基于光谱特征的决策树分类方法研究——以昆明市东北部地区为例

以昆明市东北部地区的TM影像为材料,通过分析主要地物的光谱特征,进行波段间的相互运算,建立相应的决策树模型,对地物进行分类,并对分类结果进行精度评价。结果表明:决策树分类法的总体精度为77.0%,比传统的分类方法如最大似然法提高了6.3%,能有效地提高影像的分类精度。     

基于WorldView-2影像数据对杭州西湖区绿地信息提取研究

以杭州市西湖区为例,根据研究区域地物在World View-2遥感影像的特征差异进行区域划分。在每个分区内采用不同的多尺度和方式进行分割,构建多层次结构,综合利用光谱、形状、纹理等特征变量;采用CART决策树分类算法,选择最优特征及节点阈值分区域对杭州市西湖区的植被绿地信息进行提取;采用Jeffries-Matusita(J-M)距离法,确定纹理窗口尺度并筛选纹理特征。结果表明:本研究利用可分离指数J-M距离法得到影像地物草地、农用地、灌木、乔木最佳纹理窗口尺寸分别为5×5、11×11、13×13、13×13,对纹理尺度的选择和纹理特征的降维极大地提高了信息提取的精度及效率;基于面向对象的CART决策树分类法的总体分类精度相比基于像元的最大似然法的精度从76.53%提高到88.56%,Kappa系数从0.711 7提高到0.862 3,绿地平均用户精度从72.73%提高到84.63%;同时比常规的面向对象的方法更快速灵活地确定分类特征及阈值,大幅度地提高了提取效率及精度。     

基于多时相资源一号04星多光谱影像的土地利用分类——以海南西北部地区为例

【目的】基于3期2015年获取的资源一号04星(CBERS-04)多光谱遥感数据,探讨CBERS-04多光谱数据在热带地区土地利用分类中的应用潜力。【方法】结合光谱和物候信息,分别采用最大似然法和决策树分类方法对海南西北部地区土地利用现状进行分类研究。【结果】基于单景的最大似然法可获得相对理想的分类精度,总体分类精度为85.8%~88.8%,卡帕系数为0.80~0.84;同时使用3期影像作为输入,运用最大似然法和决策树分类方法,其分类精度均有明显提升,总体分类精度达91.61%~92.61%,卡帕系数为0.88~0.89,其中最大似然法略优于决策树分类算法。【结论】联合多期CBERS-04多光谱数据能够准确提取热带地区土地利用现状信息,具有广阔的应用前景。     

基于指数的决策树土地利用分类算法研究

以湖北省松滋市部分区域为研究对象,基于2011年Landsat 5TM、2017年Landsat-8遥感影像和ASTGTM2的DEM数字高程数据,深入探讨研究区两种影像数据的多特征提取,设计基于指数的土地分类试验。结果表明,EBSI、MNDWI、MSAVI、MNDBI等遥感指数的分类精度较高;依据上述遥感指数和DEM特征,生成决策树规则,构建决策树分类模型,得到研究区的土地利用分类结果,决策树分类精度明显高于SVM法和最大似然法,Landsat-8影像分类精度高于Landsat 5TM;2011—2017年部分裸土得到了利用,主要转化为居民用地和生态用地。     

TM影像在长春市土地利用分类研究中的应用

利用Landsat TM遥感影像,在Erdas Imagine 9.2软件的支持下,分析了吉林省长春市Landsat-7影像的光谱特征值以及NDVI、NDBI和NDWI的特征值。参照高程及坡度数据,确定了各类地物的综合阈值。用监督分类和专家分类技术对Landsat TM分类,评价了专家分类方法在大尺度遥感数据分类中的作用。     

基于决策树模型的吉林西部居民地分布信息提取

以吉林西部为研究区,将遥感影像的光谱特征和纹理特征作为分类依据,建立决策树模型,提取居民地信息,并选用手动提取的吉林西部居民地信息,利用混淆矩阵对其进行精度评价。结果表明,决策树易于综合光谱和纹理特征进行居民地信息提取,通过对比发现,利用决策树方法提取的居民地的精度明显高于传统的最大似然法,并总结出了利用该方法提取居民地信息的算法。     

基于SVM的资源三号影像林地分类及精度评价研究

运用ZY-3影像全色和多光谱影像,采用支持向量机(SVM)法对黄龙山林区蔡家川林场林地进行分类研究,探讨SVM法的分类能力及不同核函数、纹理窗口大小对森林植被分类精度的影响。结果表明:SVM法在研究区ZY-3影像林地分类中精度比传统的极大似然法高;将光谱信息与灰度共生矩阵(GLCM)构造派生的纹理信息结合能有效提高分类精度;采用SVM法分类时不同核函数对分类结果的精度影响不显著;在选用3×3、5×5纹理窗口时分类精度更高。     

基于递归纹理特征消除的WorldView-2树种分类

利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.8410,比基于光谱特征的总体精度和Kappa系数高12.32%和0.1436。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。      

多种光谱指标构建决策树的水稻种植面积提取

合理选取不同光谱指标制定决策树规则,能有效提高决策树分类法提取水稻面积的精度。本研究以江苏省淮安市为例,选取30 m空间分辨率HJ1A和16 m空间分辨率GF1多光谱影像,在对不同地物样点像元光谱特征分析的基础上,选择地物光谱特征明显的GF影像计算NDVI、EVI、DVI和RVI,并提取影像近红外波段反射率,利用上述5种光谱指标确定不同地物分类阈值来对两景影像进行决策树分类,进而获取淮安市水稻面积和分布情况。结果表明,GF影像地物光谱特征较明显,有利于识别不同地物,可用来确定基于多种光谱指标分类的阈值范围。其中,水稻判别条件为NDVI0.70,0.25DVI≤0.45,0.53EVI≤0.80,RVI5.5且0.30ρNIR≤0.46。HJ影像和GF影像提取水稻面积的样本精度分别为87.29%和93.70%,GF影像比HJ影像的水稻面积提取精度提高了6.41个百分点,说明利用多种光谱指标构建决策树分类模型是一种有效提取水稻种植面积的方法。     

基于CART决策树的自然保护区植被类型分布研究

目的针对保护区监测需求，充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势，提高保护区植被类型遥感监测的精度，为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区，主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先，对GF-1 WFV数据进行多尺度分割，将研究区划分为诸多区域性的分割对象；然后，以分割对象为基本单元，研究光谱特征、几何特征、纹理特征不同组合情况下，基于CART决策树分类的结果；最后，利用训练样本建立基于TTA的精度检验，并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中，形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好；当形状因子和紧致度固定时，研究区最佳分割尺度为40。精度检验结果表明，基于CART决策树的保护区植被类型分类结果整体精度均在83%以上，Kappa系数在0.80以上，优于最邻近分类法和支持向量机分类算法，其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高，总体精度为85.18%，Kappa系数为0.832 2，优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究，可有效辅助保护区监测工作。      

县域尺度上基于GF-1PMS影像的冬小麦种植面积遥感监测

为探究县域尺度上基于高分一号卫星(GF-1)PMS影像进行冬小麦遥感监测的可行性及精准性,以河南省滑县为研究区,遴选2015年2月上旬GF-1 PMS影像6景,对影像进行辐射定标、FLAASH大气校正、NNDiffuse融合、几何精校正、地图投影转换等预处理后,在外业调查和样本分析的基础上构建一种新的冬小麦决策树分类模型,模型第1层决策方案中NDVI0.311的像元为冬小麦,得到冬小麦的粗分类结果;在此基础上进行第2层决策分类,以进一步提高冬小麦的分类精度,分类方案为第1波段地表反射率0.146、第2波段地表反射率0.148、第3波段地表反射率0.135、第4波段地表反射率0.250的像元为冬小麦。对分类结果进行形态学滤波处理,以消除或减少分类结果中孤立的像元。分别基于决策树分类模型与ENVI软件自带的IsoData非监督分类模型,对比分析GF-1PMS影像和同时期Landsat-8OLI影像在冬小麦面积提取上的精度。结果表明:基于新构建的决策树分类模型,2015年滑县冬小麦种植面积为115 715.81hm2,混淆矩阵检验总体精度为99.62%,Kappa系数为0.99;PMS影像提取冬小麦的混淆矩阵总体精度比OLI影像高出9个百分点。说明县域尺度上基于单时相GF-1PMS影像在冬小麦收获前提取冬小麦种植面积是可行的,提取精度较高。     

面向Sentinel-2A影像的大理市土地利用分类方法适用性研究

  目的  获取更高效、准确的土地利用自动分类方法,为后续的高原山区土地利用分类研究提供理论支撑。  方法  选取中国典型的高原山区云南省大理市为研究区域,以Sentinel-2A影像为对象,提出一种面向对象特征的决策树分类方法,并将此方法分类结果与传统的ISODATA法和最大似然法土地利用分类结果进行对比。  结果  ①面向对象特征的决策树方法分类结果在空间分布和各地类的面积统计方面都优于ISODATA法和最大似然法,与研究区实际土地利用面积数据更为接近;②在大理市,最大似然法在水体和林地的提取上适用性较好,而面向对象特征的决策树分类方法在农田、草地、建设用地和其他这些地类的区分上适用性更强,且在冰川积雪的提取上也有更好的提取效果;③相比与传统的ISODATA法和最大似然法分类结果精度,面向对象特征的决策树分类方法可进一步提高分类精度,总体分类精度可达90.20%,Kappa系数为87.95%。  结论  相较于传统的分类方法,先粗分类再进一步细分类的分类思想,可避免区域之间的混淆问题。面向对象特征与决策树相结合的组合分类方法在高原山区有着更好的适用性,可以有效提高高原山区分类精度。图3表7参26     

基于ETM遥感数据的昆明地区土地利用研究

以美国Landsat-7陆地卫星ETM^＋ 遥感影像数据为信息源,利用遥感图像处理软件PCI V7.0进行波段4/3比值增强处理和波段1、3、4、5主成分分析,采用主组分加比值合成影像图的方法,即ETM^＋ 4/3（R）＋PC3（G）＋PC1（B）,提取各类地物分类信息,研究昆明地区土地利用情况。结果表明,主组分＋比值合成影像图的影像分类方法是一种可行的影像分类方法;研究区的土地利用类型组成结构和分布情况大致反映了昆明地区的现状,结果是可靠的。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

Study on Soil Salinization Information in Arid Region Using Remote Sensing Technique

Extracting information about saline soils from remote sensing data is useful, particularly given the environmental significance and changing nature of these areas in arid environments. One interesting ease study to consider is the delta oasis of the Weigan and Kuqa rivers, China, which was studied using a Landsat Enhanced Thematic Mapper Plus (ETM+) image collected in August 2001. In recent years, decision tree classifiers have been successfully used for land cover classification from remote sensing data. Principal component analysis (PCA) is a popular data reduction technique used to help build a decision tree; it reduces complexity and can help the classification precision of a decision tree to be improved. A decision tree approach was used to determine the key variables to be used for classification and ultimately extract salinized soil from other cover and soil types within the study area. According to the research, the third principal component (PC3) is an effective variable in the decision tree classification for salinized soil information extraction. The research demonstrated that the PC3 was the best band to identify areas of severely salinized soil; the blue spectral band from the ETM+ sensor (TM1) was the best band to identify salinized soil with the salt-tolerant vegetation of tamarisk (Tamarix chinensis Lour); and areas comprising mixed water bodies and vegetation can be identified using the spectral indices MNDWI (modified normalized difference water index) and NDVI (normalized difference vegetation index). Based upon this analysis, a decision tree classifier was applied to classify landeover types with different levels of soil saline. The results were checked using a statistical accuracy assessment. The overall accuracy of the classification was 94.80%,which suggested that the decision tree model is a simple and effective method with relatively high precision.     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于水稻特征波段的决策树分类研究

以滁州市为例,结合水稻物候的特征波段,选用反映水稻物候期时相的TM数据,并基于多特征波段,构建CART决策树分类提取水稻种植面积。结果表明,植被指数、湿度因子、绿度因子、纹理特征等多特征参与CART决策树分类能够提高总体精度。基于光谱信息、植被指数和纹理特征的决策树分类的总精度比以最大似然法进行的监督分类方法提高了6.942 1百分点,Kappa系数提高了0.110 4。合理选用作物物候期数据及其遥感影像的特征波段能够有效降低分类误差,为地形复杂地区获取作物种植面积提新的方法。