基于决策树模型的海岸带分类方法研究

海岸带地物分布复杂,地物混淆常造成海岸带提取困难。该文以江苏省粉砂淤泥质海岸为研究对象,运用图像光谱特征、纹理特征并引入地学知识,构建研究区遥感图像分类决策树模型,并利用ETM 图像进行海岸地物分类研究。结果表明:采用的决策树模型可以较好地结合纹理信息和地学知识,解决遥感图像中复杂地物分类过程中的混淆现象,分类精度达89.26%,比最大似然法分类精度提高了15.19%。     

基于高分一号影像的土地覆被分类方法初探

高分一号是我国发射的第一颗高分辨率卫星,其包含地物信息较为丰富,较多的应用于土地覆被分类中,但高分影像普遍存在基于像元分类精度稍低的问题,为了提高遥感影像的分类精度,基于高分一号影像,以新疆艾比湖湿地保护区为研究样区进行土地覆被分类研究。利用灰度共生矩阵方法提取图像的纹理信息,并将结果作为参数量输入到支持向量机(SVM)分类器中,将研究结果与传统的SVM分类及最大似然分类法作对比分析可得:辅以纹理特征的SVM分类方法可更好的区分地物信息,分类精度高达93.64%;传统的SVM分类精度为92.27%;最大似然分类为87.90%;因地制宜的开展辅以纹理特征的SVM分类方法是提高土地覆被监测精度的有效手段。     

基于决策树与监督、非监督分类方法相结合模型的遥感应用研究

遥感影像解译中的决策树分类法一般是引入NDVI植被指数、亮度阈值法、DTM、空间结构、纹理、和其它一些地貌特征来实现地物类别的分离;而传统的监督分类、非监督分类是直接基于像元的亮度值而进行的分类,两者各有优缺点。将两者在遥感影像解译中结合使用,建立统一的分类模型,并以皖东地区TM影像为例进行了分类实验,结果证明,采用该模型分类比单一的最大似然法分类精度提高了4.45%,Kappa指数提高了0.107,该模型能有效地提高影像分类的精度。     

城市绿地遥感信息自动提取研究--以广州市为例

提出了一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。选择广州市作为研究区,先用像元信息分解法把绿地从TM影像中分离出来,再以分离出来的绿地作为分类掩膜,采用BP神经网络法进行分类。并开展野外遥感调查以提高和验证分类精度。结果表明:该方法保证了分类时绿地的纯洁度,有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响,提高了分类的精度。     

极端干旱区荒漠稀疏河岸林遥感分类研究

研究以位于极端干旱区的塔里木河干流中下游地区为例,基于Landsat TM影像,结合决策树分类、几何光学模型与光谱角匹配,解决混合像元信息分解,实现干旱区稀疏荒漠河岸林类别识别。首先从遥感视角的角度,将地物分解为目标和背景,提出塔里木河干流荒漠河岸林植被分类系统;其次以多变量决策树法将非荒漠植被信息剔除,采用几何光学模型模拟各类荒漠植被的像元光谱,最后以光谱角匹配的方法将荒漠植被进一步进行分解,得到塔里木河干流中下游地区典型研究区的植被分类专题图,分类精度结果表明:基于混合像元分解与几何光学模型的分类方法总精度达到了79.43%,Kappa系数为0.718,表明分类质量良好。     

利用遥感信息决策树方法分层提取荒漠化土地类型的研究探讨

选择甘肃省民勤县绿洲作为典型荒漠化区域,根据荒漠化土地分类体系确定决策树的结构及各类地物在树形中的位置。基于各类地物的光谱反射特性和图象数据反映的综合特征,采取相应的识别和提取方法,以最大限度地利用遥感数据源。对于非荒漠化土地分类,利用土壤调节植被指数、阈值数字信号统计可以分离成一类树枝;而重点讨论的3种荒漠化土地类型的分层分类,则相继采用光谱特征提取、几何特征提取、纹理特征提取、监督分类以及植被指数等复合识别指标进行分枝。结果表明:利用决策树分层提取法可以有效地排除和避免提取地物时所有多余信息的干扰及影响,目标明确。同时,为提高分类的精度,开展野外遥感调查和特征分析是极其重要的。     

基于光谱和纹理特征的ALOS影像土地利用信息提取

针对高分辨率遥感影像易于反映地物纹理特征的特点,综合利用地物的光谱和纹理特征进行分类,探讨适用于ALOS影像的土地利用信息提取方法。以川东丘陵地区影像为例,基于GLCM提取纹理信息,将提取的纹理特征向量采用赋权值法融合为一个综合纹理信息波段,然后采用面向对象法将其与光谱特征信息共同参与分类。与最大似然法的提取结果对比表明,考虑了纹理特征的面向对象分类方法能明显提高分类精度,Kappa精度提高了0.12;避免了椒盐现象,分割的地类边界具有更好的语义表达,更贴合地物实际分布特征;建筑用地和林地具有明显的纹理特征,而旱地纹理特征不明显。该方法不仅分出了6个基本地物类型,而且对于林地、建筑用地等类型还能进一步细分。     

新巴尔虎右旗沼泽和草甸信息提取

运用监督分类和决策树两种方法,以2014-8-25的Landsat8-OLI遥感影像为基础数据源,提取新巴尔虎右旗的沼泽和草甸信息。方法一:在ENVI中进行监督分类,将研究区分为沼泽和草甸、草地、森林、农用地、水体、居民地、沙地和其他等八类,采用最大似然法对研究区遥感影像进行沼泽和草甸信息的提取工作。方法二:求取研究区的归一化植被指数NDVI,将NDVI值和坡度值作为限制条件,进行求取研究区域的沼泽和草甸信息。将两种方法获得的沼泽和草甸分类图与验证样本进行混合矩阵分析,分别对两种分类结果进行精度评价,比较监督分类和决策树分类在沼泽和草甸信息提取的精度。结果表明:Landsat8-OLI影像采用监督分类的精度为89.40%,利用决策树分类的精度达到了91.05%,精度较高。这两种方法均能够很好地进行沼泽和草甸信息提取,同时验证了基于Landsat8遥感影像在湿地覆被分类的可行性。     

基于指数计算的多层次遥感信息提取模型

指数计算是描述地物波谱特征简单而有效的方法.但单纯依靠指数方法进行遥感专题信息提取,错分、漏分现象严重.该文提出一种"全域一局部"的遥感信息提取思路:对整幅图像进行全域分割、全域分类,实现目标地物与背景地物的初始分离;在目标地物周围建立一定尺度的缓冲区,作为局部分割一局部分类的作用区域,并在局部作用域内选择不同的阈值,通过迭代过程实现目标地物与背景信息的最优分离.选取鄱阳湖地区Landsat 7/ETM+影像,应用该方法进行水体提取试验,精度达95.751%,优于常规的最大似然法.     

像元分解法提取积雪边界线

利用NOAA16-AVHRR的多光谱数据进行像元分解提取积雪边界线。首先对遥感数据进行主成分分析，提取含99％信息量的前两个主分量，对其进行散点图分析，获取终元。进行多光谱混合像元分解，提取积雪盖度参数，并依据积雪盖度提取积雪边界线。同时比较了最大似然分类提取的积雪边界线，发现分类积雪边界线变化较大，而盖度积雪边界线比较稳定，主要原因是像元分解提取的积雪边界线物理意义明确。     

基于影像多种特征的CART决策树分类方法及其应用

以扬州市宝应县为研究区,采用主成分分析法对研究区影像进行数据压缩和单波段数据增强,利用灰度共生矩阵分析第一主成分的纹理信息。运用基于CART算法的决策树分类方法,选用影像的光谱特征值、NDVI值以及纹理统计量值为测试变量,并通过计算确定决策树的节点规则,提取影像中主要地物信息。将分类结果与单纯依靠光谱特征的监督分类法结果相比较,表明基于影像多种特征的CART决策树分类方法分类精度较高,尤其较好地提取了围网养殖区和建设用地。     

基于水稻特征波段的决策树分类研究

针对种植结构复杂、地形复杂的水稻种植面积遥感提取精度不高现象,结合多时相遥感影像中反映水稻物候规律的特征波段,以南京江宁丘陵山区为例,选择典型水稻物候期时相的TM数据,基于多特征波段构建决策树分类提取水稻种植面积。结果表明:纹理、植被指数、湿度因子、坡度因子等多特征参与决策树分类能够提高总体精度;在具有两期物候数据时提取精度和效率较好,而加入了地形特征的水稻抽穗期数据比水稻灌浆期数据获取效果略好。因此,利用合理的作物物候期数据和该遥感影像的特征波段可有效提高分类精度,为地块破碎区作物种植面积提取提供有效手段。     

基于QUEST决策树的遥感影像土地利用分类——以云南省丽江市为例

土地利用分类精度直接决定土地利用/土地覆被变化相关研究的准确性,而基于决策树的遥感影像分类是近年来提高土地利用分类精度的重要方法。QUEST决策树在影像解译和空间表达方面,运算速度和分类精度均优于普通CART等决策树方法。本文以云南丽江地区为例,应用QUEST决策树分类方法,对该地区的Landsat TM 5影像图进行分类,同时将地形因素、植被指数作为地学辅助数据的因子添加到分类波段中,进行不同特征融合,来处理目标类别间的非线性关系,该方法在处理图像理解知识方面具有更大的灵活性;同时与普通决策树分类法的遥感影像分类的结果相比较,Kappa系数值从原来的0.789提高到0.849.在地形复杂的山地地区,针对TM影像数据,选择基于QUEST决策树分类能够有效提高土地利用分类结果精度。     

基于CART决策树的沙地信息提取方法研究

为研究沙地信息提取的方法，采用基于CART决策树的面向对象方法，提取中卫市沙坡头区的沙地信息。首先对研究区进行多尺度分割和光谱差异分割得到对象层，然后选择合适的提取特征和训练样本点，最后输入选择的提取特征和样本点生成CART规则树，并对地物进行分类，提取出沙地信息。结果表明：采用面向对象的CART决策树方法提取沙地信息具有较高自动化程度和精确度，依此构建的CART决策树总体分类精度可达到77%，是最近邻分类结果的1.12倍，支持向量机分类结果的1.57倍，此外，NDBI（归一化裸露指数）、GSI（粒度指数）和SWIR 2（第七波段）均值可以成功的将沙地、戈壁和裸岩石砾地三个易混地物区分开来，是沙地提取过程中三个重要的特征指数。     

遥感影像混合像元分解中的端元选择方法综述

端元选择是进行遥感影像混合像元分解的首要步骤,也是最关键的步骤,其直接影响混合像元分解的精度。该文对遥感影像混合像元分解中端元产生的特定背景、当前存在的端元选择途径和端元选择方法进行综述,并通过对当前端元选择方法的分析,提出了选择或构造端元选择方法应遵循的几个原则。     

基于C5.0决策树分类算法的ETM+影像信息提取

利用C5.0决策树算法对ETM 影像进行信息提取,通过与其他分类方法提取结果的对比,得出C5.0决策树分类算法精度较高。大气校正与数据融合可明显提高分类精度,利用经过NDVI、NDBI、缨帽变换处理后的影像组合数据进行信息提取可进一步提高分类精度。研究发现,C5.0决策树算法用未处理的资料生成决策树的效果较差,而经大气校正和数据融合后计算出NDVI、NDBI及缨帽变换的前3个分量的组合数据生成的决策树深度最小,并且分类精度最高。     

结合多尺度纹理的高分辨率遥感影像决策树分类

地物具有多尺度特点,遥感影像包含的地物纹理信息很难用单一尺度来描述。通过选择最佳纹理尺度组合,利用光谱数据结合多尺度纹理对高分辨率影像进行决策树分类。研究结果表明:结合多尺度纹理的高分辨遥感影像决策树分类,能够更好地描述地物并有效解决光谱数据分类中存在的地物破碎问题,其分类精度为81.7%,kap-pa系数为0.78;与光谱数据分类和结合单尺度纹理数据分类结果比较,分类精度分别提高了11.2%和6%,该方法有助于提高高分辨率影像的分类精度。     

额尔齐斯河-斋桑湖流域近20年来土地利用/土地覆被时空演变

土地利用/土地覆被变化(LUCC)是影响生态环境和气候变化的主要驱动力之一,同时又是受其影响的结果。LUCC研究对于开展生态环境变化及气候变化的研究均具有重要的意义。针对目前境外LUCC研究中土地利用/覆被分类效率低的问题,探索一种适用于大数据量而又精度较高的分类方法。以额尔齐斯河国外部分-斋桑湖流域为研究区域,以1990年及2007年的Landsat TM/ETM+夏秋季影像以及DEM作为数据源,综合利用影像光谱、纹理信息参与到决策树构造中,进而利用决策树分类方法分别提取这两个时期的土地利用/覆被空间分布信息,最后分析两个时期的土地利用时空变化状况。实验结果表明:(1)光谱与空间纹理信息参与的决策树分类方法具有较高的分类精度;(2)两个时期的土地利用变化分析发现,近20年来该区域土地利用发生了较大的变化,耕地和灌木林地大面积减少,而低覆盖度草地和未利用地却显著增加。     

利用卫星图像结构信息提高城市地物模式识别精度的研究

针对城市地物分布特征及其光谱特点，对卫星遥感数据的空间结构信息应用于城市分类进行了研究。分类结果与传统的统计模式识别方法（Bayes法）相比较简洁、快速，精度提高近2个百分点。