检索结果-南通市图书馆

基于决策融合的SPOT-6影像土地覆被分类研究

在线全文

学校读者我要写书评

暂无评论

地球信息科学学报 2021年第5期23卷 928-937页

作者：李宏达高小红汤敏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

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... 详细信息

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。

关键词：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

基于时序NDVI数据的中国红壤丘陵区土地覆被分类研究

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2005年第2期21卷 72-77页

作者：汪权方李家永中国科学院地理科学与资源研究所湖北大学资源环境学院武汉430062

选择位于红壤丘陵区的中国最大淡水湖——鄱阳湖及其整个流域作为研究对象,应用2000年SPOT4-VEGETATION的时序NDVI数据,结合野外实地考察和研究区相关资料,探讨了一种以地表覆盖物的光谱响应及其季节性变化特征为主要依据、以色彩作为... 详细信息

选择位于红壤丘陵区的中国最大淡水湖——鄱阳湖及其整个流域作为研究对象,应用2000年SPOT4-VEGETATION的时序NDVI数据,结合野外实地考察和研究区相关资料,探讨了一种以地表覆盖物的光谱响应及其季节性变化特征为主要依据、以色彩作为类别命名基础的土地覆被分类新方法,构建了一个包含6个一级类别和14个二级类别的土地覆被分类方案。在此基础上,利用PCI软件中ISODATA算法以及ArcMap的空间分析功能对研究区土地覆被进行了非监督分类和判定。结果显示基于时序NDVI数据的ISODATA法分类能够较好地刻画不同土地覆被类型之间的差异性,流域的现状覆被以常绿覆被(主要是针叶林)和作物以及作物-树-草混合覆被为构成主体,三者共占鄱阳湖流域面积的94.97%。

关键词：时序NDVI 光谱响应季节性变化土地覆被分类鄱阳湖流域

面向灾害应急土地覆被分类的样本自动选择方法研究

在线全文

学校读者我要写书评

暂无评论

武汉大学学报（信息科学版） 2013年第7期38卷 799-804,884页

作者：温奇夏列钢李苓苓吴玮民政部国家减灾中心北京市朝阳区广百东路6号院100124 民政部减灾与应急工程重点实验室北京市朝阳区广百东路6号院100124 中国科学院遥感应用研究所北京市海淀区邓庄南路9号100101

通过对自动化样本选择方法进行研究,实现了局部区域内面向对象的土地覆被自动分类。首先通过模糊聚类获得影像中的候选对象样本,分别提取影像特征和先验知识中的地类特征,通过预设阈值完成样本初步筛选,然后根据先验知识进行半监督距离... 详细信息

通过对自动化样本选择方法进行研究,实现了局部区域内面向对象的土地覆被自动分类。首先通过模糊聚类获得影像中的候选对象样本,分别提取影像特征和先验知识中的地类特征,通过预设阈值完成样本初步筛选,然后根据先验知识进行半监督距离度量学习,完成样本的自动选择,并为最终的监督分类提供度量依据。应用舟曲泥石流灾区影像进行了实验,结果表明,本文方法与基于人工选择样本的分类结果精度非常接近,同时在多次实验中表现出较高的稳定性,相对人工方法更加客观,适合批量自动化处理。

关键词：灾害应急土地覆被分类样本自动选择特征提取特征匹配

基于多源数据和Stacking-SHAP方法的山地丘陵区土地覆被分类

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

农业工程学报 2022年第23期38卷 213-222页

作者：周亚男陈绘刘洪斌西南大学资源环境学院重庆400716 重庆市数字农业重点实验室重庆400716

山地丘陵区地形复杂,地表辐射信号畸变严重,地物识别困难。为准确提取山区地物信息,结合多源异构数据,Stacking集成学习和shapley addictive explanation(SHAP)方法展开土地覆被分类研究。从Sentinel-1/2影像、气候数据、土壤数据和数... 详细信息

山地丘陵区地形复杂,地表辐射信号畸变严重,地物识别困难。为准确提取山区地物信息,结合多源异构数据,Stacking集成学习和shapley addictive explanation(SHAP)方法展开土地覆被分类研究。从Sentinel-1/2影像、气候数据、土壤数据和数字高程图中提取遥感、气候、土壤和地形四类特征变量,设计多种变量组合方案,结合Stacking算法,探讨不同类型变量在山区地物识别中的效用,并对比Stacking最佳方案与支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)和极端梯度回归(eXtreme Gradient Boosting,XGBoost)算法的分类精度,评价Stacking方法在山区地物信息提取中的性能。同时,引入SHAP方法,量化Stacking模型中各特征变量的重要性。结果表明:在仅以遥感变量为基础方案时,山区土地覆被分类精度最低;在分别加入气候、土壤和地形变量后,总体精度、Kappa系数和F1分数均有所提高,其中旱地、水田和园地分类精度的提升幅度较大。基于Stacking算法结合所有类型特征变量的方案达到了最佳的分类精度,其总体精度、Kappa系数和F1分数分别为96.61%、0.96和94.81%,分类精度优于相同特征下的SVM、RF和XGBoost。SHAP方法可量化Stacking模型中特征变量的全局以及局部重要性,明确各变量对不同地物类型识别的相对贡献,为山区土地覆被分类的变量选择及优化提供有价值的信息。该研究可为机器学习协助复杂景观地区土地覆被制图研究提供技术支持和理论参考。

关键词：遥感多源数据土地覆被分类 Stacking算法 SHAP方法山地丘陵区

基于随机森林与特征选择的藏东南土地覆被分类方法及精度评价

在线全文

学校读者我要写书评

暂无评论

地理科学 2023年第3期43卷 388-397页

作者：张炳华张镱锂谷昌军魏博中国科学院地理科学与资源研究所陆地表层格局与模拟重点实验室北京100101 中国科学院大学北京100049

由于云污染、实地验证点的匮乏,以及地形地貌的复杂、破碎化,多云山区土地覆被的准确分类较难实现。以藏东南这一典型的多云山区及生态过渡区为研究区,基于Google Earth Engine(GEE)平台和野外实测数据,结合多光谱数据、雷达数据、高程... 详细信息

由于云污染、实地验证点的匮乏,以及地形地貌的复杂、破碎化,多云山区土地覆被的准确分类较难实现。以藏东南这一典型的多云山区及生态过渡区为研究区,基于Google Earth Engine(GEE)平台和野外实测数据,结合多光谱数据、雷达数据、高程数据、辅助数据,提取光谱特征、纹理特征、地形特征等信息,利用递归特征消除法对特征进行优化,并采用随机森林算法构建分类模型,以期有效利用多源遥感数据提高土地覆被分类精度。结果表明:(1)并非特征越多分类精度越高,特征选择后数量由58个减至38个,分类精度(总体精度93.96%,Kappa系数0.92)较未优化前(总体精度93.11%,Kappa系数0.92)略有提升。(2)地形特征及雷达特征对藏东南土地覆被分类具有重要作用,地形特征对多数土地覆被类型的分类精度具有影响,而雷达数据对裸地、建设用地、灌丛影响较大,分类过程中如不考虑地形及雷达特征,总体精度分别降至88.98%,92.48%。纹理特征以及时序特征仅对提高具有明显纹理以及时序变化的土地覆被类型的精度有帮助。结合随机森林和特征优化算法,能够在保证土地覆被分类精度的同时,高效整合多源数据信息,加快模型运算速度,为多云山区土地覆被分类提供切实可行的方法。

关键词：随机森林土地覆被分类 Google Earth Engine(GEE)平台特征优化藏东南

基于谐波分析和线性混合模型的河北平原区土地覆被分类研究

在线全文

学校读者我要写书评

暂无评论

地理与地理信息科学 2015年第3期31卷 98-103,F0003页

作者：张连翀王卫中国科学院遥感与数字地球研究所北京100094 中国科学院大学北京100049 河北师范大学资源与环境科学学院河北省环境演变与生态建设重点实验室河北石家庄050024

土地覆被分类是研究土地利用/覆被变化的基础数据和关键环节。以16d合成MODIS-EVI时间序列数据为主要数据源,采用谐波分析方法分析不同土地覆被类型的季节性变化规律和物候特征差异,引入谐波特征值构建线性混合模型,提取不同端元的丰度... 详细信息

土地覆被分类是研究土地利用/覆被变化的基础数据和关键环节。以16d合成MODIS-EVI时间序列数据为主要数据源,采用谐波分析方法分析不同土地覆被类型的季节性变化规律和物候特征差异,引入谐波特征值构建线性混合模型,提取不同端元的丰度值。从土地覆被类型较齐全、谐波特征具有代表性的石家庄地区高空间分辨率影像上选择训练样本,确定MODIS纯净像元和混合像元的划分阈值,对河北平原区进行土地覆被分类制图。结果表明,与河北省县级土地调查统计数据对比,一年两熟耕地、一年一熟耕地、园地及有林地、自然陆地表面的总量精度分别为90.19%、86.17%、85.96%和77.82%,平均总量精度为85.03%;与石家庄地区9个县(市)一年两熟耕地和一年一熟耕地基于TM的分类结果对比,平均面积相对误差分别为10.25%、13.98%。受粗空间分辨率和合成周期、水热条件以及种植模式破碎化限制,混合像元主要集中在河北平原中东部地区,一年两熟耕地、一年一熟耕地、园地及有林地混合面积比重较大。

关键词：谐波分析线性混合模型 MODIS时间序列混合像元土地覆被分类

在线全文

学校读者我要写书评

暂无评论

基于高分一号影像的土地覆被分类方法初探

干旱区地理 2016年第1期39卷 182-189页

作者：陈文倩丁建丽王娇袁泽李相黄帅新疆大学资源与环境科学学院绿洲生态教育部重点实验室新疆乌鲁木齐830046

高分一号是我国发射的第一颗高分辨率卫星,其包含地物信息较为丰富,较多的应用于土地覆被分类中,但高分影像普遍存在基于像元分类精度稍低的问题,为了提高遥感影像的分类精度,基于高分一号影像,以新疆艾比湖湿地保护区为研究样区进行土... 详细信息

高分一号是我国发射的第一颗高分辨率卫星,其包含地物信息较为丰富,较多的应用于土地覆被分类中,但高分影像普遍存在基于像元分类精度稍低的问题,为了提高遥感影像的分类精度,基于高分一号影像,以新疆艾比湖湿地保护区为研究样区进行土地覆被分类研究。利用灰度共生矩阵方法提取图像的纹理信息,并将结果作为参数量输入到支持向量机(SVM)分类器中,将研究结果与传统的SVM分类及最大似然分类法作对比分析可得:辅以纹理特征的SVM分类方法可更好的区分地物信息,分类精度高达93.64%;传统的SVM分类精度为92.27%;最大似然分类为87.90%;因地制宜的开展辅以纹理特征的SVM分类方法是提高土地覆被监测精度的有效手段。

关键词：高分一号土地覆被分类纹理特征 SVM

基于CNN的不同空间分辨率影像土地覆被分类研究

在线全文

学校读者我要写书评

暂无评论

遥感技术与应用 2020年第4期35卷 749-758页

作者：李宏达高小红汤敏青海师范大学地理科学学院青海省自然地理与环境过程重点实验室高原科学与可持续发展研究院青藏高原地表过程与生态保育教育部重点实验室青海西宁810008

基于卷积神经网络(Convolutional Neural Networks,CNN)和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引... 详细信息

基于卷积神经网络(Convolutional Neural Networks,CNN)和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引入了窗口滑动方法进行辅助选样。研究表明5种不同空间分辨率影像的总体分类精度均达89%以上,Kappa系数达0.86以上,分类精度较高。在所涉及的分辨率尺度范围内,空间分辨率越高,CNN分类结果越精细,并能保持较高的分类精度,表明CNN更适合高空间分辨率影像分类;但同时影像空间分辨率越高,地物表现出较高的类内变异性和低类间差异性,分类精度有降低的趋势。相比较而言,SPOT 6影像的分类精度最高,同时窗口滑动是一种有效的样本辅助选择方法。研究对今后同类工作具有一定的借鉴意义。

关键词： CNN Landsat-8/Sentinel-2A/SPOT-6/GF-2影像土地覆被分类

基于SEaTH的决策树方法在区域尺度土地覆被分类中的应用

在线全文

学校读者我要写书评

暂无评论

兰州大学学报（自然科学版） 2019年第1期55卷 11-18页

作者：王春燕王刘明张媛武磊王万瑞李常斌兰州大学学报编辑部兰州730000 兰州大学资源环境学院兰州730000

利用最大值合成法处理洮河流域2000年MODIS数据,得到归一化植被指数年最大值栅格数据,结合该区数字地面模型构造土地覆被分类数据集,采用SEaTH算法提取不同地类的特征阈值,构建决策树,对洮河青藏片区和黄土片区进行土地覆被分类,与NLCD-... 详细信息

利用最大值合成法处理洮河流域2000年MODIS数据,得到归一化植被指数年最大值栅格数据,结合该区数字地面模型构造土地覆被分类数据集,采用SEaTH算法提取不同地类的特征阈值,构建决策树,对洮河青藏片区和黄土片区进行土地覆被分类,与NLCD-2000数据相对比进行精度评价.结果表明:决策树法能够较好实现洮河流域主要地物的识别并反映其宏观分布格局.青藏片区地物分类的总体精度为74%, Kappa系数为0.71;黄土片区地物分类的总体精度为63.8%, Kappa系数为0.57;青藏片区的分类效果总体要好于黄土片区.与最大似然法相比,决策树法在青藏片区的分类精度提高约10%,黄土片区分类精度提高约5%.

关键词： SEaTH算法土地覆被分类归一化植被指数洮河流域