• 主题
高级搜索  >
历史搜索 清空历史
首页> 中文学位 >不同地貌单元下遥感影像分类方法的比较研究
【6h】

不同地貌单元下遥感影像分类方法的比较研究

代理获取
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

遥感技术的快速发展与广泛应用，使得我们在信息读取过程中变得更加方便，更加丰富。遥感影像分类就是对这些数据加以处理，并进行应用。因此，在遥感影像研究中分类方法的选择是一个非常关键的环节，如何对多类别图像进行识别并且满足一定的精度，则是的一个非常关键的问题，选用合理的分类方法有助于提高分类精度，具有十分重要的意义。
　　本文以山西省洪洞县为研究区，以2014年3月21日的Landsat8 OLI遥感图像为数据源，利用最大似然法（MLC）、人工神经网络法（ANN）、支持向量机法（SVM）三种分类方法，对研究区不同地貌单元下遥感图像进行了分类，并且对分类精度进行对比分析，通过精度评价来确定适合不同地貌单元的分类方法，为今后研究区土地利用/土地覆被数据的快速获取提供借鉴。主要研究结论如下：
　　（1）本研究采用最大似然法（MLC）、人工神经网络（ANN）和支持向量机（SVM）三种方法，对研究区土地利用/覆盖分类进行信息提取。研究表明，使用支持向量机（SVM）和人工神经网络（ANN）进行遥感影像分类，可以有效地提高分类精度，且分类精度比最大似然法（MLC）高，其中支持向量机（SVM）分类精度高于人工神经网络（ANN）和最大似然法（MLC），分类结果最接近实际值，能更好地区分土地利用地类。
　　（2）不同地貌单元下，三种分类法应用于平原区和山地丘陵区，分类结果均是支持向量机（SVM）分类法优于最大似然法（MLC）和人工神经网络（ANN）分类法。支持向量机（SVM）对林地的分类精度为平原区较山地丘陵区低；对耕地和建设用地的分类精度则是山地丘陵区低于平原区。因此，支持向量机（SVM）分类法可作为不同地貌单元信息提取和监测研究的优选方案。
　　（3）不同样本单元下，使用不同分类方法，遥感影像分类结果不同。研究发现大样本单元下的遥感影像分类，支持向量机（SVM）和人工神经网络（ANN）分类法均需要更长的学习时间，而在小样本单元下只需较短的学习时间，且支持向量机法的学习时间更少，分类精度也更高。三种分类方法的遥感图像分类总体精度显示为：大样本单元较小样本单元分类精度低。
　　（4）小样本单元下，采用改进后的人工神经网络进行土地类型的分类，可有效提高分类精度，且精度高于最大似然法（MLC）。改进后的人工神经网络分类总精度达到了93.22％以上，且Kapp系数达到了0.8674，分类结果最接近实际值，能更好地区分土地利用地类。
　　（5）通过以上分析结果，不同地貌单元下遥感图像分类优选支持向量机（SVM）分类法。山地丘陵区的遥感影像分类：耕地优选人工神经网络法（ANN），林地和建设用地优选支持向量机法（SVM），其他建设用地优选最大似然法（MLC）。平原区的遥感影像分类：耕地和水域优选支持向量机法（SVM），林地优选最大似然法（MLC），建设用地优选人工神经网络法（ANN）。小样本单元的遥感图像使用支持向量机法（SVM），其分类精度最高，且分类时长更短。因此，可以根据不同地貌单元及不同分类方法，选择不同地类信息提取和监测研究的优选方案。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号