共查询到20条相似文献，搜索用时 234 毫秒
1.
为了进一步提高农作物遥感识别精度,充分利用高分辨率遥感影像上不同地物之间的邻域空间关系,提出农作物遥感识别偏差修正的地统计学方法。该方法综合考虑目标地物的光谱特征与空间信息,以类别隶属度偏差为研究对象,首先利用类别指示向量和类别后验概率向量之间的差异实现目标地物的类别隶属度偏差量化,然后对训练样本的类别隶属度偏差进行变异函数建模,并采用带局部均值的简单克里格插值方法预测总体类别隶属度偏差,之后用总体偏差的预测值对光谱分类所得的类别后验概率进行修正,重新确定识别结果,实现农作物遥感识别的偏差修正。以安徽省南部的一景 SPOT-5影像覆盖范围为研究区,选择2块典型区域分别作为试验区和验证区,以一季稻和晚稻为目标农作物,以支持向量机作为光谱分类的分类器,建立了水稻遥感识别的偏差修正流程;采用地面实测数据对修正效果进行评估,并与最大似然分类、模糊分类和支持向量机分类的结果进行比较。试验结果表明,该方法的总体分类精度能够达到90%以上,与传统分类方法相比,总体精度提高了近14%;且该方法能够大幅提高一季稻和晚稻的生产者精度和用户精度,有效改善了研究区的水稻识别结果,可以为中国南方复杂种植条件下的水稻识别提供参考。 相似文献
2.
3.
基于组合核非线性退化模型的遥感图像复合分类 总被引：2，自引：1，他引：1
遥感数据的多空间分辨率复合分析是遥感处理技术的重要发展方向。为了解决低分辨率图像混合像元分类精度低、高分辨率数据分类处理时间长以及大区域高分辨率数据获取困难等实际应用问题,该文改进了传统基于线性退化函数模型的复合分类模型,提出了基于组合核函数的非线性退化模型复合分类算法,分析了纹理信息对于提高复合分类精度的作用,并通过实际遥感数据试验分析比较了两种模型的分类精度。试验结果表明新方法可较大程度地提高总体分类精度,在分类过程中引入纹理信息有助于进一步改善分类精度。 相似文献
4.
基于GF-1影像的东江流域面向对象土地利用分类 总被引：7，自引：4，他引：3
针对东江流域地物斑块破碎、湖泊河流众多等因素影响其地物分类精度的问题,该文以GF-1遥感影像为数据源,采用面向对象的分类方法,结合模糊分类和CART决策树分类法获取研究区土地利用分类信息。根据近红外波段均值的模糊范围(480~2 200)选择模糊小于隶属函数对水体与非水体进行区分,近红外波段均值小于480确定为水体,大于2 200确定为非水体;在水体类别中,采用长宽比指数模糊范围(1.53~4.32)调用模糊大于函数对河流与水库进行了区分,长宽比指数小于1.53确定为水库,大于4.32确定为河流;在非水体类别中,采用归一化植被指数NDVI(normalized difference vegetation index)特征值模糊范围(0.21~0.62)调用模糊大于函数区分植被与非植被,NDVI指数小于0.21确定为非植被,大于0.62确定为植被,最后采用面向对象的CART决策树分类法分出河流、水库、园地、林地、耕地、灌草地、未利用地、建设用地。与极大似然分类法、非监督分类法应用到GF-1遥感影像相比,基于面向对象的CART决策树分类方法的效果最好,总体分类精度高达93.27%,Kappa系数高达0.92。该方法可以作为东江流域获取较高土地利用信息的有效方法,为研究流域生态环境变化提供更准确的数据支持。 相似文献
5.
田间作物杂草识别的最优遥感测量尺度 总被引：1，自引：1，他引：0
遥感分类识别精度受测量尺度的制约。为克服现有最优测量尺度选择方法存在的问题,该文提出一种基于光谱角匹配的最优测量尺度选择方法。该方法将每个像元的光谱看作其所属地物类别参考光谱叠加混合像元与光谱变异性的净效应的总和,计算不同空间分辨率下像元光谱与其所属地物类别参考光谱的光谱角,用以衡量混合像元与光谱变异性净效应的大小,当光谱角最小时说明混合像元与光谱变异性的净效应最小,此时的遥感测量尺度即为最优尺度,并在1幅实例数据中实现了该方法,利用基于光谱角匹配的尺度选择方法得到了最优遥感测量尺度,通过试验证明在该尺度下进行分类识别时精度优于比其更大或更小的尺度,验证了本研究提出的最优空间分辨率选择方法的可靠性。将该实例数据中的目标地理实体对象化,从理论上分析了目标对象的面积和形状指数与最优遥感测量尺度之间的关系。该研究为田间作物杂草遥感识别提供了一种有效的最优测量尺度选择方法,可为当前变量作业中田间数据获取工作提供参考,对于推动遥感测量尺度选择研究也具有积极意义。 相似文献
6.
基于遥感与多变量概率抽样调查的作物种植面积测量 总被引：10，自引：4，他引：6
针对传统抽样调查工作中调查基础资料时效性不高和野外调查工作量较大等问题,该文提出了一种遥感与MPPS(multivariate probability proportional to size)抽样调查相结合的农作物种植面积测量方法。利用第2次农业普查数据进行抽样框的编制;利用时序中分辨率遥感数据进行农作物种植面积的分类;在中分辨率遥感分类图的基础上进行MPPS抽样;采用高空间分辨率遥感数据对抽选样本进行面向对象的分类;根据MPPS抽样方法进行总体农作物种植面积的推断;计算CV值,评价抽样精度,以国家统计局公布数据为标准进行总体面积精度评价。以辽宁省北镇市为研究区对该方法进行了测试。结果显示,该方法能够有效的提取县级农作物种植面积,农作物种植面积提取精度优于92%。 相似文献
7.
结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。 相似文献
8.
水稻种植面积遥感估算的不确定性研究 总被引：3，自引：2，他引：1
利用研究区地物类别亚米级GPS详查数据及TM影像光谱数据,模拟生成1m分辨率的遥感模拟影像。用3种非参数分类法(最临近法KNN、误差后向传播神经网络BPN,模糊自适应网络FUZZY ARTMAP)和一种参数分类法(最大似然法MLC)对研究区TM影像进行硬分类估算水稻面积;还采用BPN全模糊分类、BPN和KNN模糊分类、抽象级结合和测量级结合的多分类器结合方法对遥感影像进行分类估算水稻面积;采用最多数法则的尺度扩展算法,实现由3m空间分辨率参考图提取30m空间分辨率影像像元纯度信息,讨论混合像元问题对遥感影像分类精度的影响。结果表明:非参数分类法精度均高于参数分类法,3种非参数分类法之间的差异较小,用最大似然法估算水稻面积的用户精度最高,用K最临近值分类法估算水稻面积的生产者精度最高;水稻类全模糊分类法的面积和真实面积最为接近,水稻类像元内的面积估测和真实面积无极显著差异;多分类器结合的分类法无论采用投票法还是测量级方法都能提高分类的总精度,能够提高水稻类面积提取的精度;研究区在30m空间分辨率的情况下,各类别分类总精度、Kappa系数随像元纯度升高而升高,4种硬分类方法没有对混合像元的分类表现出特别强的能力。本研究最终制作出分类影像像元的分类结果图、分类最大概率值、熵值图和水稻类概率值等4张图层,构成了对研究区分类结果不确定性的空间分布图不确定性图层,为采取进一步降低不确定性的措施提供了线索。 相似文献
9.
Landsat TM8及GF-1影像黑龙江省线状地物实际与解译宽度对比 总被引：1，自引：3，他引：1
线状地物又称为线性地物,是一种普遍存在的土地利用方式。在遥感图像上,线状地物大量存在,这种存在表现为线状地物的可见性,即线状地物的图像特征表现为数个像元宽度的狭长型地物;另一方面,大量线状地物被"淹没"在遥感图像的混合像元中,这部分线状地物在遥感图像上具有相对不可见性。在面状地物解译中,线状地物常常由于遥感影像分辨率有限而包含在面状地物中,使面状地物解译结果偏大而不够准确。因此,准确解译线状地物可以校正面状地物解译结果。Landsat TM8影像与GF-1影像作为近几年新出现的高质量高分辨率卫星遥感影像,在各行各业中应用较为广泛,在农业遥感中亦是如此。在农作物面积估算中,Landsat TM8影像与GF-1影像线状地物扣除技术的精确程度直接影响农作物面积估算精度。Landsat TM8影像与GF-1影像线状地物实际宽度与解译宽度对比研究对于农作物面积估算和估产具有重大意义。由于分辨率相差较大,在线状地物解译中,GF-1影像具有明显优势。该文以23景Landsat TM8影像和14景GF-1影像为基础,运用统计学方法对黑龙江省341条线状地物实际宽度与解译宽度做对比研究。结果表明,对线状地物解译精度影响较大的主要因素为卫星遥感影像分辨率。Landsat TM8影像解译精度较差(|夸张系数|50%)的线状地物共94条,占全部线状地物的27.5660%;在这部分线状地物中,通常是解译宽度远大于实际宽度;以线状地物实际宽度分类中的0~10 m类别中,线状地物的解译精度最差,而按走向分类和按类型分类对线状地物解译精度影像不大。GF-1影像解译精度较差的线状地物共有29条,占全部线状地物的8.5044%,在这部分线状地物中,通常是解译宽度远大于实际宽度。 相似文献
10.
遥感技术是研究土地覆盖类型的重要手段，但大部分研究仅采用单一数据源、少特征，该研究基于GEE环境对多源遥感数据、多特征协同进行地物类型分类研究。采用哨兵一号（Sentinel-1）合成孔径雷达数据、哨兵二号（Sentinel-2）多光谱数据和国产高分二号（GF-2）多光谱数据，构建了青海省诺木洪地区地表8类地物的波段特征、植被指数特征、纹理特征和极化特征空间，利用特征优化算法和RF算法实现了研究区域地物的有监督分类，以此评估构建的多特征空间性能及多源数据协同分类的能力。结果表明，基于Sentinel-1与Sentinel-2数据源，使用多特征空间协同分类时的总体精度和Kappa系数可达到97.62%和0.971 6，精度均高于使用单一数据或部分特征的分类精度（总体精度为95.91%，Kappa系数为0.951 1）。而基于Sentinel-1、Sentinel-2与GF-2数据提取的波段、植被指数、纹理特征和极化特征进行的协同地物分类结果总体精度达到了96.67%，Kappa系数达到了0.960 2。总体上，基于多数据源、多特征协同分类结果精度要优于单一数据源或少特征分类结果，而不同空间分辨率图像提取的纹理特征对分类结果有着不同影响，在适宜的分辨率下提取纹理特征参与分类才能达到更好的效果。 相似文献
11.
基于流形光谱降维和深度学习的高光谱影像分类 总被引：1，自引：1，他引：0
高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。 相似文献
12.
基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类 总被引：5，自引：4，他引：1
针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计算方法;最后进行基于纹理特征的面向对象分类识别与精度评价,并与基于原始数据的面向对象分类结果进行对比。研究表明:Gist纹理特征使分类精度有了一定的提高,基于纹理数据的面向对象支持向量机(support vector machine,SVM)分类及面向对象K邻近法(K-nearest neighbor,KNN)分类的总体分类精度(overall accuracy,OA)分别比基于原始数据的2种方法分类精度提高3.67和3.33个百分点,基于纹理的面向对象SVM方法具有最高的精度,OA达到85.67%。不管是基于原始数据还是纹理数据,面向对象分类精度远高于最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MDC)和SVM分类精度,且面向对象分类方法对纹理数据更为敏感。该文提出的基于纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。 相似文献
13.
针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）等传统特征优化算法和广义正态分布优化算法（generalized normal distribution optimization,GNDO）、原子搜索算法（atom search algorithm,ASO）、海洋捕食者算法（marine predators algorithm,MPA）等特征优化算法与随机森林（random forest,RF）图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D（ZY1-02D）高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度（overall accuracy,OA）提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类 OA提升了1.32～2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和 Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。 相似文献
14.
基于裸土期多时相遥感影像特征及最大似然法的土壤分类 总被引：6，自引：5，他引：1
运用单时相遥感数据进行土壤分类及制图,其数据本身易受到其他因素干扰而出现误差,存在一定的局限性,导致制图精度不高。为了提高制图精度,以松嫩平原林甸县为研究区,利用裸土时期多时相Landsat 8遥感影像、DEM数据和全国第二次土壤普查数据,从所有单时相遥感影像中提取出多种分类特征,按照分类特征类型进行压缩处理,得到新的多时相分类特征,将不同分类特征进行组合并分别进行最大似然法分类,得到不同分类特征组合下的土壤类型图,通过不同土壤类型图精度来判断各分类特征对于制图的影响。研究表明,该文所提取的分类特征均可以实现土壤制图,使用压缩处理后得到的多时相遥感数据分类特征完成制图的精度更高,总体精度达到91.0%,研究可为土壤精细制图提供依据。 相似文献
15.
基于时序Landsat遥感数据的新疆开孔河流域农作物类型识别 总被引：7，自引：6，他引：1
快速、准确地获取农作物类别信息对农业部门的生产管理、政策制定具有重要作用。目前基于时间序列数据进行农作物分类主要是采用长时间序列的中低分辨率影像,大量的混合像元限制了农作物的分类精度。在农作物分类的特征选择方面主要是采用归一化植被指数(normalized differential vegetation index, NDVI),而其他特征量的应用还相对较少。该文以新疆开孔河农业区为研究区域,利用2016年的Landsat7 ETM+、Landsat8 OLI影像数据集,基于时间加权的动态时间规整(time weighted dynamic time warping,TWDTW)方法开展农作物类型识别研究,主要包括香梨、小麦、辣椒、棉花等。根据野外采集的样本点构建主要农作物的NDVI和第一主成分(principal component analysis 1,PCA1)时间序列,以反映不同农作物间的物候差异。基于NDVI数据分别利用DTW和TWDTW算法计算各未知像元序列与标准序列间的相似性程度,得到农作物的分类结果,2种方法的分类精度分别为65.69%、82.68%,表明时间权重的加入提高了DTW算法识别不同农作物的能力。结合NDVI与PCA1后,TWDTW的分类精度又提高了2.61个百分点,部分农作物的误分现象明显减少,说明PCA1能够进一步扩大作物间的差异性,提高分类精度。同时,还通过选取有限时相的影像组合进行分类,试验结果表明TWDTW算法在中高分辨率数据较少的情况下能够得到较为满意的分类结果,说明TWDTW算法在中高分辨率影像越来越丰富的时代具有应用潜力。 相似文献
16.
高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法（Generalized Normal Distribution Optimization,GNDO）的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-1 02D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元（30、50、100、150、200）基础上,分别利用遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）、灰狼优化算法（Grey Wolf Optimization,GWO）以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林（Random Forest,RF）方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示：蓝波段（400～450 nm）、红边波段（700～750 nm）和红波段（600～650 nm）对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集（GNDO200）获得了最高的总体分类精度（80.44%）;随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集（GWO200+TEX）获得了最高的总体分类精度（82.86%）。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。 相似文献
17.
基于SegNet语义模型的高分辨率遥感影像农村建设用地提取 总被引：3，自引：2，他引：1
针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。 相似文献
18.
基于Relief F和PSO混合特征选择的面向对象土地利用分类 总被引：15，自引：11，他引：4
针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。 相似文献
19.
地面样本点是农作物遥感分类模型训练的基础，样本点数量和质量是影响模型分类精度的2个主要因素。该研究构建了数据驱动的样本点布设方法，利用待分类影像的光谱、植被指数等特征构造分层抽样底图，结合分层随机抽样方法进行地面样本点布设，并分析不同抽样策略对农作物遥感分类结果的影响。采取基于k-means聚类分析的数据驱动方法，考虑6景哨兵2号影像提取的共78个分类特征，生成同一个最优k的聚类结果图；设计等量分配和按面积比分配2种样本量分配方式，样本点数量为25、49、100、169、225的5个总样本量；基于不同抽样策略获取地面样本点信息，利用同一个支持向量机模型对待分类影像进行监督分类，并通过与139个样本点的理论总样本量和400个样本点的传统方式总样本量对比分析，定量解析不同抽样策略对分类精度的影响。结果表明：1）在数据驱动非监督聚类生成的底图上进行抽样（按面积比分层抽样法、等量分层抽样法）获得的样本点质量和分类精度明显优于没有该底图的抽样策略（简单随机抽样法、系统抽样法）；2）当总样本量低于理论总样本量时，等量分层抽样法能获取比按面积比分层抽样法更高的分类精度。例如，当理论样本量为139时，... 相似文献
20.
地块尺度的复杂种植区作物遥感精细分类 总被引：9，自引：8，他引：1
实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。 相似文献