基于决策融合的SPOT-6影像土地覆被分类研究

作     者：李宏达 高小红 汤敏 LI Hongda;GAO Xiaohong;TANG Min

作者机构：青海师范大学地理科学学院西宁810008 高原科学与可持续发展研究院西宁810008 青海省自然地理与环境过程重点实验室西宁810008 青藏高原地表过程与生态保育教育部重点实验室西宁810008 

出 版 物：《地球信息科学学报》 (Journal of Geo-information Science)

年 卷 期：2021年第23卷第5期

页      面：928-937页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：青海省科技厅自然科学基金项目(2016-ZJ-907) 

主　　题：决策融合 多分类器 主分类器 机器学习 GBDT 土地覆被分类 SPOT-6 湟水流域 

摘      要：多分类器决策融合方法在提高遥感影像分类的准确性和可靠性方面已表现出了巨大潜力,但这一过程中对所有像元多次分类会产生巨大的时间代价,为改善这一问题,本文提出了主分类器的概念。在青海湟水流域确定2个试验区,对7种常用的分类器进行评估,排除精度较低的3种分类器后,选择支持向量机(Support Vector Machine,SVM)、多层感知机(Multilayer Perceptron,MLP)、随机森林(Random Forest,RF)和梯度提升树(Gradient Boosting Decision Tree,GBDT)4种不同的分类器,建立决策规则共同对SPOT-6影像分类。为提高分类效率,以精度最高的GBDT作为主分类器对影像分类后,仅对结果中可信度不高的像元使用多分类器共同决策。研究结果表明,2个区域内主分类器独立完成分类的像元分别占38.10%和65.26%,错分率为1.57%和2.18%;多分类器共同决策的区域,相比GBDT的分类结果,总体精度分别高出2.49%和3.66%。整体上看,决策融合使2个区域的总体分类精度分别提高了1.18%和1.09%,能够有效减少分类结果中的椒盐噪声,精度更加均衡。相比现有的决策融合方法,主分类器的使用在保证分类精度的同时有利于分类效率的提高及分类结果保持良好的一致性。