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。     

基于极化SAR和光学影像特征的土地覆盖分类

为了更好地利用多源遥感影像参与土地覆盖分类,采用一种基于合成孔径雷达(SAR)影像和光学影像相结合的特征分析及筛选方法.该方法在对光学影像和SAR影像的各类特征变量进行可分性分析后,使用随机森林算法对其组成的高维变量空间进行降维筛选,将筛选出的特征变量用于土地覆盖分类,并对实验结果进行分析比较.实验结果表明:利用随机森...     

结合植被覆盖度指数的土地覆盖分类方法研究

基于Landsat 8 OLI反射率数据,结合定量遥感反演植被覆盖度（fractional vegetation cover, FVC）提取的植被物候特征数据,对比了神经网络、支持向量机和随机森林3种土地覆盖分类方法．结果表明:随机森林分类方法具有较好的结果,反射率结合植被特征数据的分类方法的总体精度为85.52%,Kappa系数为0.8212,比仅用反射率的土地覆盖分类总体精度提高了3.45百分点,Kappa系数提高0.0429;植被覆盖度提取的植被特征数据能有效改善耕地、草地和裸地的制图精度和用户精度,对林地与水体的用户精度分别提高了7.79百分点与1.81百分点,灌木与人造地表的制图精度分别提升了7.69百分点与0.59百分点．整体来看,结合植被覆盖度及其派生植被特征进行土地覆盖信息的提取,在简单易行的同时,为提高分类精度提供了有效支持．      

遥感数据的土地覆盖分类

为有效开展土地覆盖变化检测、碳循环评价和气候评估,从土地覆盖分类中使用的遥感数据、分类方法、土地覆盖分类系统以及分类结果对比4个方面,综述了近年来国际上土地覆盖分类的研究进展.这对建立一套能够反映中国实际,又能与国际上流行的分类系统兼容、灵活转换的土地覆盖分类系统,并建立开放的、及时更新的中国土地覆盖样本数据库,具有现...     

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。     

运用多层次迭代方法进行遥感数据的土地覆盖分类

在分析运用不同时相SPOT 5和LANDSAT ETM 多光谱数据以及变差函数纹理进行土地覆盖分类的基础上,选择适合每一土地覆盖类别的最佳数据组合,运用多层次迭代方法分步提取不同的土地覆盖类别. 该方法综合利用不同时相、不同分辨率的数据及图像纹理信息,明显改善了图像分类的精度. 所提出的方法和思路,可运用到类似的应用中.     

人工神经网络在土地覆盖分类中的应用

文章使用A STER遥感数据和土地利用分布图等地理辅助数据,用BP神经网络方法对土地覆盖进行了分类,并与最大似然法的分类结果进行精度比较分析提出神经网络方法在遥感图像分析与处理技术中的应用潜力。结果表明地理辅助数据参与的BP神经网络用于土地覆盖分类研究可以获得相对较好的分类结果。     

基于RF模型的高分辨率遥感影像分类评价

以QuickBird高分辨率遥感影像为主要数据源,采用多尺度影像分割方法提取地物对象的光谱、纹理和形状特征;在此基础上,构建基于随机森林（RF）方法的遥感影像分类模型,分析和评价特征变量对模型重要性与稳定性的影响。结果表明:1研究区最优分割尺度参数为70、形状因子0.2、色彩因子0.8,同时构建研究区乔木、灌木和草地等8个景观类型的光谱、纹理和形状等32个特征变量信息;2选择5 000棵树和1个节点变量构建的RF分类模型的总体精度为0.94,Kappa系数为0.93,OOB（Out of Bag）数据泛化误差为6.01%;3通过分析特征变量的重要性发现,Ratio_la₁和Ratio_la₂等光谱特征的重要性值明显比形状特征和纹理特征的高;4基于平均下降精度,选择16个变量构建RF模型时总体精度达到0.94,Kappa系数0.93;5基于基尼指数构建的RF模型,在19个变量时总体精度和Kappa系数达到峰值。相比较而言,基于平均下降精度构建的RF较稳定。     

基于多特征参数的OMI遥感产品气溶胶分类研究 ——以广东省为例

为了解决气溶胶分类精度低和特征参数冗杂的问题,基于OMI(Ozone Monitoring Instrument)遥感产品的气溶胶特征参数,利用随机森林算法,将广东省2014年的气溶胶类型划分为沙尘型气溶胶(Desert Dust,DST)、生物质燃烧型含碳气溶胶(Carbonaceous Aerosols Assoc...     

Research on remote sensing image of land cover classification based on multiple classifier combination

This paper proposed an algorithm in which the maximum probability and the weighted average strategy were used for the combination of member classifiers. Using parallel computing, we test the algorithm on a China-Brazil Earth Resources Satellite (CBERS) image for land cover classification. The results show that using three computers in parallel can reduce the classification time by 30%, as compared with using only one computer with a dual core processor. The accuracy of the final image is 93.34%, and Kappa is 0.92. Multiple classifier combination can enhance the precision of the image classification, and parallel computing can increase the speed of calculation so that it becomes possible to process remote sensing images with high efficiency and accuracy.     

基于SAM遥感影像的分类技术研究

目的以混合像元提纯为突破口,研究遥感影像高分类精度的方法,以减少由于地物波谱的复杂性、传感器空间分辨率的局限性导致混合像元普遍存在而引起的影像信息不确定性和分类精度低指标性。方法利用光谱角（SAM）分类法,经过混合像元辨别和提纯、端元样区的定义等步骤,对影像进行分类。结果与传统最大似然分类法比较实验结果表明,SAM方法对地表覆盖比较复杂的零散地区遥感影像分类具有较高的精度。结论因选择合适的方法消除了混合像元,SAM是一种有效的遥感影像智能分类方法,对提高影像分类精度具有极为重要的实践意义。     

贵州省地表遥感覆盖物在名称和分类上的勘误与释义标准

目前国内应用遥感领域中,所采用的地表遥感分类办法种类繁多、独立性强、命名理由和习惯不一、标准化差:一方面来源于国外传感器所匹配的分类框架在尺度和制度上与国内沿袭不一需要重新拟定,另一方面也来源于研究者疏于严谨、精确的逻辑框架。从而造成各研究中指代不明,数据意义不明确,甚至在统计上出现矛盾和错误,不仅限制了各研究的科学性同时也阻碍了各数据之间的交流、参照和比对。研究以贵州省为案例,统计并分析现有的各类地表覆盖研究中出现的分类系列、名称及其释义,找出并改正各地物分类和命名在逻辑与方法上出现的混乱、矛盾和错误,并将标准化后的地类系列、名称和释义标准拟为意见建议,供其它研究参考和借鉴。     

Knowledge-based land use/cover classification of remote sensing image in Kenli, Shandong Province, China

Quantitative remote sensing methods have been widely adopted for land use/cover information extraction. However, in the Yellow River delta, spectral confusions between different surface features are common, which always introduce errors into the ordinary automatic spectral classification. A knowledge-based land use/cover classification is tried. Based on a systematic analysis of the spectral characteristics of different land use/cover types in the study area, several index models derived from TM digital data of Kenli County are built, which can make pixels of certain land use/cover types enhanced. With the combination of the index models, the expert knowledge of the area and some ancillary data, such as land use maps and soil maps based on ground surveys, rules of every class are determined to extract the land use/cover information. Accuracy evaluation shows that without any manual modification, the land use/cover information determined with remote sensing is 81.8% and accuracy for the spatial distribution of land use/cover cross checked with a random sample is 84.5%. Therefore, this approach provides an effective means for land use/cover information extraction in the Yellow River delta and can be used as reference for other areas where spectral confusions commonly exist.     

遥感影像分类方法的研究

该文基于ERDAS的KnowledgeEngineer分类方法原理,提出一种多信息源、智能化、程序化的阈值分类技术,利用空间模型语言SML（SpatialModelerLanguage）编程实现遥感影像的分类,进而克服了传统分类方法只能针对单一信息源的局限。研究工作以1999年ETM＋遥感影像临港新城为例,将该方法与传统的监督分类方法进行比较和精度评价。结果表明,阈值分类法比监督分类法分类精度高,指标Kappa系数由0.6109提高到0.8204。该方法可通过模块实现多信息源的调用,从已分类图像中提取确认的分类信息,达到一定的智能化,减少人为的重复性操作。     

An improved EM algorithm for remote sensing classification

The use of a general EM(expectation-maximization) algorithm in multi-spectral image classification is known to cause two problems:singularity of the variance-covariance matrix and sensitivity of randomly selected initial values.The former causes computation failure;the latter produces unstable classification results.This paper proposes a modified approach to resolve these defects.First,a modification is proposed to determine reliable parameters for the EM algorithm based on a k-means algorithm with initial centers obtained from the density function of the first principal component,which avoids the selection of initial centers at random.A second modification uses the principal component transformation of the image to obtain a set of uncorrelated data.The number of principal components as the input of the EM algorithm is determined by the principal contribution rate.In this way,the modification can not only remove singularity but also weaken noise.Experimental results obtained from two sets of remote sensing images acquired by two different sensors confirm the validity of the proposed approach.     

遥感图像云图识别中的特征提取

遥感卫星在获取遥感图像时,往往连同大量的云层一起记录下来.这些云层图像有时不包含有效信息,有时掩盖了有效信息,从而影响了数据的处理效率.为此研究可见光图像中云图特征提取技术,为有效剔除云图提供特征依据.文中定义了多种灰度特征、频率特征和纹理特征,实验结果表明,这些特征可以有效实现云图和地物的分类.