西北旱区遥感影像分类的支持向量机法

发布时间：2018-05-07 01:16

  本文选题：遥感应用 + 西北旱区　； 参考：《测绘科学》2017年01期

【摘要】：针对较大范围、不同时相、不同气候和地貌类型的遥感影像的土地利用现状分类问题,提出了一种结合标准植被指数和纹理特征的支持向量机法。此方法改进了陕西延安、甘肃嘉峪关和青海果洛的遥感影像分类,有效地解决了最大似然法和BP神经网络法的缺陷造成的分类精度不高的问题。分类结果表明:与最大似然法和BP神经网络法相比,结合标准植被指数和纹理特征的支持向量机法的分类总精度最高(97.75%),Kappa系数为0.9691。该方法可为西北旱区遥感影像解译和土地资源可持续发展战略提供方法支撑。
[Abstract]:A support vector machine (SVM) method based on standard vegetation index and texture features is proposed for land use classification of remote sensing images with large range, different phases, different climatic and geomorphological types. This method improves the classification of remote sensing images in Yan'an, Jiayuguan and Guoluo, Qinghai Province, and effectively solves the problem of low classification accuracy caused by the defects of maximum likelihood method and BP neural network method. The classification results show that compared with the maximum likelihood method and BP neural network method, the total accuracy of SVM combined with standard vegetation index and texture features is the highest (97.7575) and the Kappa coefficient is 0.9691. This method can provide method support for interpretation of remote sensing image and sustainable development strategy of land resources.
【作者单位】： 西北农林科技大学资源环境学院;
【基金】：国家科技支撑计划子课题项目(2011BAD29B09-1-1C) 中央高校基本科研业务费专项资金项目(QN2012042) 西北农林科技大学博士科研启动基金项目(201104050395)
【分类号】：P237

【相似文献】

相关期刊论文 前10条

1 贾坤;李强子;田亦陈;吴炳方;;遥感影像分类方法研究进展[J];光谱学与光谱分析;2011年10期

2 朱丹瑶;;遥感影像分类方法研究[J];黑龙江科技信息;2012年33期

3 刘萌伟;曾广鸿;袁国辉;裴亚波;杨子力;;基于基因表达式编程的遥感影像分类方法研究[J];安阳工学院学报;2013年04期

4 孙立新,罗高平,张怡梅;遥感影像分类的归类学习方法[J];测绘工程;1998年03期

5 李爽,丁圣彦,许叔明;遥感影像分类方法比较研究[J];河南大学学报(自然科学版);2002年02期

6 黄艳;张超;苏伟;岳安志;;合理尺度纹理分析遥感影像分类方法研究[J];国土资源遥感;2008年04期

7 余洁;郭培煌;陈品祥;张中山;软文斌;;基于改进的模糊c-均值聚类方法遥感影像分类研究(英文)[J];Geo-Spatial Information Science;2008年02期

8 温兆飞;张树清;陈春;刘春悦;李晓峰;李华朋;;三江源区湖泊和沼泽遥感影像分类研究[J];湿地科学;2010年02期

9 付博;谢振红;邓彩群;;改进的角度余弦方法在湿地遥感影像分类中的应用[J];吉林建筑工程学院学报;2010年04期

10 胡杏花;朱谷昌;徐文海;刘欢;李智峰;郑纬;;基于分形纹理的遥感影像分类研究[J];矿床地质;2010年S1期

相关会议论文 前10条

1 刘忠阳;陈怀亮;杜子璇;邹春辉;;基于决策树方法的Landsat7 ETM+遥感影像分类研究[A];农业生态与卫星遥感应用技术学术交流会论文摘要集[C];2006年

2 王珊珊;季民;高洁;焦其松;;CBR方法在高分辨率遥感影像分类中的应用[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

3 汤家法;;基于可拓分类器的遥感影像分类[A];第十七届中国遥感大会摘要集[C];2010年

4 巫兆聪;;RBF网络的粗糙表示与遥感影像分类应用[A];第十三届全国遥感技术学术交流会论文摘要集[C];2001年

5 杨剑;蒲英霞;何一鸣;;基于Getis的遥感影像分类研究[A];中国地理学会百年庆典学术论文摘要集[C];2009年

6 赵泉华;宋伟东;鲍勇;;基于分形纹理的BP神经网络遥感影像分类[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年

7 王梁;韩坤英;;分形理论在遥感影像分类中的应用[A];第十二届全国数学地质与地学信息学术研讨会论文集[C];2013年

8 汪东川;龚建华;张利辉;;基于时间序列轨迹分析的遥感影像分类结果联合校正[A];第十七届中国遥感大会摘要集[C];2010年

9 罗小波;刘明皓;;基于优化的BP神经网络遥感影像分类[A];2006年中国土地学会学术年会论文集[C];2006年

10 ;结合光谱、纹理与形状特征的高空间分辨率遥感影像分类(英文)[A];中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会论文集[C];2009年

相关博士学位论文 前9条

1 王巍;基于Agent的遥感影像分类方法及其应用研究[D];中国地质大学(北京);2016年

2 任广波;基于半监督学习的遥感影像分类技术研究[D];中国海洋大学;2010年

3 谭琨;基于支持向量机的高光谱遥感影像分类研究[D];中国矿业大学;2010年

4 巫兆聪;粗集理论在遥感影像分类中的应用[D];武汉大学;2004年

5 易俐娜;面向对象遥感影像分类不确定性分析[D];武汉大学;2011年

6 胥海威;基于改进随机聚类决策森林算法的遥感影像分类研究[D];中南大学;2012年

7 徐盛;基于主题模型的高空间分辨率遥感影像分类研究[D];上海交通大学;2012年

8 刘志刚;支撑向量机在光谱遥感影像分类中的若干问题研究[D];武汉大学;2004年

9 丁胜;智能优化算法在高光谱遥感影像分类中的应用研究[D];武汉大学;2010年

相关硕士学位论文 前10条

1 吴聪;面向对象的高分辨率遥感影像分类在卫片执法中的应用研究[D];昆明理工大学;2015年

2 周杨;面向对象的高分辨率遥感影像分类技术研究[D];中国地质大学(北京);2015年

3 李奇峰;结合多特征描述和SVM的遥感影像分类研究[D];郑州大学;2015年

4 宋晓阳;面向对象的遥感分类系统研究[D];南京农业大学;2014年

5 张静;西北旱区遥感影像分类方法研究[D];西北农林科技大学;2016年

6 王慧;融合各最优尺度下特征的高分辨率遥感影像分类[D];南京信息工程大学;2016年

7 姚啸;面向对象的高分遥感影像分类在森林蓄积量估测中的应用研究[D];西安科技大学;2015年

8 麦超;基于稀疏约束受限玻尔兹曼机的高分辨率遥感影像分类[D];长安大学;2016年

9 崔姗姗;基于Hadoop平台下森林景观遥感影像分类技术研究[D];东北林业大学;2016年

10 陈珂;遥感影像分类结果的空间抽样精度检验方法研究[D];上海海洋大学;2016年

，

本文编号：1854748