排序方式: 共有5条查询结果,搜索用时 31 毫秒
1
1.
2.
[目的]利用遥感影像的时效性和宏观性特点,基于证据理论组合多分类规则的方法快速和高效地实现大区域植被遥感分类。[方法]首先,依据辨识框架的概念设计分类系统,并采用大区域样本快速采集方法提取训练样点;其次,将多个单分类规则得到的植被类型特征影像归一化处理为基本概率赋值作为表达对各类型信任程度的证据源数据,再将不同证据源的信任度信息依据证据理论组合;再次,将组合结果依据最大信任度原则确定植被类型;最后,在中国植被图与中国土地覆盖图的类型一致区域随机布点作为验证样本。[结果]各单分类器分类结果的总体精度范围为60%70%,两两规则组合分类结果的总体精度范围为70%80%,3个规则组合分类结果的总体精度达到80.84%。[结论]组合多分类规则的证据理论分类方法可以提高分类精度;参与组合的单分类器精度越高,相关证据源越多,组合分类结果精度越高。 相似文献
3.
基于QuickBird高分辨率遥感影像,利用面向对象分类法提取了果子沟林场实验区的低林分密度的天山云杉的树冠信息,以实测数据为真值检验遥感方法提取的树冠大小的精度;在此基础上建立了基于遥感影像树冠与实测胸径的关系模型,利用模型估计的胸径和一元材积模型,计算云杉单木材积。结果表明:研究区内天山云杉的树冠遥感方法分类的生产者精度为914.7%,用户精度为90.9%。基于实测胸径和提取冠幅面积所建立的回归方程的决定系数R2=0.7533,树冠面积提取精度为89.17%,胸径的预估精度为87.91%,材积的预估精度为87.36%。 相似文献
4.
[目的] 利用遥感影像的宏观性,基于植被分类资料数据,依据实验区域遥感影像及衍生影像本身特点,实现大区域样本快速提取。[方法] 实验参考1:100万植被图、WESTDC中国土地覆盖图,结合实验区域2001年MODIS时序NDVI影像的非监督分类结果,利用矢、栅数据的空间特征,将实验影像非监督分类的类型信息关联为随机样点属性,依据该属性中包含的非监督分类类型数和各类型的样点比例,对比类别间样本可分离性指标、标准差变化,实现样本纯化。[结果] 纯化后的植被样本与WESTDC中植被空间分布基本一致,主要植被类型空间分布精确程度为84.82%。将纯化前后的样本输入最大似然分类器,总体分类精度提高了32.52%。[结论] 该采样方法适用于宏观大区域植被样本数据的快速提取。同时,节省了大区域植被类型调查消耗的人力物力资源和时间,提高了采样效率。 相似文献
5.
[目的]利用多角度高光谱数据,分析不同角度下东洞庭湖湿地典型植被群落的光谱特征,确定多角度信息融合的最佳方法,并对融合影像进行湿地植被类型精细识别。[方法]使用CHRIS多角度高光谱数据,针对洞庭湖湿地植被的光谱特征,研究计算窄波段NDVI的最佳波段组合和角度,评价CHRIS 0°影像与NDVI的像素级融合方法,进而对洞庭湖地区湿地植被进行提取。[结果]计算NDVI的最佳红波段和近红外波段分别位于667.6 nm和926.95 nm,对应于CHRIS数据的第24波段和第55波段;选取HSV、Brovery、Gram-Schmidt和PCA 4种融合方法进行融合,发现PCA融合图像的光谱信息丢失最少、纹理细节更丰富,信息量最大;PCA融合影像的总体精度为81.36%,比单角度影像提高7.93%,Kappa系数提高0.097 6,且苔草的漏分误差和泥蒿的错分误差得到明显改善。[结论]基于NDVI的多角度信息融合是提高湿地植被识别精度的一种有效途径,多角度信息融合丰富了地物的信息量,提高地物识别精度。 相似文献
1