基于机器学习的高光谱湿地植被分类研究

为实现湿地植被的精细分类和高精度制图,为湿地管理部门提供准确的决策依据,以美国加州萨克拉门托—圣华金水域的典型湿地植被为研究对象,以高光谱影像为数据源,结合野外GPS采样点,对典型湿地植被的光谱反射率作一阶导数和二阶导数处理,基于均值置信区间原理筛选特征波段,基于单因素分析法筛选能够明显区分植被类型的植被指数。联合特征波段和植被指数构建特征集,利用机器学习C5.0决策树生成知识规则并提取湿地植被信息。结果表明,基于机器学习C5.0决策树的湿地植被提取总体精度为80.09%,Kappa系数为0.792,与最大似然法比较,总体精度提升10.79%,Kappa系数提升0.105,说明基于机器学习的C5.0决策树法能够实现植被的精细分类,方法切实可行。     

基于机器学习与高光谱数据的湿地植被物种识别研究

为了探索利用高光谱高空间分辨率遥感数据进行湿地植被物种识别，笔者在分析6 种湿地植被原反射光谱、二阶微分及连续统去除光谱的基础上，利用马氏距离法和相关系数法提取特征波段，并将其作为特征参数参与C5.0 决策树分类与信息提取。结果显示：（1）基于机器学习的C5.0 决策树法总体分类精度为79.87%，Kappa 系数为0.765，与监督分类最大似然法相比，植被信息提取总体精度提高9.95%，Kappa系数提高0.114；（2）机器学习C5.0 决策树法与最大似然法相比，其独特的优势在于对藻类的信息提取精度大大提升，狐尾藻和水蕴草的用户精度提升最大，分别提升了18.67%和15.86%。该方法能够实现湿地植被物种信息的高精度提取，为同类研究提供借鉴，为湿地生态健康评价提供科学与技术上的支持。