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。     

遥感影像的云及其阴影覆盖区光谱重构

以往遥感影像的云及其阴影去除方法侧重于受遮盖地物的几何特征恢复,不利于基于光谱特征的信息提取。为此,提出一种基于地物类别特征的光谱重构方法,采用两期相邻年
份相近物候期的遥感数据,借助归一化差值和决策树分类的方法,检测厚云及其阴影,并提取相应区域地表覆盖类型信息,对两时相遥感影像各波段被遮挡区的每种地物类别做线性回归分析,获取被遮挡区的重构数据。实验结果表明,该方法在恢复受云影响地物几何信息的同时,较好地实现了遮盖区地物光谱信息模拟。