共查询到10条相似文献，搜索用时 15 毫秒
1.
森林类型遥感影像自动制图在森林资源调查中有重要应用,本文以广西壮族自治区金秀县为研究区,基于多时相的Landsat-8数据,采用面向对象的决策树分类方法,对研究区森林类型自动识别进行了研究,分类结果表明:1)单一时相影像森林分类精度中,生长季前期最高,生长季末期次之,非生长季最冷月最低;2)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高。 相似文献
2.
航空影像农田类型分类在地理国情监测中的应用研究 总被引：1，自引：0，他引：1
航空影像的植被信息提取是遥感影像分类中的难点,仅利用光谱信息难以提取农田类型。本文以江苏农田为主要覆盖的典型区域为研究对象,选择航空影像利用随机森林算法提取不同的农田信息。本研究采用多尺度的分割方法,面向对象实现特征信息提取。根据光谱、纹理以及几何形状特性筛选出较为合适的特征作为参数,利用随机森林算法实现植被二级分类,分类精度达到84.60%,KAPPA系数为0.753,可为地理国情生产提供一定的参考。 相似文献
3.
为探究时序合成孔径雷达(SAR)影像在干旱地区土地利用分类中的能力,该文以新疆石河子市为研究区域,基于时序Sentinel-1A SAR影像,采用随机森林、CART决策树、支持向量机3种分类方法对时序SAR影像进行分类并与单时相SAR影像分类结果的进行对比.结果表明,时序SAR影像相较于单时相SAR影像可以更加有效地获取高精度土地利用信息,3种分类方法的分类效果均优于单时相SAR影像,其中随机森林分类的分类精度最高,总体分类精度和Kappa系数分别达到92.77％和0.91. 相似文献
4.
5.
本文以雷州半岛为研究区,利用Sentinel-2A影像数据和真实植被样本数据,综合探讨了机器学习中随机森林与支持向量机的分类效果,并与传统的最大似然法进行比较。提取Sentinel-2A影像9个波段、7个植被指数、72个纹理特征,通过递归特征消除法挑选了10个特征组合,并将其应用于3种分类方法中,对其分类效果进行比较。结果表明:①有效使用多种特征变量是提高植被类型识别精度的关键,就不同特征对植被类型识别的重要性而言,光谱特征与纹理特征相当且大于植被指数,三者重要性相差不大;②随机森林分类效果最佳,不但能对特征进行有效选择,而且能保证植被类型提取精度,提高运行效率;③基于随机森林特征选择的递归特征消除法得到的特征组合不能对其他分类器性能进行优化,对随机森林模型本身的优化效果也有限。 相似文献
6.
7.
Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响 总被引：2，自引：0，他引：2
本文主要是探索Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响。介绍了使用的3种不同辐射校正方法(ATCOR3、FLAASH以及查找表)和两种分类算法。在分类实验部分,根据样本的地理坐标在3景校正影像中分别采集训练样本并训练各自的分类器,并交叉用于其他辐射校正影像的土地覆盖遥感分类。实验结果表明:(1)用于分类器训练的样本采集自待分类影像时的分类精度明显高于采集自其他影像的分类精度;(2)3种辐射校正影像的分类结果存在差异,其中使用ATCOR3和FLAASH方法校正后影像的分类结果有更相近的精度;(3)辐射校正对分类类别的影响不同,其中对森林类型影响最大,对裸地等其他类别影响相对较小。 相似文献
8.
由于中高分辨率遥感影像数据时序性不强,分类过程中无法准确记录地物的时序特征。为增加地物时序变化特征,本文使用时空融合模型重建高时序高分辨率遥感影像,分析加入时相特征对分类结果的影响。以河北省石家庄市中部地区为例,本文采用3种时空融合模型重建高时序的30 m分辨率的遥感影像,增加影像时序分类特征,采用随机森林对年度重建时序影像分类,分析不同重建时序影像数量和不同时间跨度对分类结果的影响。试验表明,通过重建年度时序影像分类比单一影像分类精度增强;分类精度随着时序影像数量增加而增大,当时序影像数量选定为12景,也就是1月1景时,分类精度趋于稳定;不同时间段对分类结果影像程度不同,引入植被变化期间的时序影像,分类精度最高。 相似文献
9.
针对土地利用类型多样、特征易混淆和高分辨率遥感影像信息海量、人工提取费时费力等问题,该文以北京二号卫星影像为数据源,采用高精度地表覆盖数据优化分割的面向对象分析方法、无地表覆盖数据辅助分类的面向对象分析方法,运用朴素贝叶斯、CART决策树、随机森林和K最邻近分类器,开展武功县土地利用分类,并对分类结果进行精度评估.结果 表明:①与无地表覆盖数据辅助分类方法相比,高精度地表覆盖数据优化分割的面向对象分类方法,在精度方面有较大的提升,其分类总体精度提高18.73％,Kappa系数提高0.21;②随机森林对于土地类型多样的影像对象具有较好的识别能力,获得较高的总体精度(95.3％)和Kappa系数(0.94).研究表明一种利用高精度地表覆盖数据优化影像分割的土地利用分类方法具有更好的可行性和鲁棒性. 相似文献
10.
天宫一号高光谱数据尚未得到普遍应用,其数据的质量和应用潜力仍在进一步实践求证和挖掘.See5.0数据挖掘工具是一种能够找出训练样本中模式类隐含特征,并可以自动建立决策规则的分类算法,可避免人为建立分类规则的主观性.本文首先通过光谱曲线分析,选择地物光谱分离性最好的波段组合,然后利用See5.0工具生成规则集,再利用规则集对同一幅天宫一号高光谱数据在不同分类级别上进行分类,并利用相同的验证样本进行精度验证.经过光谱分析发现分类不同森林类型的最佳谱段中心波长分别为:655 nm、673 nm、802 nm、866 nm、984 nm,See5.0分类结果表明在同一树种不同生长期及不同亚种的分类级别上,分类精度在45%以下,表现出了一定局限性,但在树种分类级别上,天宫一号数据表现出了高光谱的优越性,分类精度皆在80%以上,植被类型分类级别,分类精度可达到90%以上. 相似文献