SAM和决策树结合的Hyperion数据分类方法

在地面实测波谱分析的基础上，采用决策树对波谱角（SAM）分类方法进行改进，自动地进行波谱角阂值选择，提出一种新的基于SAM和决策树相结合的综合分类模型。该模型用于云南鹤庆地区土地覆被信息提取，并与最大似然分类法（MIC）的分类结果进行比较。结果表明，就每一类型而言，SAM结合决策树分类的分类精度较高；最大似然法监督分类总体精度为79．4％，SAM结合决策树分类的综合分类模型总体精度为88．5％，比监督分类精度高9．9％。     

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)。     

图像分割与SVM的城市森林植被分类技术研究

为了实现城市森林植被种类的信息提取,文中采用面向对象结合支持向量机的分类方法,基于无人机影像数据对上海某校区内的城市森林进行了植被分类技术的研究。利用影像数据中各类地物的光谱、纹理等特征信息,将城市森林植被类别分为四类,并将分类结果与最大似然法分类结果进行对比分析。结果表明:该方法实现了高分辨率遥感影像的城市森林植被分类,不仅消除了分类过程中的"椒盐现象",而且有效提高了植被分类精度。最大似然法分类结果的分类精度为55.12%,面向对象结合支持向量机的分类精度达83.60%,提高了28.48%。实验结果满足精度要求,可为城市规划提供数据支持。     

高光谱图像植被类型的CART决策树分类

为提高植被分类的精度, 在利用高光谱图像提取植被信息时需要考虑训练样本和地形等其他因素的影响。以长白山为研究背景, 基于CART（Classification And Regression Tree）算法构建决策树模型, 对高光谱图像进行植被分类。由于混合像元的影响, 以采用PPI（Pixel Purity Index）提取的纯净像元作为训练样本, 提取植被指数、 纹理和地形等分类特征变量。基于这些变量构建CART决策树对植被分类, 并将结果与最大似然法分类结果进行比较。结果表明, CART决策树分类法可实现光谱、 纹理和地形特征的有效组合, 有较好的分类效果。     

基于Landsat8植被覆盖度反演及应用——以宜黄县为例

植被覆盖度是反映地表植被状况和衡量生态坏境的重要标志之一。利用2016年宜黄县域范围的Landsat8 OLI影像,在对研究区域进行土地利用分类时,采取最大似然法和基于CART算法进行监督分类和决策树分类。通过比较两者的统计数据,得出基于CART算法的决策树分类精度要更高。然后利用决策树分类所得的土地利用图采用归一化植被指数(NDVI)和改进的像元二分模型反演出宜黄县植被覆盖度,最后通过宜黄县实际植被覆盖率与反演结果进行对比,并对其定性分析。     

基于Sentinel-1和Sentinel-2影像的洪泽湖国家湿地公园水生植被信息提取

【目的】探索利用光学遥感和雷达遥感数据进行湖泊湿地水生植被信息提取方法。【方法】以洪泽湖国家湿地公园为研究区,基于Sentinel-1的SAR影像和Sentinel-2的MSI影像,利用面向对象影像分析技术,结合EVSI、NDVI、SR特征指数和对象之间的上下文特征,以及挺水植被高度的差异所对应SAR影像上的后向散射系数,在对象级的基础上建立决策树模型对湿地水生植被进行分类,分析洪泽湖国家湿地公园水生植被以及挺水植被的分布状况。【结果】研究区水生植被类群分类精度为89%,Kappa系数为0.85;挺水植被种群分类精度为85.2%,Kappa系数为0.76。与基于像元分析方法的结果相比,面向对象的影像分析方法具有更高的精度;湿地水生植被以沉水植被和挺水植被为主,其中挺水植被中以荷叶和芦苇为主。【结论】本研究提出的湖泊湿地水生植被信息提取方法具可行性,可为湿地管理与决策提供科学依据。     

基于SEaTH的决策树方法在区域尺度土地覆被分类中的应用

利用最大值合成法处理洮河流域2000年MODIS数据,得到归一化植被指数年最大值栅格数据,结合该区数字地面模型构造土地覆被分类数据集,采用SEaTH算法提取不同地类的特征阈值,构建决策树,对洮河青藏片区和黄土片区进行土地覆被分类,与NLCD-2000数据相对比进行精度评价.结果表明:决策树法能够较好实现洮河流域主要地物的识别并反映其宏观分布格局.青藏片区地物分类的总体精度为74%, Kappa系数为0.71;黄土片区地物分类的总体精度为63.8%, Kappa系数为0.57;青藏片区的分类效果总体要好于黄土片区.与最大似然法相比,决策树法在青藏片区的分类精度提高约10%,黄土片区分类精度提高约5%.     

卫星遥感图像的神经网络自动识别分类

介绍了神经网络卫星遥感图像自动识别分类的方法,并与最大似然法分类结果进行了比较,计算机实验结果表明,神经网络分类的精度和速度优于最大似然法分类．     

基于像元和对象分类的城区植被高分辨率遥感制图比较研究

本研究利用高空间分辨率遥感影像和LiDAR数据,参照美国USGS植被分类体系,在两种不同分类层次上,评价了基于像元和基于对象分类两种方法的城区植被覆盖专题制图效果.采用传统的基于像元监督最大似然分类时,在下层分类层次,分类总精度仅为70.5%,Kappa系数为63.5%.当在上层分类层次进行分类时,分类精度相对下层分类层次有明显提高,总精度达84%,Kappa系数为75.8%.而采用面向对象的分类方法时,在下层分类层次,分类总精度为86%,Kappa系数为82.3%.在上层分类层次,总精度达90.8%,Kappa系数为86.2%.研究结果表明,在城区两种不同植被分类层次,面向对象分类结果都取得了优于基于像元的分类结果.     

基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势.本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析.结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法.     

基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析。结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法。     

卫星遥感图像的神经网络自由识别分类

介绍了神经网络卫星遥感图像自动识别分类方法,并与最大似然 类结果进行了比较。讨论机实验结果表明,神经网络分类的精度和速度优于最大似然法分类。     

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.     

基于神经网络的扎龙湿地土地覆盖分类研究

主要研究神经网络在土地覆盖分类方面的应用问题．采用四层神经网络结构,对扎龙湿地的TM影像进行了分类研究,并提出一种基于鲁棒误差函数的自适应反向传播学习算法．仿真结果表明,该方法能够有效地对扎龙湿地TM影像进行分类．所采用的四层网络结构可减轻存储量大的负担,鲁棒误差函数有效地抑制了大误差,自适应反向传播算法使误差下降更快,而且最终得到的分类精度高于三层神经网络和最大似然法的分类精度。     

基于特征优选的随机森林算法在湿地信息提取中的应用——以湖北洪湖湿地自然保护区为例

以湖北洪湖湿地自然保护区为研究区,采用随机森林算法对研究区内湿地信息提取.以Sentinel-2A遥感影像为数据源提取光谱特征、植被指数、水体指数、红边指数、纹理特征等特征变量,在随机森林算法框架下,对不同特征变量进行特征重要性评估,比较分类后精度并对特征组合进行优选.将基于随机森林算法的分类精度与传统的基于像元的支持向量机分类方法和最大似然分类方法的分类精度相比较,并通过双比例Z检验比较各算法中正确分类像元的比例统计各分类算法之间的分布差异.结果表明： 1) 特征个数为13时,分类精度达到最大,随着特征个数的增多,分类精度呈现波动减小的趋势; 2) 特征变量中蓝光波段重要性得分最高,达到2.85,可见光(B2、B3)与红边指数(IRECI、MCARI)重要性排名靠前,对于提取湖泊湿地信息具有重要意义; 3) 基于特征优选的随机森林方法分类精度优于支持向量机和最大似然法分类后的精度,其总体精度分别高出6.02%和7.57%;经检验, χ2分别达到25.891和38.895,具有显著差异,表明基于特征优选的随机森林算法分类对湿地信息提取发挥重要作用。     

土地覆盖遥感分类方法的比较与分析

针对遥感技术在土地覆盖分类中应用的重要性,以Landsat TM影像为数据源,选择传统的最大似然分类器、最小距离分类器和新兴的支持向量机分类器、以及面向对象分类方法,设计不同的分类判据特征组合,对不同分类器、不同分类特征组合的精度进行比较分析。结果表明,最大似然分类器、支持向量机分类器都具有良好的分类效果,综合使用多种特征作为输入可以提高分类精度,适合于研究区域土地覆盖分类。     

结合植被指数与纹理区分天然绿洲与人工绿洲——以甘肃省酒泉市金塔绿洲为例

以位于黑河流域北大河下游的金塔绿洲为例,以LandSat TM为数据源,在确定绿洲NDVI(normalizeddifference vegetation,INDV)阈值,对影像进行主成分分析并计算基于灰度共生矩阵的纹理指数的基础上,运用决策树分类法,进行了天然绿洲和人工绿洲的区分,并将区分结果与单纯使用INDV和最大似然分类结果进行了比较.结果表明,结合纹理与植被指数区分天然绿洲与人工绿洲的总精度为62.50%,Kappa系数k=0.416;与只用INDV区分的方法相比,总精度提高1.50%,k提高2.60%;与最大似然法相比,总分类精度提高0.90%,k提高2.20%.说明将纹理特征与植被指数相结合的方法可以在一定程度上提高天然绿洲与人工绿洲的区分精度.     

一种提高喀斯特地区植被分类精度的方法——以贵州省关岭县为例

探寻提高喀斯特地区植被分类精度的方法,获取精准细致的植被覆盖变化信息,对喀斯特地区植被恢复以及石漠化综合治理成效评估有重要意义。以关岭县2015年Landsat 8影像为基础研究数据,根据光谱、形状、空间等特征,采用多尺度分割方法,逐层提取不同植被信息,并与传统最大似然法对比,结果表明:1)关岭县森林覆盖率为51.59%,灌丛占全县土地面积的35.62%;2)面向对象方法总体分类精度为85.75%,Kappa系数为0.798,比传统最大似然法分类结果总体精度提高17.21%,表明运用面向对象方法对喀斯特地区植被分类更具可行性;3)面向对象分类法根据地物光谱信息、植被指数和空间信息,能有效克服"椒盐现象",减少阔叶林被错分为针叶林、针阔叶混交林被误判为阔叶林的概率,结合坡度和亮度信息能减少灌草丛、耕地、建设用地之间的混分现象。     

基于BP神经网络的湿地遥感分类

遥感图像分类的实质是通过计算机对图像像元进行数值处理，达到自动识别地物的目的．在对国内外湿地遥感分类研究的基础上，用BP神经网络方法对湿地遥感分类进行了研究，并与最大极然法进行精度比较分析．结果表明：BP神经网络分类法是一种有效的湿地分类技术，能够提高分类精度．     

基于随机森林特征变量优化的湿地植物分类与密度反演

以长江口滨海湿地为研究区域,采用随机森林算法对滨海湿地植被进行分类。在提取Landsat?8 OLI影像植被指数和水体指数的基础上,提出利用植被指数季节差值对模型进行特征变量优化,分析了长江口滨海湿地植物群落分布的空间特征。以所占面积最大的互花米草（入侵物种）为例,采用多元线性回归模型结合实地测量数据,估算了秋季的互花米草植物密度的空间特征。提出的多时相遥感数据结合随机森林特征变量优化方法,可以较为便捷地提取长江口湿地3种优势物种的空间分布特征,与最大似然法相比,分类精度有较大提高,总体分类精度由78.35%提高至87.55%,Kappa系数由0.72提高至0.84。该方法适用于存在“异物同谱”问题的湿地植物群落研究。