共查询到19条相似文献，搜索用时 109 毫秒
1.
基于单时相MODIS数据的决策树自动构建及分类研究 总被引：4，自引：0，他引：4
以甘肃省为试验区,利用单时相MODIS数据的光谱信息,使用最大似然法和基于See 5.0数据挖掘的决策树分类方法,进行了分类对比研究.分类结果表明,加入温度一植被角度TVA和温度-植被距离TVD两个指数后,低植被覆盖区的分类效果得到了改善;基于See 5.0数据挖掘的决策树方法能够快速地建立决策树,且能提高较难识别地物类型的分类精度. 相似文献
2.
基于蚁群智能的遥感影像分类新方法 总被引：5，自引：0，他引：5
智能式遥感分类是遥感研究的新热点.提出了一种基于蚁群智能规则挖掘(ant-miner)的遥感影像分类新方法.遥感数据各波段之间存在较强的相关性,这种相关性往往会导致分类产生误差.而ant-miner算法中的信息素是基于规则整体性能的,信息素的动态更新能有效地处理相关性较强的数据,所提供的正反馈信息能纠正启发式函数缺陷所造成的错误.因此,蚁群智能算法应用于遥感分类具有一定的优势.将该方法用于广州市地区的遥感影像,取得了较好的分类结果.并与See5.0决策树方法及最大似然方法(MLH)进行了对比研究,实验结果表明,蚁群智能算法分类精度比后两者的分类精度更高. 相似文献
3.
4.
一种基于蜂群智能算法的遥感影像分类方法 总被引：1，自引：0，他引：1
结合仿生智能计算方法,提出了一种基于人工蜂群算法的智能式遥感分类方法。采用模仿蜜蜂采蜜行为的群智能优化算法,自动搜索遥感影像各波段的最优分割点,定义各波段最优分割点和地物类别节点的连线为蜂群搜索路径,构造以If-Then形式表达的遥感分类规则。该智能式遥感分类方法不需使用数学公式,能更清晰地表达地物分类中的复杂关系。将该方法应用于长江口北岸ALOS影像分类中,取得了较好的分类结果,并与See5.0决策树方法进行了对比分析。研究表明,蜂群智能遥感分类的总体精度和Kappa系数均比See5.0决策树方法更高,该智能遥感分类方法具有更好的分类效果。 相似文献
5.
6.
提出了一种新的基于布谷鸟算法的智能式遥感分类方法。采用布谷鸟智能优化算法,自动搜索遥感影像各波段的最优阈值分割点,并定义各波段最优阈值分割点和影像分类目标类别的连线为布谷鸟的最佳解,构造以If-Then形式表达的遥感分类规则。将所提的基于布谷鸟算法的影像分类方法应用于ALOS影像分类中,并与蜂群智能遥感分类方法和See5.0决策树方法进行了对比分析。结果表明,布谷鸟智能遥感分类的总体精度和Kappa系数均比蜂群智能遥感分类和See5.0决策树方法更高,该智能遥感分类方法具有更好的分类效果。 相似文献
7.
遥感影像提取土地覆盖信息的决策树优化方法 总被引：2，自引：0，他引：2
针对高分辨率遥感影像分类的传统ID3算法采用的信息增益熵为局部非回溯的启发式的缺点,提出了决策树引入模拟退火算法,得到一个面向影像特征优先级的优化的决策树分类算法。采用优化的决策树算法进行高分辨率遥感影像的分类,能较好地解决样本依赖性问题,并且得到一个全局优化的分类结果。通过实验,对农村地区的SPOT影像进行分类,并且通过对较优尺度下优化的决策树算法与神经网络算法和最大似然法对实验区域的影像分类精度的比较,证明了与ID3决策树分类方法相比较,优化的决策树方法能有效地提高农村地区在各尺度下SPOT影像的分类精度。 相似文献
8.
9.
极化SAR影像所包含的丰富的地物极化特征信息使得SAR影像的解译更为容易,同时也使得对地物的探测更加精准。在本文中,首先基于极化SAR影像的极化特征,采用区域融合算法对影像进行分割;在此基础上使用基于Wishart分布的最大似然分类方法(Wishart-LRT)、基于几何扰动滤波(GPF)的极化SAR影像分类方法和最近邻(KNN)分类方法对影像中的耕地、草地、林地、水体进行分类和提取,并对分类结果进行分析评价,最终发现对于该区域的RADARSAT-2影像而言,基于Wishart分布的最大似然分类方法对于地物分类可达到较高的精度。 相似文献
10.
决策树结合混合像元分解的中国竹林遥感信息提取 总被引：1，自引：0，他引：1
竹林是中国亚热带地区特殊而重要的森林资源,现有方法难以实现全国范围竹林时空分布信息快速准确提取。针对此问题,本研究利用2003年、2008年、2014年MODIS NDVI、反射率产品数据和省域Landsat分类数据,提出了基于决策树结合混合像元分解的全国竹林信息提取方法。首先,通过最大似然法获取中国林地分布信息;然后,在林地信息的基础上,构建决策树模型提取中国竹林分布信息;最后,采用线性最小二乘法混合像元分解得到中国竹林丰度图,并计算竹林面积。研究结果表明:(1)最大似然法提取的3个时期中国林地信息的生产者与用户精度均在90%以上,Kappa系数均值为0.93,为竹林信息提取奠定了基础。(2)C5.0算法构建的决策树模型能够很好的提取中国竹林时空分布信息,3个时期竹林分类精度均在80%左右。(3)在混合像元分解的基础上,统计得到的全国各省竹林估算面积与清查面积具有较高的相关性,R~2分别为0.98、0.97和0.95,RMSE范围为3.92万—9.58万ha,说明估算得到全国竹林面积与实际情况较为吻合。本研究所提出基于MODIS遥感数据运用C5.0算法决策树结合混合像元分解的方法,实现了全国竹林时空分布信息的准确提取,为全国竹林资源信息动态监测及管理提供了技术手段和数据支撑。 相似文献
11.
Three-date ERS-1 SAR data acquired on August 24, September 28 and November 2, 1995, was used to classify rice crop in a predominant rice growing region of West Bengal. India, Artificial neural network, maximum likelihood, decision rute and K-Means clustering classifiers were used. Classification accuracy was evaluated from the error matrix of same set of training and validating pixels. Rice classification accuracy improved significantly using neural network classifier. The decision rule based classifier performed equally good for most of the sites, indicating the feasibility of deriving a common rule based algorithm for large area application. Law aecuracy was observed for maximum likelihood classifier. 相似文献
12.
A fuzzy ARTMAP classifier is adopted for a classification experiment of CBERS-2 imagery. The fundamental theory and processing about the algorithm are first introduced, followed with a land-use classification experiment in Shihezi County on CBERS-2 high resolution imagery. Three classifiers are compared: maximum likelihood classifier (MLC), error back propagation (BP) classifier, and fuzzy ARTMAP classifier. The comparison shows comparably better results for the fuzzy ARTMAP classifier, with overall classification accuracy of 9.9% and 4.6% higher than that of MLC and BP. The results also prove that the fuzzy ARTMAP classifier has better discernment in identifying bare soil on CBERS-2 imagery. 相似文献
13.
LUO Chengfeng LIU Zhengjun YAN Qin 《地球空间信息科学学报》2007,10(2):124-127
A fuzzy ARTMAP classifier is adopted for a classification experiment of CBERS-2 imagery. The fundamental theory and processing about the algorithm are first introduced, followed with a land-use classification experiment in Shihezi County on CBERS-2 high resolution imagery. Three classifiers are compared: maximum likelihood classifier (MLC), error back propagation (BP) classifier, and fuzzy ARTMAP classifier. The comparison shows comparably better results for the fuzzy ARTMAP classifier, with overall classification accuracy of 9.9% and 4.6% higher than that of MLC and BP. The results also prove that the fuzzy ARTMAP classifier has better discernment in identifying bare soil on CBERS-2 imagery. 相似文献
14.
用模糊ARTMAP算法对CBERS-2数据进行分类 总被引：3，自引：0，他引：3
用模糊ARTMAP（fuzzy adaptive resonance theorymap）神经网络算法对CBERS-2数据进行了分类实践。首先介绍了模糊ARTMAP神经网络的算法原理和具体训练分类过程；然后用2004年9月新疆石河子地区的影像数据进行土地利用分类试验，并将分类结果与基于统计的最大似然法（MLC）、反向传播神经网络（BP）的分类结果作比较，总分类精度比MLC和BP算法分别提高9．9％和4．6％。结果表明，模糊ARTMAP对试验区CBERS-2影像上的裸地识别能力很强，对高分辨率的CBERS-2影像可获得很好的分类结果。 相似文献
15.
S. Sudhakar G. Sridevi I. V. Ramana V. Venkateswara Rao A. K. Raha 《Journal of the Indian Society of Remote Sensing》1999,27(4):217-224
The accuracy of three classification techniques namely Maximum likelihood, contextual and neural network for landuse/landcover with special emphasis on forest type mapping was evaluated in Jaldapara Wildlife Sanctuary area using IRS-1B LISS II data of Dec. 1994. The area was segregated into ten categories by using all the three classification techniques taking same set of training areas. The classification accuracy was evaluated from the error matrix of same set of training and validating pixels. The analysis showed that the neural net work achieved maximum accuracy of 95 percent, maximum likelihood algorithm with 91.06 percent and contextual classifier with 87.42 percent. It is concluded that the neural network classifier works better in heterogeneous and contextual in homogenous forestlands whereas the maximum likelihood is the best in both the conditions. 相似文献
16.
Ming Shang Shi-Xin Wang Yi Zhou Cong Du 《Journal of the Indian Society of Remote Sensing》2018,46(9):1333-1340
In this study, we used Landsat-8 imagery to test object- and pixel-based image classification approaches in an urban fringe area. For object-based classification, we applied four machine learning classifiers: decision tree (DT), naive Bayes (NB), random trees (RT), and support vector machine (SVM). For pixel-based classification, we utilized the maximum likelihood classifier (MLC). Specifically, we explored the influence of repeated sampling on classification results with different training sample sizes. We found that (1) except the overall accuracy of NB, those of the other four classifiers increased as the training sample size increased; (2) repeated sampling had a significant effect on classification accuracy, especially for the DT and NB classifiers; and (3) SVM achieved the best classification accuracy. In addition, the performance of the object-based classifiers was superior to that of the pixel-based classifier. The results of this study can provide guidance on the training sample size and classifier selection. 相似文献
17.
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
18.
S. Biswal A. Ghosh R. Sharma P. K. Joshi 《Journal of the Indian Society of Remote Sensing》2013,41(3):523-530
In this study we explored the potential of open source data mining software support to classify freely available Landsat image. The study identified several major classes that can be distinguished using Landsat data of 30 m spatial resolution. Decision tree classification (DTC) using Waikato environment for knowledge analysis (WEKA), open source software is used to prepare land use land cover (LULC) map and the result is compared with supervised (maximum likelihood classifier – MLC) and unsupervised (Iterative self-organizing data analysis technique - ISODATA clustering) classification techniques. The accuracy assessment indicates highest accuracy of the map prepared using DTC with overall accuracy (OA) 92 % (kappa = 0.90) followed by MLC with OA 88 % (kappa = 0.84) and ISODATA OA 76 % (kappa = 0.69). Results indicate that data set with a good definition of training sites can produce LULC map having good overall accuracy using decision tree. The paper demonstrates utility of open source system for information extraction and importance of DTC algorithm. 相似文献
19.
高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。 相似文献