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。     

兼容光学雷达影像及地形辅助数据的扎龙湿地遥感分类

结合Landsat TM影像、Envisat ASAR的C波段雷达影像和地形辅助数据,采用决策树方法,包括分类回归树(C1assification and Regression Tree,CART)和随机森林(Random Forest,RF)算法,对扎龙湿地进行遥感分类。用实测GPS样本点对分类结果进行精度验证,并与最大似然监督分类方法(Maximum Likelihood Classification,MLC)对比。结果表明,地形辅助数据和雷达后向散射系数对湿地分类精度的提高起重要作用。基于RF算法分类结果的总精度和Kappa系数分别为92.6%和0.901,沼泽湿地的分类精度达到96.3%,较CART算法和MLC监督分类方法有明显提高。该研究提供了一种快速、高效的内陆淡水沼泽湿地遥感分类技术。     

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。     

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。     

像元信息分解和决策树相结合的影像分类方法

该文提出了一种基于像元信息分解和决策树相结合的遥感自动分类方法。选择广州市番禺区作为研究区。用像元信息分解和多变量决策树法把TM影像分为水体、植被、水泥地、土壤4种基本组分,分离成4类树枝;分别以4种基本地物组分作为分类掩膜,采用BP神经网络分类、形状指数提取、光谱特征提取等复合方法进行分枝,并开展野外遥感调查,以提高和验证分类精度。结果表明：该方法保证了分枝时地物的纯洁度,有效地避免了地物提取时多余信息的干扰和影响,提高了分类精度。结合实地调查数据与最大似然分类算法进行对比实验,表明该模型比最大似然总体分类精度高16％。     

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。     

改进随机决策树群算法在监督分类中的应用

通过添加树平衡系数、设定节点不纯度和区分样本类型,对现有的随机决策树群算法进行了改进,提出了改进的随机决策树群算法.以广东省龙门县土地覆盖的ALOS遥感影像为研究对象,利用改进的随机决策树群算法对研究对象进行遥感监督分类,并将研究结果同传统的最大似然分类方法的结果进行对比,发现分类总体精度从81.46%提高至92.45%,Kappa系数达0.9091.改进的随机决策树群算法考虑了极不均衡决策树、节点不纯度和训练样本区分对随机决策过程运行效率的影响,可有效提高遥感分类效率和分类精度.     

独立分量分析与主成分分析方法的湿地遥感分类精度对比——以西洞庭湖湿地为例

拟探索提高中、高分辨率遥感影像湿地分类精度的新方法,为洞庭湖湿地研究提供方法支持。通过将独立分量分析方法应用于遥感图像分类,并与主成分分析方法结果进行对比,验证其是否能有效提高湿地分类精度。结果表明,应用独立分量分析和主成分分析方法处理遥感影像,没有造成图像信息损失;Landsat5TM影像经过两种方法处理后,影像清晰度变差,但并不足以影响典型湿地类型的目视判读;SPOT5影像经过两种方法处理后,影像更加清晰。独立分量分析方法可以明显提高典型湿地类型的可分性,但对于草滩地和水田的分类仍然存在缺陷。Landsat 5TM影像经独立分量分析算法处理后,总体精度比原始影像提高11.83%,比用主成分分析方法处理后的影像精度高5.35%;SPOT 5影像经独立分量分析算法处理后,总体精度比原始影像提高10.7%,比用主成分分析方法处理后的影像精度高5.07%。独立分量分析基于高阶统计信息,不但能去除波段之间的相关性,而且可以得到分量之间相互独立的特性,增强不同湿地类型的可分离性,从而提高了信息提取的精度。     

ENVI遥感图像监督分类方法比较

鉴于遥感监督分类方法的普遍应用,本文介绍了五种常用的监督分类方法:平行六面体法、最小距离法、马氏距离法、最大似然法和人工神经网络分类法。就同一地区TM影像应用这五种方法进行了土地利用分类,对比分析了这五种方法的分类精度,发现人工神经网络对土地覆盖与利用的分类精度高于最大似然法,最大似然法分类精度优于平行六面体法、最小距离法和马氏距离法。所得结论对有关遥感图像分类工作具有指导和借鉴意义。     

三江源区湖泊和沼泽遥感影像分类研究

为了进一步了解三江源区的湿地分布现状,尝试利用MODIS 16天合成的归一化植被指数(NDVI)数据,采用决策树分类方法对三江源区湿地的遥感影像进行了分类研究.在数据预处理时,采用中值滤波和主成分变换结合的方法有效地去除了MODIS数据的噪声;在决策树构建过程中,结合DEM数据有效地提取出湖泊;利用象元NDVI时序变化曲线规律,采用先控制曲线形状、再控制拐点阚值的方法对沼泽进行分类.通过精度验证,湖泊的分类精度达到了96.5%,总的分类精度达到了84.2%,Kappa系数为0.78.利用MODIS NDVI时间序列数据和决策树方法能够满足大范围区域湖泊和沼泽遥感影像分类要求.     

基于MODIS影像的土地覆被分类研究——以京津冀地区为例

在全球变化研究中,如何快速、准确获取土地覆被信息对该项研究有着至关重要的作用.随着遥感科学的不断发展和应用领域的深入,研究者可以利用遥感影像进行土地覆被分类研究,并且具有准确、快速、自动化等优点.本文利用MODIS数据具有的多光谱、多时相特点,以京津冀地区为例,选取2013 年全年16-day 的MOD13Q1/EVI时间序列数据、2013 年5 月份一期的MOD09Q1(1、2 波段)和MOD09A1(3-7 波段)产品,并运用时间序列谐波分析法对全年MOD13Q1/EVI 时间序列数据进行去云、去噪的平滑重建处理,使其数据更能反映物候周期性变化规律.选择谐波分析后的全年MOD13Q1/EVI 时间序列数据、MODIS数据的1-7 波段地表反射率和NDWI(归一化差异水体指数)、MNDWI(改进归一化差异水体指数)和NDSI(土壤亮度指数),构建了3 种特征变量组合方案的CART决策树,分别进行京津冀地区的土地覆被分类研究.结果表明:方案一(全年EVI 的23 个时相)、方案二(方案一+MOD09 的1-7 波段地表反射率)和方案三(方案二+MNDWI+NDSI+NDWI)的总体分类精度分别达到86.70%、89.98%、91.34%,Kappa系数分别为84.94%、88.66%、90.20%.研究表明,仅利用MODIS遥感影像自身多种分类特征和决策树方法对宏观土地覆被分类就可达到较高精度,显示了本文分类方法在实践中的可行性及MODIS数据在区域尺度土地覆被分类研究方面的优势与潜力.     

分区控制和分层提取下的OMIS-I影像土地利用/覆盖分类方法研究

针对宜兴试验区128波段OMIS—Ⅰ机载成像光谱数据,在平原区、山区分区基础上建立多级分层决策树综合分类方法。通过该方法可实现对土地利用／覆盖一级类（林地、园地、水域、耕地）自动分类,精度达88．15％,Kappa指数为0．82,园地漏分率最高（20．23％）,耕地漏分率最低（2．24％）;耕地、林地、园地、水域的错分率分别为21．87％、21．98％、0．66％、0。土地利用／覆盖二级分类也可采用分层自动分类,其总体精度达86．16％,Kappa指数为0．81。采用土地利用矢量数据辅助和人工目视解译对部分二级类别进行细分,可获得更加可靠的分类结果。研究表明,分区控制下的多级分层决策树综合分类方法应用于OMIS—Ⅰ高光谱影像土地利用／覆盖分类,具有可操作性和较高的精度。     

基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取

利用2015年Landsat 8 OLI遥感影像和DEM作为分类数据源,结合野外调查数据,采用面向对象的分类方法对昆嵛山地区土地覆盖信息进行提取,并对分类结果进行精度评价与比较分析。研究表明：面向对象分类方法提取的各地类连续且边界清晰,分类效果与实际情况基本吻合。昆嵛山地区占主导地位的土地覆盖类型是针叶林,面积为1 546.81 km²。研究区土地覆盖分类的总体精度和Kappa系数分别为91.5%和0.88,其中针叶林、草地、水体和建设用地的生产者精度均达到87%以上。相对于监督分类方法,本研究提出的土地覆盖信息提取方法的总体分类精度和Kappa系数分别提高14.7%和0.17。基于面向对象的中分辨率遥感影像,能够获取较高精度的土地覆盖信息,为大范围土地覆盖分类研究提供方法参考。     

土壤类型遥感识别推理决策器研究

介绍了干旱区土壤类型遥感识别推理决策器的设计原理与实现方法。在用TM遥感图像对土壤类型进行非监督分类的基础上，建立了正向推理与逆向推理相结合的推理机制，对土壤类型进行分类识别决策。用知识表示的产生式规则与框架式规则相结合的数据结构表示土壤学专家的土壤分类识别知识。用像结构模式建立了土壤分类识别的规则，构造了土壤分类判决树，并用典型像例模式进行了各类型土壤判据文件的组织。用该方法对新疆天山北麓阜康试验区的土壤分类识别进行了试验研究。结果表明，该方法分类精度可靠，为干旱区土壤分类识别开辟了一条新的途径。     

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。     

基于Landsat8影像时间序列NDVI的作物种植结构提取

为提高内蒙古平原灌区作物种植结构遥感监测精度和效率，提出一种基于时序NDVI曲线的作物种植结构提取方法。以内蒙古土默特右旗平原区为研究区域，以2015年覆盖作物生育期的多时相Landsat影像为数据源，根据不同地物其NDVI值范围不同，将研究区地表分为植被覆盖地表，无植被覆盖地表和水体3类。在植被覆盖区域内，根据林地和荒草地时序NDVI曲线特征，提取林地和荒草地，其余区域即为农田。根据小麦、玉米、葵花和西葫芦的时间序列NDVI曲线特征差异构建分类决策树模型，在农田区域内提取上述作物的空间种植分布信息。研究区各类地物及作物遥感提取面积与实际统计面积接近，土地利用分类总体精度达到85.71%，作物分类总体精度达到82.69%。研究结果表明该方法提取作物种植信息的精度较高，能够实现区域作物种植信息的高效准确监测。     

MODIS卫星影像显示的2001-2017年中国荒漠化年度状况

年度监测是及时掌握荒漠化动态的有效方法。以MODIS卫星影像为数据源，依据荒漠化土地特征和荒漠化遥感监测指标选取原则，选取了能够基于中低分辨率MODIS卫星数据反演的4个遥感监测指标，将原国家林业局第三次荒漠化监测结果与MODIS反演的4个遥感监测指标的栅格图进行叠加，参照各监测指标在不同荒漠化程度等级下的像元值，得到各指标荒漠化程度判别值。根据原国家林业局荒漠化监测气候分区规定，基于各监测指标判别值，应用决策树分类方法，实现了中国不同气候区域2001-2017年的荒漠化状况年度监测。以2009年原国家林业局第四次中国荒漠化土地监测结果与本文年度监测结果对比，吻合度达92.62%。     

基于决策树的遥感影像分类方法研究

基于决策树分类算法在遥感影像分类方面的深厚潜力。探讨了3种不同的决策树算法（UDT、MDT和HDT）。首先对决策树算法结构。算法理论进行了阐述：具体利用决策树算法进行遥感土地覆盖分类实验，并把获得的结果与传统统计分类法进行比较，研究表明，决策树分类法相对简单，明确，分类结构直观，有诸多优势。     

An enhanced supervised spatial decision support system of image classification: consideration on the ancillary information of paddy rice area

The analysis, measurement, and computation of remote sensing images often require an enhanced supervised classification technique to develop an efficient spatial decision support system. Rice is a crop of global importance, which has drawn a great interest in using remote sensing techniques for evaluating its production. Ancillary information is widely used to improve the classification accuracy of satellite images. However, few of these studies questioned the importance and strategies of using this ancillary information. The enhanced decision support system in our study has two stages. In the first stage, the images are obtained from the remote sensing technique and the ancillary information is employed to increase the accuracy of classification. In the second stage, it is decided to construct an efficiently supervised classifier, which is used to evaluate the ancillary information. Back-propagation neural network (BPN) with extended delta bar delta (EDBD) algorithm is incorporated into our decision support classifier system. This classifier renders two crucial contributions: (1) the EDBD algorithm accelerates the convergence speed of the learning process and (2) the relative importance (RI) on each band of ancillary information is evaluated rationally.