该区的矩形区域。

图３（ａ）Nebraska土地覆盖图的一个子集，美国在图中已被转换为一个二进制树覆盖图。（b）树各相邻簇已分配各自的区。

图4 一个理想的防风形态学腐蚀的例子（中绿色）使用单行单列的内核（左，深灰色）。横向的内核侵蚀防风林的左侧和右侧。垂直内核侵蚀整个防风林，没有保持前景像素（右下）。

图5 对于一个理想化的防风以10:1的长宽比一个弯度指数的例子（左），从1区中提取研究区两个例子可以得知：防风林（中部）和河岸走廊的树（右）。该指数是距离左下角和右上角之间半周长的比值（粗线在右侧和底部的理想化防风林）。理想的防风林有防风弯度指数值为1.09（左），和映射的防风林和河岸有值1.24（中）和2.21（右）。

图6 从研究区2得知面积指数L型和南北型防风林的指数说明。该指数是通过将每个特征的计算面积（绿色）的外接矩形的面积（阴影 D背景）来进行划分而得来的。在这种情况下，L型防风林面积指数为0.26而南北防风网指数0.75 。

2.4分析

　　本文选择了两个研究区域一在邻近农田河岸地区的树木覆盖的蜿蜒的条带有一个区域较为狭窄，而另一个区域以农业为主导并且该区域有许多直线型和L型的防风林。使用ArcGISTM根据不同的区域计算响应的参数指标。

对于河岸带研究区，利用指标如何有助于从直线型防风林中区分出蜿蜒的河岸树盖十分重要。本文将有代表性的区域进行了标注。有代表性的区域包括为“北–南防风林”、“东–西防风林”或“其他”（例如，河岸走廊或其他非防风林区域）。因为这些区域几乎没有Ｌ型防风林，我们也没有指定那个类型。本文评估Kruskall–沃利斯秩和检验这些类的可分性，并在适当的时候做对比。

　　为了确定每个参数的阈值，即防风林与非防风林最准确的分离的阈值，本文在Ｒ统计中应用分类树进行分类。本文还采用了３个参数的分类树并且与只采用一个参数的分类树进行精度对比。结果表明东–西、北–南防风林标记区域具有SNF的功能。在分类树分析中，将这两个类聚合在一起。因为另外2个参数不用于对防风林的方向进行区分，并且对河道区域的研究仅仅是为了从直线型防风林中区分开来。

图7 成对的散点图三形态指标–防风弯度指数和直线特征指数（ＳＮＦＩ）（Ａ）、面积指数与神晖（B），和一个面积指数和防风弯度指数（C）–东西防风林（E–W），南北防风林（N–S），和位于美国Nebraska非防风树覆盖的区域

表１沃利斯秩的结果检验方面的三个树类形态指标之间的差异结果树类–直线特征指数和窄距特征指数（ＳＮＦＩ），一个弯度指数和面积指数

表２三种形状度量的事后成对比较检验结果。复选标记表示类间差异有统计学意义（p＜0.05）

表３一个关于三个形态指标之间的差异的树类秩和检验结果–直线特征指数（SNFI），一个弯度指数和面积指数。

表4 三种形状度量的成对比较检验结果。复选标记表示类间差异有统计学意义（p＜0.05）

在农业研究领域有一些差异，本文也作了如上的分析。本文手动标记代表区（N = 53）为“北–南防风”、“东–西防风林”、“L型防风林” 或“其他”。本文计算了三个参数并将它们各自分配给每个区域。本文通过两两比较评估了单独使用Kruskall–沃利斯秩和检验。本文再次使用分类树来为四类提供最佳标记的阈值，同时也检查单变量和多变量模型的精度。

结果

在沿岸区域，大部分的东西防风林样品的SNFI的值接近-1，然而南北防风林的值均非常接近于+1。（图7a、b）关于弯度方面，防护林一般均有个最低值，而在“其他”类均比平均值要高，但是覆盖范围大。（图7a和C）。防护林的面积指数比“其他”类的值更高（图7b和C）。沃利斯秩和检验表明差异之间至少有一个匹配的类（表1）。事后在所有的直线型防风林匹配类中两两比较显示差异显著（P＜0.05）类别，但不适用于E - W - N - S配对（表2）

仅仅使用SNFI进行预测的分类树值界于-0.252和0.562之间能够用来从“其他”类防风林描述防风林。分类树能够准确使用这些值对手动标记等特征正确识别大概94.6%（35 / 37）。蜿蜒分类树表明弯度小于应该做标记并且那棵树能够标识其他区域的91.9%（34 / 37）。分类树表明面积指数大于0.496的区域应该标识，而且准确精度可以达到86.5%（32 / 37）。分类树使用的所有指数来进行预测，但是与只使用某一指数来进行预测（预测精度为91.9%）。图8为指数与预测完整模型。

农业区中南北防风林SNFI的值接近+1，但是西北防风林的值接近-1。（图9）。 L型防风林的面积指数一般都低于N–S/E–W型防风林，但其他种类的防风林该指数较大。相对河岸区域而言，农业区的一个明显的差异就是，可分的弯曲指数较小。

农业区中Kruskall–Wallis检验表明在所有的这些指数当中（表3）至少有一个有显著意义（p<0.05）。经过比较可知，所有的匹配对（p<0.05）而言，至少有一个指数差异较为明显，当然除了L型防风林和其他类型的防风林（表4）。

对于河岸区域而言具有单变量分类树。SNFI防风林的阈值是0.727，E–W防风林是−0.696。SNFI分类树对手动标记区域分类正确率为84.9%。所有的n–S/E–W防风林的弯度指数均低于1.68的弯度。对于手动标记区域的弯度，分类树的分类精度为58.5%（31/53）。对于面积指数而言，N - S / W - W防风林的值超过0.31并且分类树分类精度可以达到67.9%。完整的分类树包括所有的三个指标（图10）并且效果比单指标表现要好，区域正确分类准确率可以达到94.3%（图11）。分类树具有分类功能，这也可能是自然分类的结果（图12.a），和种植区域的L型和直线型防风林的效果类似（图12.b）。

4.讨论

需要一种有效的方法，该方法是从栅格数据覆盖大面积从而确定防风林的面积范围，是为了便于对地理位置和模拟资源变化情况作比较。线性检测主要查找一些比较细微的特征，但不是直接必要的特征。

例如，索伊等人（2010）采用顶帽变换法在一定宽度范围内找到候选木本植被特征。然而，为了确定直接特征需要做进一步的分析。我们研究了这些方法的替代方案，其中应用了形态学方法和计算得出的连续像素组的信息（即，区域）。直线特征指数SNFI是通过两个方向的各自计算，随后通过构造归一化的维向，最后计算区域像素而得出的。根据Nebraska两个研究领域的样品来看，东西防风林指标执行的预期值接近-1，而南北防风林的值接近+1。

本文测试了三个形状度量应用于区分防风林和非防风林的能力。在河岸区域，通过非参数检验评定可知，三个指标均可以起到分离防风林和非防风林的作用。样本分类树使用SNFI或者弯度指数对超过百分之90的样本进行分类。需要注意的是使用尽可能的指标参数比没有提高精度。可以采用一个最低阈值（SNFI或者弯度指数）来作为是否是防风林的第一参数。这些指标参数主要表现为紧凑的河岸特征，在一个方向上略微拉长，而边界相对平滑。

本文试图对农业研究区四类树木进行分类，统计检验指明了所有的树，除了L型防风林等，仅仅使用了1个形状参数。使用分类树测试，没有一项单指标分类测试正确率超过百分之85。然而，在多指标组合的分类情况下，样品的分类准确率为94.3%。这些指标参数都是相辅相成的，每一个量化的防风林都有一些特征，这是一个重要的结果。对树木的覆盖类的相对值基本一致，两者之间的研究领域，但通过分类树选取的值相对于指标树盖类之间的可分性程度高并且和研究区域的值不一致。然而，树具有高程度的可分离性，这些指标表明他们在基于栅格数据评估方面是一个有用的工具。

机器视觉文献中有许多方法设计来检测角落（例如，哈瑞斯和斯蒂芬斯，1988）。这些方法可以减少L型防风林和其他类型防风林之间的混淆的几率。其他误分类训练样本以外的风将用来发展指标的概念模型，如在一个基本的防风形状的组合。另外，考虑上下文和RICS（与其他土地覆盖类型的空间关系）将有助于解决这些挑战。

5.结论

本文提出了一个新的指数称为直线特征指数（SNFI），该指数采用形态学腐蚀和分区统计来对南北和东西的线性防风林从其他树特征区分开来。本文还提供对比的防风林，有弯度和面积指数（可以使用栅格功能包括分区统计）来对其进行统计。用户只需要指定一个最大的宽度规格以计算SNFI但是可没有响应的参数计算其他两个参数。该指标对于OBIA数据集的用户来说是有用的工具，而与形状相关的信息可以有助于推测出另外的一些相关信息，例如景观图上不断增添补丁的使用和功能。指标可以在农业景观图将其分为四类（南北防风，东西防风，L形的防风林，和其他），精度为百分之94。这些方法能够较优的分析树覆盖在现有的土地覆盖数据集，包括防风林的数据集，河岸走廊，农业景观和其他功能。

附录A 补充数据

在这个网页链接http://dx.doi.org/10.1016/j.jag.2017.03.005.可以找到与本文相关的辅助性的数据。这些数据包括本文所述的最重要区域的谷歌地图。

参考文献

[1]Aksoy, S., Akc¸ ay, H.G., Wassenaar, T., 2010. Automatic mapping of linear woody vegetation features in agricultural landscapes using very high resolution imagery. IEEE Trans. Geosci. Remote Sens. 48 (1), 511–522.
[2]Basu, S., et al., 2015. A semiautomated probabilistic framework for tree-cover delineation from 1-m NAIP imagery using a high-performance computing architecture. IEEE Trans. Geosci. Remote Sens. 53 (10), 5690–5708.
[3]Benediktsson, J.A., Pesaresi, M., Arnason, K., 2003. Classification and feature extraction for remote sensing images from urban areas based on morphological transformation. IEEE Trans. Geosci. Remote Sens. 41 (9), 1940–1949.
[4]Brandle, J., Hodges, L., Zhou, X., 2004. Windbreaks in North American agricultural systems. Agroforestry Syst. 61, 65–78.
[5]Breiman, L., 2001. Random forests. Mach. Learn. 45, 5–32.
[6]Chanussot, J., Benediktsson, J.A., Fauvel, M., 2006. Classification of remote sensing images from urban areas using a fuzzy probabilistic model. IEEE Trans. Geosci. Remote Sens. 3 (1), 40–44.
[7]Dougherty, E.R., Lotufo, R.A., 2003. Hands-on Morphological Image Processing. SPIE Press, Bellingham, WA.
[8]Ghimire, B., Rogan, J., Miller, J., 2010. Contextual land-cover classification:incorporating spatial dependence in land-cover classification models using random forests and the Getis statistic. Remote Sens. Lett. 1 (1), 45–54.
[9]Giraudoux, P., 2016. pgirmess: Data Analysis in Ecology. R package version 1.6.4, https://CRAN.R-project.org/package=pgirmess.
[10] Harris, C., Stephens, M., 1988. A combined corner and edge detector. Proceedings of the 4th Alvey Vision Conference, 147–151.
[1] Kettig, R.L., Landgrebe, D.A., 1976. Classification of multispectral image data by extraction and classification of homogeneous objects. IEEE Trans. Geosci. Electron. 14 (1), 19–26.
[11] Liknes, G.C., Perry, C.H., Meneguzzo, D.M., 2010. Assessing tree cover in agricultural landscapes using high-resolution aerial imagery. J. Terr. Observ. 2 (1) (Article5).
[12] Meneguzzo, D.M., Liknes, G.C., Nelson, M.D., 2013. Mapping trees outside forests using high-resolution aerial imagery: a comparison of pixel- and object-based classification approaches. Environ. Monit. Assess. 185, 6261–6275.
[13] Mueller, J., 1968. An introduction to the hydraulic and topographic sinuosity
[14] indexes. Ann. Assoc. Am. Geogr. 58 (2), 371, http://dx.doi.org/10.1111/j.1467-8306.1968.tb00650.x.
[15] O’Connell, B.M., LaPoint, E.B., Turner, J.A., Ridley, T., Pugh, S.A., Wilson, A.M.,
[16] Waddell, K.L., Conkling, B.L., 2014. The Forest Inventory and Analysis Database:Database Description and User Guide Version 6.0.1 for Phase 2. USDA For.Serv., Washington, DC, pp. 748.
[17] Quackenbush, L.J., 2004. A review of techniques for extracting linear features from imagery. Photogramm. Eng. Remote Sens. 70 (12), 1383–1392.
[18] Riitters, K.H., Vogt, P., Soille, P., Estreguil, C., 2009. Landscape patterns from mathematical morphology on maps with contagion. Landsc. Ecol. 24, 699–709.
[19] Ripley, B., 2016. tree: Classification and Regression Trees. R package version 1.0-37, http://CRAN.R-project.org/package=tree.
[20] Siegel, S., Castellan, N.J., 1988. Non Parametric Statistics for the Behavioural Sciences. MacGraw Hill Int., New York, pp. 213–214.
[21] Soille, P., Vogt, P., 2009. Morphological segmentation of binary patterns. Pattern Recogn. Lett. 30, 456–459.
[22] Sun, Z., Fang, H., Deng, M., Chen, A., Yue, P., Di, L., 2015. Regular Shape Similarity Index: a novel index for accurate extraction of regular objects from remote sensing images. IEEE Trans. Geosci. Remote Sens. 53 (7), 3737–3748.
[23] U.S. Dept. of Agriculture, 2012. Working Trees for Agriculture, 7th ed, Accessed from http://nac.unl.edu/documents/workingtrees/brochures/wta.pdf(accessed 1.09.16).
[24] van der Werff, H.M.A., van der Meer, F.D., 2008. Shape-based classification of spectrally identical objects. ISPRS J. Photogramm. Remote Sens. 63 (2), 251–258.
[25] Vogt, P., Riitters, K., Iwanowski, M., Estreguil, C., Kozak, J., Soille, P., 2007. Mapping landscape corridors. Ecol. Indic. 7 (2), 481–488.

总结

1.论文的主要方法：

本文主要通过三个指标SNFI、防风弯度指数、防风林的占空比分别在2个不同区域（河岸地区以及农业区）做对比测试，并且农业包括L型和线性防风林。以及单指标测试和多指标同时测试，检测防风林的覆盖情况。

本文选择了两个研究区域一在邻近农田河岸地区的树木覆盖的蜿蜒的条带有一个区域较为狭窄，而另一个则是以农业为主导的区域并且有许多直线型和L型的防风林。对于河岸带研究区，如何能够助于从直线型防风林中区分出蜿蜒的河岸树盖。本文将有代表性的区域进行了标注。有代表性的区域包括为“北–南防风林”、“东–西防风林”或“其他”（例如，河岸走廊或其他非防风林区域）。因为这些区域几乎没有Ｌ型防风林，我们也没有指定那个类型。本文评估Kruskall–沃利斯秩和检验这些类的可分性，并在适当的时候做对比。而且还提出了一个新的指数称为直线特征指数（SNFI），该指数采用形态学腐蚀和分区统计来对南北和东西的线性防风林从其他树特征区分开来。通过对不同参数阈值的确定，从而对整体性能的优化其他算法做比较。

2.优点：

本文所提出的方法可以获得一些以前难以提取到的信息，该法根据形状，尤其是防风林和河岸走廊的形状，对树图进行分类。

本文提供的方法有弯度和面积指数。用户只需要指定一个最大的宽度规格以计算SNFI但是可没有响应的参数计算其他两个参数。该指标对于OBIA数据集的用户来说是有用的工具，而与形状相关的信息可以有助于推测出另外的一些相关信息。指标可以在农业景观图将其分为四类（南北防风，东西防风，L形的防风林，和其他），精度为百分之94。这些方法能够较优的分析树覆盖在现有的土地覆盖数据集，包括防风林的数据集，河岸走廊，农业景观和其他功能。

3.缺点：

本文试图对农业研究区四类树木进行分类的效果并不好，使用分类树测试表明没有一项单指标测试正确率超过百分之85。也即是对单指标测试精度有待提高。

4.改进或者借鉴思路：

也即是针对此缺点，看是否可以借鉴其他算法的这方面优势，加以优化，增长单指标方面该方法的性能。

最后附上原文链接：https://pan.baidu.com/s/1zBagfAOzEIIotVnf5BhQTQ

对于美国中部覆盖图防护林形态的自动检测技术相关推荐

ubuntu设置时区为美国中部时间西六区
ubuntu设置时区为美国中部时间西六区查看当前ubuntu系统时区 date -R Fri, 23 Dec 2016 21:42:38 +0800 显示的是东八区时间及北京时间然后输入tzsel ...
【阅读论文】第七章--多图重建的黄斑肿大检测--博-自动化眼底图像分析技术可筛查糖尿病患者的视网膜疾病
7.多图重建的黄斑肿大检测在本章中,我们提出了一种新的技术,使用未校准的多视图眼底图像来分析黄斑肿胀.这项创新使眼科医生能够使用便宜的眼底照相机远程检测和定量测量肿胀区域.该功能在单个图像中不可用, ...
用声音检测技术降低美国“赌城”枪击案伤亡（paper+github）
最近几天,大家都被美国"赌城"拉斯维加斯的2000人的音乐会的枪击案刷屏,59死,500+伤,是美国自911事件后,最大的伤亡事件.默哀!祈祷和平,没有暴力! 图为:美国华盛顿纪念 ...
基于图神经网络的代码漏洞检测方法
文章结构 1. 引言 1.1 漏洞现状 1.2 漏洞研究传统特点现有的研究方案大多把源代码转化为文本序列,使用自然语言处理中常用的循环神经网络进行自动化特征提取,但这忽略了代码中由于跳转.循环.判断 ...
R语言ggplot2可视化绘制线图（line plot）、使用gghighlight包突出高亮线图的满足条件的线图、设置高亮线图不显示默认自动显示的文本标签（use_direct_label）
R语言ggplot2可视化绘制线图(line plot).使用gghighlight包突出高亮线图的满足条件的线图.设置高亮线图不显示默认自动显示的文本标签(use_direct_label = FA ...
美国人到底为什么不待见人脸识别技术？
https://www.toutiao.com/a6695915398514082318/ 2019年5月,旧金山市对人脸识别技术发出了禁令,禁止该技术在政府机关和执法机关中使用,从而成为全球首个对人 ...
Html5版本的全套股票行情图开源了，附带实现技术简介
Html5版本的全套股票行情图开源了,附带实现技术简介 - 玉开 - 博客园 Html5版本的全套股票行情图开源了,附带实现技术简介请使用支持html5的浏览器查看,推荐使用google chrom ...
图机器学习中的数据增强技术
文稿整理者:张琳审稿&修改:赵通本人总结来自圣母大学的博士生赵通在深蓝学院分享的"图机器学习中的数据增强技术"公开课.通过介绍图机器学习的概念,发展历程等,以及分享两篇 ...
css背景图根据屏幕大小自动缩放
css背景图根据屏幕大小自动缩放代码: 1 2 3 4 5 6 7 8 9 10 <style> html,body{margin:0px;padding:0px;} #backgrou ...

对于美国中部覆盖图防护林形态的自动检测技术

对于美国中部覆盖图防护林形态的自动检测技术相关推荐

最新文章

热门文章