基于最大似然和支持向量机方法的遥感影像地物分类精度评估与比较研究

遥感影像的监督分类算法在环境监测、地质调查等领域均有重要应用。本文利用最大似然(ML)分类器和支持向量机(SVM)分类器对土地利用和地表覆盖问题中地物类型的提取和识别进行研究,系统分析两种不同分类方法对地物分类结果的影响。通过选取Landsat LT5和LE7卫星遥感影像数据及定义训练样本,对比分析利用ML和SVM分类器的分类成果精度,其中Landsat LT5和ML、SVM组合的分类精度分别达94.64%和94.98%,而Landsat LE7和ML、SVM组合的分类精度则分别达97.63%和99.29%。研究表明,对于LT5影像,ML和SVM两种分类器的精度相当,而对于LE7影像,SVM分类器的精度明显高于ML分类器。     

基于多时相遥感数据的吉林盐碱区土地覆被信息提取方法对比—以镇赉为例

利用多时相的遥感数据制作的多维分类特征数据集,可以充分挖掘遥感影像中的植被信息提高地表覆被信息的分类精度。以世界三大盐碱土分布区之一的吉林省镇赉县为例,利用多时相Landsat8遥感数据制作的多维分类特征数据集,通过不同的分类方法提取了实验区11类地表覆被信息,并进行精度对比分析。结果表明:1支持向量机(SVM)法对苏打盐碱化土壤特殊生态环境的地表覆被信息提取具有较好的分类效果,总体分类精度87.77%,Kappa系数0.864 9;其中盐碱地的分类效果较好,生产精度达到98.34%。2不同方案分类精度从高到低依次为:支持向量机、最大似然分类、神经网络、最小距离、光谱角法。3镇赉县的土地利用类型以旱地、水田、盐碱地为主,镇赉西部以旱地为主要,中部地区盐碱地、碱泡、旱地交错分布,东部以水田为主。     

基于遥感和GIS的土地利用分类方法研究

本文基于遥感卫星数据,在遥感软件ENVI 5.1和地理信息系统软件Arc GIS 10.0的支持下,通过最大似然法(MLC)、支持向量机(SVM)、人工神经网络(ANN)三种方法,对研究区土地利用/覆盖(LUCC)分类进行信息提取,并对不同分类方法的结果进行比较分析和精度检验.研究表明:使用支持向量机进行遥感图像分类,精度优于最大似然法和人工神经网络,且学习速度也较快,可更好地区分土地利用类型,提高土地利用信息的精度,适用于不同地貌单元,能够作为小尺度范围内遥感影像LUCC分类研究的有效工具.     

机器学习算法在高分辨率遥感影像土地覆被分类中的对比分析

机器学习在面向对象的土地覆被分类中有着重要作用。针对不同机器学习分类器在最优超参数组合下对分类结果的影响并不明确的问题。在WEKA软件平台的基础上以中卫市的WordView3影像为研究数据,系统地讨论了随机森林(RF)、深度神经网络(DNN)、支持向量机(SVM)和决策树(DT)四种常用机器学习分类器的最优超参数组合,并在最优超参数组合下对四种机器学习分类器的分类结果进行了对比分析。研究结果表明:在相同的影像分割、训练样本集和特征提取条件下,使用不同的机器学习分类器均存在一些错分现象,且错分对象不完全一致;RF,DNN和SVM的分类精度明显高于DT,其中RF的分类精度最高,总体精度达到80.8%,卡帕系数达到0.78。     

基于随机森林算法的城区土地覆盖分类研究

随机森林算法是一种高度灵活且易于使用的机器学习算法,目前在遥感影像分类中应用广泛。为了验证其在城市土地覆盖分类中的效果,本文对河南省洛阳市局部城区进行了土地覆盖分类实验,将Landsat 8(OLI)遥感影像的光谱波段、光谱指数和纹理特征相结合,构成多种特征组合进行随机森林算法分类比较,选择分类效果最佳方案,并与支持向量机方法进行比较。后利用随机森林算法对该组合特征变量高维数据进行降维处理,得到优化特征方案。实验结果表明:采用多源特征组合的随机森林算法的土地利用分类效果最佳,总体精度为90.54%,Kappa系数为0.890,比支持向量机方法的分类精度提高了3.1%;降维处理后的特征方案与随机森林结合在保证分类结果拥有高准确度的同时,减少了运算时间,实现了土地覆被类型信息的高效获取。表明随机森林算法在城区土地覆盖分类上有很好的适用性与稳定性。     

基于Landsat影像的面向对象土地利用分类——以下辽河平原为例

基于Landsat OLI影像运用支持向量机和随机森林分类方法进行下辽河平原地区面向对象土地利用分类,同时探讨DEM因素对分类精度的影响.结果表明:(1)研究区随机森林分类的总体精度和Kappa系数优于支持向量机分类的结果,同时参考DEM因素有助于提高分类精度,总体精度最高为91.80%.(2)研究区支持向量机分类方法下水田和建设用地的分类精度较高;而旱地、林地、水域和未利用地更适用于随机森林分类方法.DEM因素对于水田、旱地、水域及未利用地的分类精度有提升作用,而对林地的分类精度有一定的削减.(3) 2015年研究区土地利用以耕地为主,其次是建设用地和林地,水域、未利用地和草地的面积相对较少.中等分辨率遥感影像的面向对象土地利用分类的适用性较好,可为区域土地利用信息提取提供参考.     

基于SVM的遥感影像监督分类方法研究 ——以天水市三阳川地区为例

遥感影像分类技术是研究土地利用、规划与地理空间信息分析的重要技术手段,遥感影像分类的模型算法在各类遥感图像分类应用中起着重要作用.文章通过实地踏勘数据与图像纹理与光谱信息对比分析选择训练样本,对SVM支持向量机等6种分类方法进行结果分析与分类精度评定并得出结论.通过分类实验数据对比分析,得出基于SVM分类方法的精度高于...     

基于GF-1 PMS影像的土地利用/覆盖分类研究

土地利用/覆盖变化是当前全球环境变化的重要内容之一,而土地利用/覆盖分类是其基础工作之一。以萍乡市区为研究区,利用国产GF-1 PMS影像为基础数据,采用最小距离、最大似然法、平行六面体和支持向量机四种监督分类法进行了土地利用/覆盖分类试验研究。结果表明:最大似然法和支持向量机分类算法具有更好的分类精度,总体精度分别为93.3和96.03,Kappa系数分别为0.917 2和0.948 7,而最小距离法和平行六面体的精度则差很多。由于GF-1 PMS的多光谱波段和全色波段的空间分辨率分别为8 m和2 m,因而支持向量机分类结果可以满足很多水文、生态等模型的需要。     

基于Landsat-8影像的大通县土地覆盖分类方法对比研究

针对Landsat-8影像在土地覆盖分类中的应用研究,以青海省西宁市大通县为研究区,在对Landsat-8影像进行辐射定标、大气校正、影像裁切等基础上,利用最大似然分类和支持向量机(SVM)分类法,获得两种方法支持下的6种土地覆盖分类结果。经过精度评定和对比分析,结果表明:SVM分类法优于最大似然分类,总体分类精度分别为78.53%,85.64%。同时,Landsat-8 OLI数据相对于TM/ETM+数据,增加的波段新特性有利于土地覆盖分类精度的提高。文中方法适用于Landsat-8影像在土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求。     

宁夏石嘴山地区盐碱地变化的目标级检测

采用同一地区、不同时相的Landsat 8OLI影像数据,结合影像的光谱、纹理和地理特征等24个变量,分别采用随机森林分类法(RF)和支持向量机分类法(SVM)对宁夏石嘴山地区进行影像分类,研究发现:影响分类模型精度的有DEM数据、归一化差异植被指数(NDVI)、短波红外波段、归一化差异湿度指数(NDMI)与第一主分量均值(M)等重要参量。RF的分类精度略高于SVM,总体分类精度为95.492%,Kappa系数为0.947;盐碱地的分类精度为98.510%,计算效率是SVM的16.5倍;RF方法更适合进行盐碱地目标级的变化检测。根据两个时相影像的RF分类结果,得到2014—2017年研究区盐碱地面积减少约133.56km2,减少比例56.368%,生态环境改善和盐碱地改良趋势较好。     

中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例

"土地利用/土地覆被"(简称LUCC)是全球环境变化研究的热点问题之一,遥感技术是LUCC研究的重要手段,遥感影像LUCC信息的高精度自动提取成为众多专家学者关注的重要研究领域.Landsat系列卫星影像是最早且最为广泛使用的中分辨率陆地遥感影像.文章以2013年2月发射的Landsat8卫星的OLI影像为研究对象,利用ENVI软件,对太原市区的土地利用/土地覆被信息分别用最大似然法和决策树分类法实现自动提取,并进行精度比较.结果表明:最大似然法提取的总体精度为69.33%,Kappa系数为0.605 5,主要是耕地与林地、草地、建设用地以及建设用地与裸地的混分、错分现象较为严重,造成分类精度较低;而决策树分类法的自动提取通过确定适当的判别规则,使地类间的混分、错分现象明显改善,分类总体精度提高到91.33%,Kappa系数达到0.892 3,各土地利用类型的分类精度均有一定提高.     

基于决策树的多源遥感数据分类

遥感影像是获取土地覆盖信息的重要手段。分析了影响决策树分类的特征因子,并根据这些因子构建分类决策树。结合中分辨率多源遥感数据,对贡嘎山区进行土地覆盖分类,通过与最大似然法分析对比,基于决策树的多源数据分类对试验区的分类精度(总体精度85.71%,Kappa系数0.83)远高于基于像素的最大似然法监督分类(总体精度63.56%,Kappa系数0.58)。     

渭-库绿洲土地利用/覆被变化与蒸散量时空特征分析

以新疆维吾尔自治区渭干河-库车河三角洲绿洲为研究对象,利用支持向量机法(SVM)对1997和2015年Landsat TM/OLI遥感影像获取土地利用/覆被类型信息,基于SEBAL模型对研究区蒸散发(ET)进行估算并分析土地利用/覆被类型对ET的影响.研究结果表明:1997—2015年渭-库绿洲土地利用/覆被类型变化较显著,总体呈"一增四减"的变化趋势;不同土地类型的SEBAL模型参数和ET具有明显差异,而水体中ET与LAI、NDVI、SAVI之间呈反相对应;而研究区2期ET空间分布特征基本一致,整体表现为西高东低、北高南低的分布规律,植被覆盖越高,ET越高,而低植被覆盖区域地表温度越高,则ET越低,表明土地利用类型变化对ET的空间分布具有一定的影响..     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习算法.通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.将支持向量机理论应用到遥感图像分类的研究还处在初级阶段,传统分类算法应用于遥感图像分类存在运算速度慢、精度比较低和难以收敛等问题.从支持向量机基本理论出发,建立了一个基于支持向量机的遥感图像分类器.用遥感图像数据进行实验,并将结果与其它方法的结果进行了比较分析.实验结果表明,利用SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度.     

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题, 提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机（SVM）分类模型. 以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能. 为验证其有效性, 将该模型应用于森林覆盖类别分类, 并与标准支持向量机模型分类结果对比. 实验结果表明, 该方法能提高支持向量机对混合像元划分的精度.     

基于SVM的遥感影像土地利用变化检测方法

利用遥感影像的直方图统计量作为基本检测特征,采用支持向量机(Support Vector Machine,SVM)理论对淄博某地区的土地利用变化情况进行检测。为验证SVM方法的检测精度,分别使用Fisher判别准则、类别可分离判据等方法进行对比分析。遥感数据来自两个时相分辨率为0.6 m的Quickbird影像,相对于传统TM、SPOT影像,该方法能够提取出小范围内的土地利用变化情况,适合区县级范围内的土地变更调查。     

基于SVM的曲靖市麒麟区土地利用演变时空分析

基于2009和2015两个时相的TM/ETM+遥感影像数据,利用支持向量机分类SVM技术分析了2009-2015年曲靖市麒麟区土地利用/覆被变化情况,从土地利用类型变化率指数、综合土地利用动态度和土地利用转移方向与特征等方面对土地利用变化时空规律进行了分析.结果表明,麒麟区在近6a里森林覆盖率保持较好,耕地面积略有减少,但草地和水域面积减少幅度较大,建设用地和未利用地有明显增幅.     

多源数据结合的高分一号土地利用/覆盖分类方法研究

基于多时相的GF-1数据获取NDVI时序变化、NDWI和MNDVI等指数图像数据，辅以Landsat8卫星OLI影像和数字高程模型(DEM)数据，得到了不同地物在光谱、时相和形状等方面的特征；通过分析各种地物类型在这些特征上的差异和变化规律，总结出不同地物的特征提取规则，构建了一种基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法，并以广州市为实验区，运用该方法、最大似然法和最小距离法进行了土地利用/覆盖分类及其精度评价.结果显示:基于GF-1数据在地物复杂地区的土地利用/覆盖分类方法的总体精度为85.86%(部分地物分类精度达到95%以上)，与最大似然法及最小距离法相比，其总体精度分别提高了4.62%和12.24%，说明该方法能够更好地发挥GF-1遥感数据在土地利用/覆盖分类中的实际应用潜力，且有效提高了各种土地利用/覆盖地物类别的分类精度.     

基于知识的CBERS-02B卫星数据土地利用分类研究

选择龙口市黄水河流域下游为例,将GIS数据与遥感影像结合起来,从中发现知识,并将知识用于中巴地球资源卫星(CBERS-02B)遥感影像的土地利用分类信息提取,使土地利用信息自动提取的精度得到了明显提高,总体分类精度87.13%、Kappa指数值达到了0.851 1.研究表明,该方法将原有的 GIS 数据的先验性知识综合集成用于新的遥感图像的分类中,可以促进 GIS数据更新的自动化,提高土地利用调查的精度.     

基于随机森林算法的特征选择的水稻分类——以南昌市为例

在南方水稻遥感分类中,耕地细碎化;干扰性其他植被多是造成分类效果差主要因素。针对此类因素可对多时相影像进行特征提取、叠加成多时相特征集合,利用随机森林并结合归一化特征重要性对多时相影像特征集合进行特征测试,分析每个特征对分类结果的影响。根据每个变量的影响程度(贡献程度)的不同进行一个排序,从而选出最优的分类的特征优选子集。再利用随机森林作为分类器,对特征优选子集进行水稻的分类提取的识别方法。与3组未进行特征选择的SVM(支持向量机)算法的分类结果进行对比。实验结果表明:1)多时相影像的特征集合的分类精度高于单时相影像的特征集合的分类精度;2)基于随机森林对原始特征集合进行特征选择后的总体精度92.09%和Kappa系数90.36%,特征选择能有效去除冗余信息,从而提高分类精度。综上所述,在耕地细碎化,多植被干扰的南方丘陵地带中,结合随机森林的归一化特征选择的方法为水稻的识别和提取研究提供了有效方法。