共查询到10条相似文献,搜索用时 15 毫秒
1.
为研究辽东湾海冰类型特征,文中基于2016年2月9日的Landsat-8和Sentinel-1A数据,结合多光谱、归一化植被指数(NDVI)构建CART自动决策树(CART Automatic Decision Tree),并用灰度共生矩阵(GLCM)统计Sentinel-1ASAR数据的纹理信息特征,对比传统监督分类并验证两种遥感图像海冰分类精度。研究指出:对Landsat-8数据,基于CART自动决策树的分类精度最高,总精度达81.68%;而Sentinel-1ASAR数据,基于最大似然分类的总精度为73.88%,相比于CART自动决策树,其能获得更高的海冰分类精度。分析本研究可知,基于光学数据的CART自动决策树在海冰类型识别中占优,而最大似然分类在SAR数据中对海冰类型的识别度较好,本文为辽东湾海冰监测与预报提供了一种有希望的技术手段。 相似文献
2.
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。 相似文献
3.
基于MODIS数据的决策树分类方法研究与应用 总被引:23,自引:0,他引:23
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%。 相似文献
4.
基于影像多种特征的决策树分类方法 总被引:1,自引:0,他引:1
阐述了决策树分类CART算法原理,将纹理信息、NDVI指数引入决策树方法对影像进行分类,并将分类结果与最大似然分类结果进行比较,研究表明决策树分类方法相对传统分类方法总体精度提高了8.9148%,Kappa系数提高了0.1074。 相似文献
5.
6.
基于ASTER数据的决策树自动构建及分类研究 总被引:6,自引:3,他引:6
在对ASTER原始9个波段数据进行各种变换处理的基础上,采用数量化指标平均可分性方法确定参与分类的最佳特征组合; 结合研究区8种主要地物类型训练数据集,分别采用最大似然法、BP神经网络法和基于See 5.0数据挖掘的决策树分类法进行分类,提取主要地物的空间分布专题信息。经过379个野外样点的验证,结果表明: 决策树算法分类性能最优,神经网络算法次之,最大似然法效果最差; 与ENVI 4.1、ERDAS 8.7提供的传统决策树建立及分类方法比较,基于数据挖掘工具See 5.0和Cart的决策树生成和分类方法具有客观、高效率、分类性能可靠和精度高等优点。 相似文献
7.
8.
9.