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。     

基于决策树模型的面向对象方法的遥感湿地信息提取

以宁夏回族自治区中卫市与腾格里沙漠边缘及其毗邻区域为研究区,运用基于决策树模型的面向对象方法,对图像融合后15m分辨率的Landsat 8 OLI遥感影像进行湿地信息提取研究,并与基于对象的最大似然法的分类结果进行比较,结果表明,基于决策树模型的面向对象法相比于基于对象的最大似然法的湿地分类总体精度提高了18.45%,Kappa系数提高了0.17,分类结果精度显著提高。     

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)。     

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.     

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.     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

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。     

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Landsat8影像喀斯特石漠化调查研究

喀斯特石漠化是一种常见的土地退化基岩裸露的现象,主要分布在我国西南喀斯特地区,具有分布范围广且有进一步恶化的趋势.利用Landsat8影像,基于决策树分类方法提取凤山县石漠化信息.以NDVI值、植被覆盖度和凤山县坡度分析为分类条件,运用决策树提取凤山县石漠化信息,利用Google Earth对最初的分类结果存在错分和漏分的情况纠正,最后得到2021年凤山县不同等级石漠化面积及空间分布情况.结果表明：2021年凤山县石漠化面积约为197.307 1 km2,占全县土地面积的11.32%,总体分类精度为87.4%,Kappa系数为0.865 1.从精度评定结果可知,该方法提取石漠化信息精度可靠,同时也提出了凤山县具有石漠化较为严重的现象.     

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。     

基于人工神经网络法的遥感影像分类研究

在遥感和GIS的支持下,采用人工神经网络(ANN)法对研究区土地利用/覆盖进行信息提取,并对ANN改进前后的分类结果和最大似然法(MLC)的分类结果进行对比分析.实验发现采用改进后的ANN分类总体精度达到了93.91%,较改进前提高了2.16%,较MLC提高了6.44%.研究表明:使用ANN进行遥感图像分类,精度优于MLC,改进后的ANN精度优于改进前的ANN.与传统方法相比,ANN分类达到的精度更高,可更好地区分土地利用地类,提高土地利用信息的精度.     

比值居民地指数在城镇信息提取中的应用

TM图像中由于裸地与城镇光谱特征相似,利用传统的分类方法难以区分二者,城镇提取精度很难令人满意针对这一问题,本文提出了一种新的方法即比值居民地指数（RRI）法用于城镇信息提取,同时与最大似然监督分类法作对比,研究结果表明,RRI法（精度达87.50％）优于最大似然分类法（精度为78．13％）,是一种提取城镇居民地信息的理想方法,尤其适合裸地较多的干旱半干旱地区．     

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。     

监督分类方法在遥感影像分类处理中的比较

随着计算机解译技术的发展,遥感影像分类方法不断涌现,各种分类器分类精度不一的问题,对其应用产生了一定的影响。运用ENVI软件,采用同一地区的Landsat TM影像,通过目视解译选择相对应的训练样本和已有的验证样本进行试验,对监督分类的6种分类器(最大似然、神经元网络、支持向量机、最小距离、马氏距离、平行六面体分类方法)进行分类后的精度比较。通过对试验区的地物做分类结果的评判和比较研究,再经过分类后处理,得出分类结果的总体精度和Kappa系数。结果表明,最大似然分类方法的精度明显高于其他分类方法的精度,而对比分类影像的细部图,也优于其他分类法,即在监督分类中,最大似然分类法具有较好的分类效果。     

基于多分类器结合的IKONOS影像城市植被类型识别

采用多分类器结合的方法对城市植被进行分类.首先,以分割获得的城市植被分布斑块为处理基元,在不同特征空间中采集不同的样本,通过ISODATA、马氏距离、最大似然、人工神经网络和专家系统法进行分类,并计算各分类结果的关联程度和各植被类型识别的先验概率;然后利用专家投票的大多数规则对分类结果组合,未分类的对象按照先验识别概率最高的结果归类.精度评价表明:多分类器结合方法显著提高了信息识别的能力;采用多分类器结合的方法比单个分类器获得的最高分类精度提高5.5%,Kappa系数提高7.4%;Z统计值均为负,且均通过95%的置信水平检验.     

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。     

基于面向对象方法的天津市滨海新区湿地信息提取

基于天津市滨海新区2021年的Sentinel-2遥感影像数据,针对传统遥感影像湿地分类的不确定性问题,选择了面向对象分层分类的方法。采用面向对象多尺度分割算法,依据地物光谱异质性特征将遥感影像分割为光谱相似的对象,再结合不同地物的光谱指数、空间几何特征、纹理特征构建层次模型,分层提取湿地信息。分类效果同随机森林分类方法相比较,结果表明：利用面向对象的分层分类方法总体分类精度达到91.75%,Kappa系数为0.91,分类结果“斑驳现象”减少,湿地边界清晰完整。     

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．     

基于遥感影像的最大似然分类算法的探讨

通过对最大似然分类算法的研究,并将其与马氏距离分类法在相同情况下进行对比试验,结果表明,最大似然分类方法对于光谱特性呈正态分布的遥感影像能提供较高的分类精度,而对于光谱特性呈非正态分布或偏离正态分布总体的遥感影像,最大似然分类法的实际分类效果并不理想,进而分析最大似然分类法的适用性.