特征提取和决策树法土地利用遥感分类

文章以安徽省淮南市为例,采用2005年Landsat-5 TM多光谱数据,分析地物谱间关系,选择改进归一化差异水体指数(MNDWI)、归一化植被指数(NDVI)、归一化建筑指数(NDBI)、TM4+ TM5、TM4+ TM5+TM7、DEM高程和坡度等特征值,构建决策树分类规则,完成研究区土地利用遥感分类.结果表明:MNDWI和TM4+TM5特征值能较好地区分水体与非水体;NDVI和NDBI可完成非水体区域植被与非植被信息分类;DEM和TM数据6波段和值可完成建筑用地、裸地和沙(旱)地分类;DEM和TM4+ TM5+ TM7能较好地解决耕地和园地混淆问题.决策树法分类总精度和Kappa系数分别为90.29％和0.87,相比较于最大似然分类法和基于特征提取波段的最大似然分类法,精度均有所提高.     

基于决策树分类的雾霾遥感识别

以河北省省域为研究区,以MODIS遥感影像为数据源,选取AQUA卫星2013-2014年两年的遥感影像为实验数据,运用影像的光谱特征,辅助地面观测数据,统计确定雾霾判识阈值,以此为基础构建决策树分类模型,利用决策树分类法对实验影像样本进行了雾霾分类识别。研究表明,所构建的决策树能够将雾霾与背景进行分类并识别,雾霾识别有效率为84.71%。     

基于ENVI的遥感图像决策树分类

传统遥感图像分类方法一般是基于概率统计,然而人们一直致力于提高分类精度的研究。本文利用ENVI5.0对研究区分别进行了最大似然法、ISODATA法、决策树三种遥感图像分类;首先对三种分类方法进行简单阐述,然后图像预处理,选取训练样本,最后进行分类。通过数据比较和图表分析,可以看出这三种分类方法中,决策树分类精度最高,最大似然分类次之,ISODATA分类精度最低。决策树分类法可以有效地提高图像分类的精度。     

基于决策树的多光谱影像分类研究

采用了辅以纹理特征的决策树方法进行分类,探讨了决策树在遥感数据分类方面的优势,提高了遥感影像的分类精度。     

基于决策树方法的遥感分类研究

利用监督分类和决策树分类2种方法对研究区域进行地表覆盖分类,将分类结果与Google Earth影像、地形图对比进行精度评定。结果表明,决策树分类总体精度和Kappa系数分别为86.462 9%和0.827 1,较监督分类的总体精度和Kappa系数分别提高了5.347%和0.067 1,对于地形复杂的地区,能有效提高分类精度。     

基于决策树理论的土地利用分类

首先,阐述了决策树分类器的结构与理论基础;然后,以安徽省滁州市为例,利用Landsat ETM＋遥感影像数据和DEM数据,在ENVI软件的支持下,结合影像的光谱特征及NDVI,NDBI特征值,参考C4．5算法（决策树生成算法）,建立了土地利用分类的决策树模型并进行了分类;最后,对分类结果进行了精度评价。研究区结果表明决策树分类法效果较好,精度较高。     

基于决策树的遥感图像分类方法研究

在遥感领域中,遥感图像分类是一项十分重要的内容,也是运用遥感技术手段提取地物类别信息的一个关键环节。本文以TM影像为研究对象,采用决策树分类方法进行研究分析,详细地论述了该分类方法的整个研究流程,并得到分类后的结果图,最后利用混淆矩阵和Kappa系数对分类后的结果进行精度分析。通过与最大似然分类方法进行比较发现,决策树分类方法的分类效果明显,分类精度较高,总体分类精度、kappa系数均达到90%以上,为遥感图像分类提供了广阔的发展前景。     

基于改进型决策树遥感分类的土地利用变化研究

在遥感和GIS技术支持下,以香格里拉建塘镇为研究区,以2000年、2009年Landsat TM影像为基础数据,运用光谱特征和地学辅助知识相结合的改进型决策树分类方法分别对研究区2个年份的基础数据进行土地利用信息提取和变化分析。研究结果显示:(1)基于改进型决策树遥感分类法与最大似然法相比分类精度有明显提高;(2)10 a间,香格里拉建塘镇城镇建筑用地、裸地面积呈上升趋势且变化最大,灌草地面积小幅增加,耕地、林地、水体、雪地冰川呈减少趋势,土地利用变化速度和综合程度越来越快。     

一种基于决策树方法的遥感影像分类研究

以江苏省泗阳县的Quick Bird影像为研究对象,基于影像的光谱信息、纹理信息、植被指数,采用CART决策树对影像进行分类,并将结果与最大似然分类结果进行比较。结果表明,此方法分类精度与Kappa系数均得到提高。     

基于MODIS影像多特征的CART决策树分类

以山东省为研究区域,利用2009年9月MODIS的8 d合成波段反射率产品MOD09,选择特征变量植被指数(NDVI、EVI)、NDWI、NDMI、NDSI及辅助信息DEM,通过选取其中的影像特征组合来确定分类方案,构建各波段组合的CART决策树,对MODIS影像进行分类,得到CART决策树的最优波段组合。结果表明,特征变量DEM、NDVI、EVI对分类结果贡献较大;将CART决策树的分类结果与其相对应的最大似然分类结果进行比较可知,基于影像多特征的CART决策树分类方法能明显提高分类精度。     

基于TM遥感影像数据的乌鲁木齐热岛效应分析

近年来,随着城市的飞速发展,热岛效应也颇受人们重视。本文采用1990年和2010年的TM遥感影像,运用亮度温度计算和二分模型计算等方法, 并结合亮度温度数据得到了植被覆盖度对城市亮度温度的影响和土地利用对亮度温度的影响, 分析了造成乌鲁木齐市城市热岛空间分布的原因。结果显示, 热岛中心主要分布在城区人口密度大及工业区聚集的地方,植被和水体对减弱热岛效应起到一定作用。     

高分辨率遥感植被分类研究

以南京市区的植被覆盖为研究对象,基于IKONOS遥感影像,采用决策树分类算法,根据各种植被光谱特征建立知识库,提出基于光谱信息的植被分类方法,继而结合高分辨率影像特有的纹理特征引进局部一致性指数对该方法进行改进,提出结合纹理信息的高分辨率遥感植被分类方法,分类总体精度从仅利用光谱信息的83.16%显著提高到91.89%,Kappa系数达到0.8886。采用Quickbird遥感影像对该方法进行验证,分类总体精度为91.94%,Kappa系数为0.8783,表明该植被分类方法能有效地对植被进行分类与识别,精度较高,且对于不同数据源的植被分类具有一定的普适性,为实现植被的自动化提取提供了理论依据和有效的方法途径。     

基于单时相MODIS数据的决策树自动构建及分类研究

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-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。     

基于 C4.5决策树的多特征遥感分类方法

以钱塘江流域为研究区域,利用2010年ETM,MODIS和DEM多源数据,进行土地利用分类研究。在分析土地类型的光谱特性和植被指数年度变化基础上,运用光谱指数法和代数法从数据中提取各种土地覆被类型特征。利用WEKA软件平台下的C4.5决策树算法构建决策树分类模型,对钱塘江流域土地覆被类型进行分类研究,取得较高的分类精度。     

基于决策树的CBERS遥感影像分类及分析评价

以江苏省徐州市为研究区,以城市土地利用遥感分类为目标,采用CBERS多光谱数据的近红外波段、全球环境监测植被指数(GEMI)、归一化植被指数(NDVI)及主成分分析得出的第一和第二主成分作为分类的特征数据,基于先验知识和统计分析构建层次分类决策树,进而发展和改进了决策树交互式构建算法,实现了城市土地利用遥感分类。通过与最大似然分类器(MLC)和支持向量机分类器(SVM)分类结果的比较分析,表明基于多种特征的决策树分类器能够有效应用于CBERS遥感数据分类,在研究区具有良好的推广性。     

地理信息系统支持下的山区遥感影像决策树分类

山区遥感影像分类是遥感研究的一大难题。本文利用一种决策树生成算法（C 4.5算法）自动提取知识，基于知识建立决策树用于山区影像分类，并结合研究区土地利用类型与DEM空间统计关系的先验知识，在GIS空间分析的基础上进行影像分类的后处理。与传统的最大似然法分类结果相比，该方法极大地改善了山区地表覆被分类的精度，得到试验区较为可靠的遥感分类图像。     

基于专家知识的决策树分类

基于ENVI运用专家知识的决策树分类、监督分类、非监督分类手段来实现对于Landsat TM影像和快鸟影像数据的图像分类处理,简单介绍了决策树的建立过程,以及如何进行预处理、分类后处理、精度评价。通过3种分类方式的比较,基于专家知识的决策树分类法具有分类判别规则十分灵活、分类决策树看起来很直观、分类条件清晰、分类效果好、运算效率高等特点。实验中,其分类方式的缺陷表现为分类过多、过于复杂,可能会产生错误的速度加快;决策树判别规则复杂,树形分枝多导致用户难以识别、理解、应用。     

基于MODIS数据的决策树分类方法研究与应用

介绍了目前国际上流行的两种决策树算法———CART算法与C4·5算法,并引入了两种机器学习领域里的分类新技术———boosting和bagging技术,为探究这些决策树分类算法与新技术在遥感影像分类方面的潜力,以中国华北地区MODIS250m分辨率影像进行了土地覆盖决策树分类试验与分析。研究结果表明决策树在满足充分训练样本的条件下,相对于传统方法如最大似然法(MLC)能明显提高分类精度,而在样本量不足下决策树分类表现差于MLC;并发现在单一决策树生成中,分类回归树CART算法表现较C4·5算法具有分类精度和树结构优势,分类精度的提高取决于树结构的合理构建与剪枝处理;另外在决策树CART中引入boosting技术,能明显提高那些较难识别类别的分类准确率18·5%到25·6%。     

决策树算法在西藏遥感影像分类中的应用研究

将决策树算法引入到遥感影像分类中,以提高分类的精度。首先对影像进行预处理,然后利用C5.0算法在分析地物光谱特征、纹理特征、归一化植被指数的基础上,自动提取分类规则,构建决策树,实现地物的自动分类。为验证该算法的有效性,选取西藏某地区TM影像作为实验数据,与监督分类的精度进行对比,实验结果表明,决策树分类方法能取得较好的分类效果。     

基于遥感分类的植被覆盖度提取

阐述了基于遥感分类进行植被覆盖度提取的方法,分析了直接利用关系模型提取植被覆盖度的缺点,遥感分类可获得不同类型地物,此后关系模型分别提取,解决了直接利用关系模型提取中存在的缺点.