共查询到10条相似文献，搜索用时 15 毫秒
1.
基于Landsat8遥感影像的合肥市土地利用分类 总被引：2，自引：0，他引：2
《湖北农业科学》2015,(15)
基于Landsat8卫星2013年9月获取的合肥市OLI多光谱数据,在经过校正以及波段的融合等处理后得到的数据作为研究数据,采用不同分类方法进行分类识别,并且对比不同分类器在遥感影像分类中的效果和分类精度。根据国家土地利用现状分类的标准和合肥市土地利用的现状,将合肥市的土地主要分为建设用地、交通用地、水体、绿化用地、农业用地、林地等6类,并采用5种常见监督分类方法和BP神经网络分类法对于本研究数据进行分类,结合实际用地情况对分类结果进行了总结分析,完成总体分类精度和Kappa系数等指标对各分类器精度的评价,对比了各分类器对各要素的分类精度。 相似文献
2.
为了从遥感影像中快速、高效地获取较高精度的数据,按照分类组合的思想,根据山西省太原市榆次区Landsat TM影像数据,将传统监督分类中分类性能较好的分类器作为基分类器,运用改进后的加权投票算法进行多分类器组合,用于研究区遥感影像土地利用/覆被数据分类.结果表明,多分类器组合的分类结果精度要高于单独的基分类器分类精度,两两分类器组合的分类精度要高于三分类器组合的精度.研究结果证实了多分类器组合的可行性和有效性,能够提高传统分类方法的分类精度. 相似文献
3.
典型草原退化是草原演变的一个基本过程,但是由于其面积比较大,利用传统的研究方法已经变得不现实。本研究根据地形、地貌特征,选择具有波状高平原、坡地、低山丘陵区3种地形地貌的试验样地,通过GPS定位,对其每个样方进行连续3年测量,测出其植被盖度,借助Arc GIS空间分析模块对植被盖度进行克里格插值分析,得到植被盖度空间分布图,通过同期影像数据进行归一化指数的计算,确定其植被盖度,将计算结果与插值结果进行空间叠加分析,得到的2011—2013年3类不同样地分析结果,相似率都为90%以上。基本上验证了通过遥感数据计算植被盖度来推演草原退化规律的正确性,提出了基于遥感数据监测典型草原植被盖度演变趋势的方法。 相似文献
4.
喀斯待石漠化是在自然和人为因素相互作用下土地退化的现象.石漠化地区的遥感影像分类以往采用的是监督分类和非监督分类,但它们单纯地利用像元的亮度特征,分类精度低,往往不能满足实际的应用需要.决策树分类是一种新的遥感影像分类技术.以凯佐乡为研究对象,使用了ASTER影像数据、DEM和岩性数据,通过提取归一化植被指数、比值植被指数、地形坡度等数据建立分类规则,构建决策树.在ENVI软件支持下,获得了研究区的决策树分类影像.通过计算影像分类精度和Kappa系数.得到了以下结论：运用决策树分类法对石漠化地区遥感影像进行分类,可取得较理想的分类效果;实现了石漠化信息的自动化提取;若采用的遥感影像波段更多,DEM分辨率更高并减少数据处理中的误差将能够进一步提高分类精度. 相似文献
5.
基于数学形态学和最大似然法的遥感图像分类研究 总被引：2，自引：0，他引：2
《北京林业大学学报》2005,(Z2)
随着高空间分辨率遥感影像应用范围的不断扩大,传统基于灰度值的遥感图像分类方法很难满足实际需要.该文通过数学形态学方法,对高空间分辨率遥感全色图像进行处理,通过交互式选择训练区,构造包含形态学梯度、高帽变换和灰度均值的三维特征向量,利用Bayes最大似然分类器对高空间分辨率遥感图像不同土地利用类型进行自动识别,改善了分类精度.这种分类方法,可以用于指导森林资源监测、土地利用现状调查和国土荒漠化监测与评价的工程实践. 相似文献
6.
基于Landsat 8 OLI辅助的亚米级遥感影像树种识别 总被引：4，自引：2，他引：2
为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。 相似文献
7.
基于边界域修正粗糙熵模型的遥感影像分类不确定性评价 总被引：1，自引：0，他引：1
【目的】遥感影像分类是获取地表覆盖信息的有效技术手段,客观合理地评价遥感影像分类的不确定性对农业资源调查、作物估产等方面的遥感应用具有重要的意义。论文针对修正粗糙熵模型在评价遥感影像分类不确定性时存在的问题,构建基于边界域修正粗糙熵模型的遥感影像分类不确定性评价指标,以期更好地度量地物类别尺度上的遥感影像分类的不确定性。【方法】考虑边界域对遥感影像分类结果不确定性的影响,对修正粗糙熵模型进行改进,以类别的边界域被分类知识划分的结果取代所有像元被分类知识划分的结果作为衡量分类知识不确定性的依据,建立基于边界域的修正粗糙熵模型。首先依据粗集理论对所建模型的合理性进行数学推导,然后以北京市的Landsat TM影像和新疆石河子地区的IKONOS影像为例,分别应用修正粗糙熵模型和基于边界域的修正粗糙熵模型对分类结果在地物类别尺度上的不确定性进行评价,用不同空间分辨率和不同研究区域的试验数据的不确定性评价结果印证理论推导结论。【结果】与修正粗糙熵模型相比,基于边界域的修正粗糙熵模型在评价遥感影像分类的不确定性时能够更好地刻画分类知识所引起的不确定性,使遥感影像分类结果的评价更加客观和合理。通过对两种模型下试验数据的分析表明,当所研究的地表覆盖类型在研究区域内的分布比较零碎,成片区域不多,类别与类别之间的边界部分所占比重较大,混合像元现象比较严重的时候,采用修正粗糙熵模型计算遥感影像分类结果的不合理性还不是非常明显,还能够比较客观地反映遥感影像分类的不确定性问题。但是如果评价分布比较集中,面积比较大的地物类型的分类精度时,修正粗糙熵模型则难以客观地反映遥感影像分类的不确定性问题,其评价结果的不合理性也更为明显。【结论】采用修正粗糙熵模型进行遥感影像分类的不确定性评价时,放大了由于边界域存在所产生的不确定性,而基于边界域的修正粗糙熵模型则可以较好地避免这一情况的发生,更合理地度量地物类别尺度上的遥感影像分类的不确定性。 相似文献
8.
9.
【目的】将多种分类器的优点融合，以便提升遥感影像作物信息提取的精度。【方法】以渭库绿洲为研究区，利用国产高分2号(GF-2)数据和野外调查数据，基于提取的遥感识别特征制定不同分类方案，采用马氏距离(MsDC)、最小距离(MDC)、最大似然(MLC)、神经网络(NNC)、支持向量机(SVM)5种传统机器学习方法分别对6种特征组合方案的影像进行分类，然后选择基分类器，并应用多数投票法和保守投票法2种多分类器集成算法，对研究区农作物进行精细分类提取。【结果】(1)辅助特征的加入对于子分类器的精度提高明显。5种分类器中除了MLC,其余4种分类器都是在加入归一化植被指数特征(NDVI)和纹理特征后取得了最高精度。(2)基分类器中精度最高的是NNC-4(人工神经网络的第4种特征组合方案),OA达到83.54%,Kappa系数为0.77。(3)相比基分类器，多分类器集成方法能够在制图精度和用户精度两方面提高农作物的提取精度。并且保守投票法优于多数投票法，OA为85.89%,Kappa系数为0.80。(4)集成分类结果中除了棉花的识别精度与最优基分类器NNC-4相等，达到94.94%外，其他的农作物如... 相似文献
10.
基于浅层学习方法的石漠化休耕试点区作物分类 总被引：1，自引：1，他引：0
【目的】应用浅层结构的机器学习分类器和高空间分辨率影像实现休耕区绿肥、粮食及经济作物快速准确分类。【方法】利用分辨率为5 m的RapidEye影像,以云南省石林县部分休耕试点区为研究区,使用Softmax浅层机器学习分类器对研究区内绿肥作物、水稻、玉米及烟草等4种典型作物进行遥感识别与空间信息提取,并以极大似然分类法为参照,通过地面样方数据验证该方法的精度。【结果】基于Softmax方法的4种典型作物分类的总体精度和Kappa系数分别为85.98%和0.815 7,比极大似然分类高4.59%和0.061 7;绿肥、水稻、烟草的生产者精度和用户精度均达到84%以上,玉米则低于75%,原因是绿肥、水稻、烟草3种作物种植较为集中,而玉米种植地块面积小且极为分散;绿肥与烟草错分问题较明显,影响因素为"同物异谱、异物同谱"。【结论】基于Softmax的浅层机器学习分类器提高了分类精度,文章研究结果可为使用浅层机器学习方法快速准确掌握休耕情况提供参考。 相似文献