基于遥感指数地物信息提取方法对比研究

作     者：嘎力巴 

作者单位：哈尔滨师范大学 

学位级别：硕士

导师姓名：吴长山;臧淑英

授予年度：2017年

学科分类：08[工学] 0816[工学-测绘科学与技术] 081602[工学-摄影测量与遥感] 

主      题：遥感指数 最大似然法 决策树 支持向量机 人工神经网络 

摘      要：自20世纪90年代以来,土地利用和土地覆盖变化已经成为全社会关注的热点问题。哈尔滨市是黑龙江省省会,经济发展迅速,近年来土地利用/土地覆盖变化较快。本研究以哈尔滨市中心城区:南岗区、道里区、道外区、香坊区、平房区、呼兰区、松北区等七个区为研究区,采取现今使用最广泛的遥感分类方法提取土地利用信息进行区域的土地利用信息提取对比研究。选取Landsat-8多光谱影像为数据源;基于最大似然法、决策树、支持向量机和人工神经网络等监督分类方法,以地物光谱、遥感特征指数和空间特征指数作为变量提取地物类型信息。对比分析基于单纯地物光谱遥感分类与基于指数的遥感分类两种方法在土地利用信息提取中的精度,以期为更好地协调哈尔滨市土地利用与城市扩展提供数据支持。主要研究结果如下:1、基于单纯地物光谱的最大似然法、决策树分类法、支持向量机、人工神经网络等遥感分类方法提取哈尔滨市土地利用信息,结果显示总体分类精度依次为:决策树分类法(83.09%)人工神经网络(82.18%)支持向量(81.84%)最大似然法(76.13%)。2、基于最大似然法、决策树分类法、支持向量机、人工神经网络等遥感分类方法,改变输入特征变量提取哈尔滨市土地利用信息。结果显示:基于指数的遥感分类方法与基于单纯地物光谱的遥感分类方法相比,大部分基于指数的遥感分类方法相比基于单纯地物光遥感分类方法精度有所提高。3、根据特征指数对最大似然法、决策树分类法、支持向量机、人工神经网络4种遥感分类方法分类精度影响的差异,将4种分类方法各筛选出4组变量组合,进而提取研究区土地类型信息。基于单纯地物光谱遥感分类与基于指数的遥感分类方法精度比较结果显示:最大似然法分类总体精度和Kappa系数最少提高了6.31%、0.08;最多提高了7.42%、0.09;决策树分类方法分类总体精度和Kappa系数最少提高了0.8%、0.08;最多提高了2.92%、0.01;支持向量机总体精度和Kappa系数最少提高了1.71%0.03;最多提高了1.96%、0.03;人工神经网络总体精度和Kappa系数最多提高了2.05%、0.08;最少提高了-2.56%、-0.05。