基于RapidEye影像的典型植被要素提取

发布时间：2017-09-08 04:30

  本文关键词：基于RapidEye影像的典型植被要素提取

  更多相关文章： RapidEye 植被分类 决策树算法 特征选择 红边

【摘要】：植被作为地理国情监测中重要的监测对象，对人类的生态环境质量有着深远的影响。自然界的植被类型复杂多样，传统的利用人工进行实地调查的方法要耗费大量人力和物力，近年来日益成熟的遥感技术为植被的分类和识别提供了一条新的途径。遥感影像全面真实地记录了地表植被与环境的信息，不同的植被类型由于其波谱特性不同，这使得对它们的区分成为可能。随着遥感技术的提高，高分辨率影像使得影像的空间信息、地物几何结构和纹理信息更加明显，使得植被类型判读的精度大大提高。 本文针对RapidEye高分辨率遥感影像光谱、纹理、结构等空间特征丰富的特点，以地物要素特征库为基础，结合不同时相不同传感器的影像和不同的分类方法，对植被类型进行提取。本文具体做了以下工作： （1）本文通过改进AdaBoost算法与决策树的结合方式以及最终的预测函数，，构造了一种新的组合决策树算法AdaTree.WL。通过与SVM算法的对比，客观评价两种分类算法的优势和不足。研究表明，改进的决策树分类算法在总体分类精度上优于SVM算法，但对单一地类，两者各有优劣：AdaTree.WL算法在提取多数植被类型时效果较好，而SVM在提取建设用地等地物类型时效果优于AdaTree.WL算法。 （2）针对高分辨率影像分类可选特征繁多，存在冗余的问题，本文构造了两种特征选择模型，首先使用决策树分类器CART（分类与回归树）计算特征对分类的贡献度，通过大量实验，初步筛选出一组特征；然后，采用基于相关性的特征选择模型，逐步剔除相关性大和干扰性大的冗余特征，并将筛选出的特征组用实例验证分类效果。实验表明，经过优化的特征组能大大提高植被类型的分类精度与速度。 （3）本文研究了RapidEye影像特有的红边波段与植被分类的关系，实验表明红边波段的加入使GLC树分类和SVM分类精度分别提高了2.45%和10.12%。除此，本文还提出基于多时相特征和纹理特征的两种植被分类方法。基于多时相特征的方法使GLC树分类和SVM分类精度分别提高了7.47%和6.29%；结合纹理的分类方法使GLC树分类和SVM分类精度分别提高了3.91%和2.56%。
【关键词】：RapidEye 植被分类 决策树算法 特征选择 红边
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：Q948;P237
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-8
• 目录8-10
• Contents10-12
• 图清单12-14
• 表清单14-16
• 1 绪论16-24
• 1.1 研究背景与研究意义16-17
• 1.2 国内外研究现状17-21
• 1.3 研究内容与技术路线21-24
• 2 RapidEye 高分影像预处理24-30
• 2.1 RapidEye 影像特性24-25
• 2.2 RapidEye 预处理模型25-27
• 2.3 RapidEye 彩色合成权重优选模型27-29
• 2.4 本章小结29-30
• 3 面向对象分类方法与关键技术30-43
• 3.1 影像分割30-36
• 3.2 基于 AdaBoost 算法的 GLC 决策树分类器36-39
• 3.3 支持向量机分类法39-41
• 3.4 分类后精度评价41
• 3.5 本章小结41-43
• 4 特征分析与特征选择43-63
• 4.1 高分影像分类常用特征分析43-47
• 4.2 针对 RapidEye 影像的特征选择47-54
• 4.3 RapidEye 影像中红边波段对分类精度的影响分析54-59
• 4.4 基于多时相 RapidEye 影像的分类研究59-60
• 4.5 基于纹理特征的 RapidEye 影像分类研究60-61
• 4.6 本章小结61-63
• 5 基于特征选择的 RapiEeye 影像分类应用实例63-69
• 5.1 数据选择与处理63-64
• 5.2 样本选择方案64-66
• 5.3 影像分割与特征提取66
• 5.4 分类结果与分析66-69
• 6 结论与展望69-71
• 6.1 结论69
• 6.2 展望69-71
• 参考文献71-75
• 作者简历75-77
• 学位论文数据集77

【参考文献】

中国期刊全文数据库 前10条

1 吴露露;袁伟志;罗旭;冯仲科;李雪梅;;基于高分辨率卫星影像绿色信息提取的最佳假彩色合成方法及评价研究[J];北京林业大学学报;2008年S1期

2 陈启浩;高伟;刘修国;;辅以纹理特征的高分辨率遥感影像分类[J];测绘科学;2008年01期

3 雷群英;;高分辨率卫星影像挂图制作技术探讨[J];测绘技术装备;2006年03期

4 杜培军;林卉;孙敦新;;基于支持向量机的高光谱遥感分类进展[J];测绘通报;2006年12期

5 熊兴华,钱曾波,王任享;遗传算法与最小二乘法相结合的遥感图像子像素匹配[J];测绘学报;2001年01期

6 尤淑撑;刘顺喜;;一种顾及先验知识与光谱信息的土地利用/覆被遥感分类方法[J];地理与地理信息科学;2010年03期

7 张文安;SPAD-501型叶绿素仪在测定水稻叶绿素含量中的应用[J];贵州农业科学;1991年04期

8 邓媛媛;巫兆聪;易俐娜;胡忠文;龚正娟;;面向对象的高分辨率影像农用地分类[J];国土资源遥感;2010年04期

9 韦春桃;王宁;张利恒;原凯敏;邹tD;;基于纹理特征的高分辨率遥感影像分类方法[J];桂林理工大学学报;2013年01期

10 朱程辉,陈昕,王金玲;基于RBF神经网络在图像分割参数估计的应用[J];计算机工程与应用;2003年30期

中国博士学位论文全文数据库 前1条

1 鞠昌华;利用地—空高光谱遥感监测小麦氮素状况与生长特征[D];南京农业大学;2008年

本文编号：811886