基于遥感与GIS空间分析的电力优化选线研究

该文针对输电线路径优选的目标,依据多源遥感数据,基于各种地物类型光谱特征知识分析,并结合遥感影像的纹理特征,采用决策树分类算法提取影响输电线路径选择的主要因素。研究结果表明,该分类方法能有效地进行地物分类与识别,特别是综合光谱和纹理信息有效地解决了裸土与居民地的混分现象。同时利用遥感立体像对数据,基于数字摄影测量方法构建了DEM,其精度能够满足输电线路径优选的要求。综合地物和地形多要素作为输电线路径优选的约束条件,采用GIS空间分析方法,实现了输电线路径优选。     

GIS技术用于电力线路勘测的思路研究

该文针对输电线路径优选的目标,依据多源遥感数据,基于各种地物类型光谱特征知识分析,并结合遥感影像的纹理特征,采用决策树分类算法提取影响输电线路径选择的主要因素。研究结果表明,该分类方法能有效地进行地物分类与识别,特别是综合光谱和纹理信息有效地解决了裸土与居民地的混分现象。同时利用遥感立体像对数据,基于数字摄影测量方法构建了DEM,其精度能够满足输电线路径优选的要求。综合地物和地形多要素作为输电线路径优选的约束条件,采用GIS空间分析方法,实现了输电线路径优选。     

基于遥感与GIS空间分析的电力优化选线研究

该文针对输电线路径优选的目标,依据多源遥感数据,基于各种地物类型光谱特征知识分析,并结合遥感影像的纹理特征,采用决策树分类算法提取影响输电线路径选择的主要因素。研究结果表明,该分类方法能有效地进行地物分类与识别,特别是综合光谱和纹理信息,有效地解决了裸土与居民地的混分现象。同时利用遥感立体像对数据,基于数字摄影测量方法构建了DEM,其精度能够满足输电线路径优选的要求。综合地物和地形多要素作为输电线路径优选的约束条件,采用GIS空间分析方法,实现了输电线路径优选。     

利用决策树模型的湿地提取与分类

为解决因湿地环境复杂且类型多样导致光谱混淆而难以对其自动遥感提取的问题,采用决策树模型的湿地信息提取方法,以Landsat OLI影像光谱特征和经缨帽变换后的数据为基础,结合不同类型湿地的环境特征和空间特征信息,提出先分区再分类的思想,构建决策树分类模型.对原始影像进行缨帽变换,利用变换后的湿度分量及地物的光谱特征规律,将研究区划分为水体区域、植被区域和非植被区域,然后分别对各个区域进行再分类,逐层分级,最终实现不同类型湿地的分级提取.研究结果表明:采用分区分类思想构建决策树模型,可以有效提取湿地信息,精度达87.50%.     

一种基于光谱与纹理特征的多光谱遥感图像地物分类方法

基于光谱特征对高分辨率多光谱遥感图像进行地物分类易形成噪声,提出一种光谱特征与纹理特征相结合的地物分类方法。首先基于光谱特征与纹理特征利用四叉树技术,对图像进行分块处理,以图像块的方式提取地物的光谱特征和纹理特征,然后采用支持向量机(support vector machine,SVM)对图像块进行地物分类,并通过区域增长方法对边缘区域进行处理,使得分类区域边界清晰。对Quickbird多光谱遥感图像进行实验,实验结果表明,该方法地物分类结果精度较高、区域一致性强、噪声少。     

基于纹理特征的微山湖湿地信息提取研究

研究基于Landsat7 Enhanced Thematic Mapper Plus(ETM+)影像,利用典型地物的光谱特征及灰度共生矩阵的纹理特征建立分类模型,提取了微山湖地区的泥滩信息,并采用随机采样法对分类结果进行了评价,Kappa系数达到0.822 7.研究表明,单一使用光谱特征分类的方法不能够有效的区分水体与泥滩信息,而辅以纹理特征后的分类方法可以将二者区分开,并且能够达到一定的分类精度,为湿地遥感信息的分类提供了一种方法.     

基于多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为数据源,借鉴决策树分类思想,采用了一种结合光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】基于多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被的分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

结合多特征的高光谱遥感土地利用信息提取

【目的】为了降低高光谱遥感数据噪声,提高土地利用分类信息提取精度,探索结合纹理和空间信息的分类方法。【方法】以河南镇平县Hyperion高光谱成像光谱仪获取的高光谱影像为材料,借鉴决策树分类思想,采用了一种结合了光谱、纹理和空间信息的高光谱遥感多特征地类提取方法,先通过提取光谱特征初步提取地类,再分别采用提取纹理特征和基于空间信息的植被提取进行详细地类信息的分层提取,最后,用地面实测样点验证各类土地利用类型的分类精度,比较了用不同方法对不同地类的提取效果。【结果】结合多特征的地类分层提取体系中,采用各波段光谱反射率区分大的地类,再用纹理特征进行光谱差异较小的地类划分,而基于空间信息进行植被分类。通过结合纹理和空间信息提取方法的总分类精度达86.7%,较最大似然法分类精度提高13.3%。【结论】高光谱与纹理和空间信息相结合的遥感分类方法能有效减小噪声,提高分类精度,可为土地利用分类提取研究提供一定的参考。     

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GMM与图像多元特征的自动决策树分类方法研究

通过对Landsat 8OLI影像空间和光谱特征的分析,使用GMM描述各地物的分布特征,并利用EM算法估计其参数.在获得影像GMM贝叶斯分类信息的基础上,融合主成分、相异性纹理、FNDWI、NDBI和NDVI等其他多元特征,自动构建CART决策树对图像进行分类.结果表明,该方法的总体分类精度比其他方法最大提高3.82%,比利用影像其他特征的分类精度最大提高9.78%,而高斯混合模型信息的融合可显著提高林地、耕地等地物分类的生产精度和用户精度.