基于CART决策树技术的林业地类遥感影像分类研究

以LandsatTM遥感影像为研究数据源,利用CART决策树算法,结合光谱信息和纹理信息进行林业地类的分类,并把获得的结果与传统的最大似然法分类进行比较,结果表明：在卫星影像的整体分类精度上,决策树分类技术要优于最大似然法。相对于最大似然分类,决策树的树状分类结构对数据特征空间分布不需要预先假设某种参数化密度分布,所以...     

面向对象CART决策树方法的湿地遥感分类

目的 以北京地区为例,对大区域多类型湿地信息提取方法进行研究。 方法 采用面向对象多尺度分割算法及光谱差异分割算法分割Landsat8 OLI遥感影像,辅助Google Earth高清影像及2015年人工解译结果,使用分层抽样法随机产生训练样本与验证样本;综合运用光谱、形状、纹理特征及拓扑关系,构建CART决策树模型提取研究区湿地信息;与最大似然法、面向对象最邻近方法的分类结果进行对比。 结果 利用面向对象CART决策树方法,分类结果的总精度为88.05%,Kappa系数为0.844,相较于面向对象最邻近方法,总体精度、Kappa系数相差不大,但针对部分湿地类型,如河流、沼泽湿地,精度提高了10% 20%;比使用最大似然分类法的总精度高近30%,Kappa系数提高0.355。 结论 对于湿地分布广泛、类型及数量较多的地区,面向对象CART决策树方法分类结果较好,是一种快速、有效的分类方法。     

TM影像决策树分类中的影响因素研究

以云南省西双版纳州一景TM影像为例,分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下,训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高,并且多种参数波段的选择也会有效地提高分类的精度。     

TM影像决策树分类中的影响因素研究

以云南省西双版纳州一景TM影像为例,分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下,训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高,并且多种参数波段的选择也会有效地提高分类的精度。     

遥感影像分类研究

指出了随着遥感技术的发展,遥感影像技术分类成为获取信息的来源。介绍了遥感影像的分类原理方法,利用Envi遥感数据处理软件,基于T M遥感影对土地覆盖进行了监督分类与制图。     

基于决策树分类方法的城市绿化分析——以兖州地区Hyperion遥感影像为例

以兖州实验区为例,探讨了利用决策树方法进行城市高光谱遥感绿化分析的流程和方法;分析了试验区典型地物的波谱特性;总结了常用反射率反演方法,并根据具体情况选择FLAASH模型进行了实验;试验区研究表明,决策树分类方法在高光谱遥感影像信息提取中具有可行性.这种基于高光谱的精细信息提取方法,可以提高不同植被类型的高光谱图像分类识别精度,为城市绿化分析提供参考依据.     

基于高分辨率遥感影像的植被分类方法比较

以新疆库车市东部绿洲-荒漠过渡带为研究对象,利用GF-2号遥感影像为主要数据源,在野外调查的基础上,采用基于像元的监督分类和分层次多尺度分割的面向对象分类方法对研究区植被信息进行准确识别。结果表明:1)监督分类与面向对象的分类结果大体一致,两者的总体分类精度均可达到94%以上,Kappa系数大于0.93,都体现出了较高的分类精度;2)与监督分类相比,面向对象的分类方法在总体分类精度上提升了3.79%,Kappa系数提高了0.032,具有更好的分类效果和分类精度。通过确定最优尺度分割,面向对象的分类方法可更为准确地提取研究区植被信息,为合理评价区域土地荒漠化状况提供科学依据。     

分层分类与监督分类相结合的遥感分类法研究

遥感分类技术是获取土地利用/覆盖数据的主要方法.分层分类思想强调将分类过程逐级进行,每层选用不同的分类标准和方法;监督分类是基于传统统计分析的分类法,具有算法成熟,简便易行的特点.将2种方法相结合,建立起一个复合分类模型,并在SPOT影像上进行试验.试验证明:该方法能有效地提高分类精度,比单一使用监督分类法得到的结果精度提高了8.41%.     

基于决策树的高寒湿地类型遥感分类方法研究

以索加-曲麻河区域为例,探讨了三江源区域高寒湿地遥感分类方法。利用TM 影像数据和DEM及缨帽变换后的亮度、绿度、湿度,以及归一化水体指数(NDWI)等复合识别指标,构建决策树模型,对研究区不同地类进行区分。然后通过与传统的最大似然法监督分类所得到的结果进行对比,结果表明:利用基于指数的决策树分类方法对高寒湿地类型进行分类,较传统的最大似然法监督分类总体精度提高12.05%;总体kappa系数提高0.140 7; 对于河流、湖泊、沼泽、滩地等湿地类型,生产者精度和用户精度分别提高了6.06%, 6.25%; 0.12%, 3.13%; 6.99%, 25.00%;6.12%, 28.13%, 比监督分类均有明显的提高。证明基于指数的决策树分类方法是高寒区域湿地遥感分类的一种有效手段。     

决策树分类在红树林自然保护区SPOT影像解译中的应用

利用决策树分类方法对漳江口国家级红树林自然保护区SPOT遥感影像进行解译,解决了传统的调查分类方法难以区分滩涂红树林与山上果树的弊病,取得了较好的效果。     

基于支持向量机的生态公益林遥感分类研究

提出了基于支持向量机(Support Vector Machine,SVM)的遥感影像分类方法,结合空间特征等信息,对IKONOS高空间分辨率影像进行分类,实施对生态公益林的监测,并将此分类方法与传统分类方法进行比较分析。研究结果表明,基于SVM的遥感分类方法能够有效解决分类效果破碎、精度不高等问题,而且在学习速度、自适应能力、可表达性等方面具有优势。     

基于TM数据的遥感分类方法对比研究

以香格里拉县2009年Landsat5～TM遥感影像为实验数据,利用最大似然法（MLC）以及最小距离法两种方法进行了遥感分类方法研究,主要从分类精度方面对两种方法进行了对比分析,结果表明：最大似然法分类结果明显优于最小距离法,但作为传统的分类方法,二种方法分类精度都不够高。     

基于随机森林的大姚县TM遥感影像分类研究

随机森林(Random Forest)是一种组合多棵决策树分类器的新的分类算法。以楚雄州大姚县为例,采用Landsat-TM数据,通过最大似然、支持向量机、随机森林3种分类器进行分类对比研究。结果表明,支持向量机和随机森林的分类精度明显优于最大似然法,两者分类精度相差不大;在分类时间上,最大似然法明显比随机森林和支持向量机快,支持向量机最慢。综合分析,随机森林算法表现更优,它在保证分类精度的前提下,也能保证一定的时间效率,更适宜实际生产应用。     

基于林业遥感的树种分类应用分析与展望

树种分类是林业遥感中重要的应用领域,在林业可持续管理、生物多样性研究和生态环境保护领域都有广发的应用场景。结合2000年后该领域的研究成果以及近些年林业生产过程中的应用实践,对多源数据在树种分类的应用加以汇总。从工作流程及相应算法两个角度,基于图像分类与数理统计层面对该问题进行了解析与比较。面对林业遥感在树种分类应用过程中遇到的问题与挑战,提出了基于语义分割及实例分割的不同工作思路,对未来多源遥感数据融合获取及硬件处理设备的发展前景进行了展望。     

基于 SAM 算法的遥感影像湿地植被分类

以黑龙江省扎龙自然湿地保护区高光谱遥感影像为试验区域,通过对野外试验调查数据和预处理后的高光谱遥感影像进行前期处理,再采用光谱角填图(SAM)图像分类方法进行植被分类实验得出结果,并与最大似然法和支持向量机(SVM)分类方法结果进行对比研究分析,通过实验结果得出误差矩阵和精度评价分析,得到最大似然法的总体分类精度和以及Kappa系数是最低的,而光谱角填图分类方法的总体精度为89.87%,Kappa系数为0.880 7,分类结果要好于其他两种分类方法,其对高光谱遥感影像植被分类实验更具有准确性和实用性。     

多时相遥感数据森林类型识别技术研究

利用分层分类思想,对黑龙江省塔河县森林类型使用多期TM遥感数据进行分类。根据研究区域实际情况,制定二级分类系统。使用7个时相的TM原始波段数据及其计算的植被指数表达森林类型的光谱特征,采用抽样方法选取训练样本并进行分析,统计不同森林类型的TM原始波段和多种植被指数在各时相上的差异,得到差异较大的波段和植被指数作为分类特征,采用最大似然法和决策树分类方法对森林类型进行分类。研究结果表明,决策树分类方法对优势树种组的分类精度最高,达到76.85%,可以满足实际应用的要求。