基于高景一号遥感影像的林地信息提取

发布时间：2024-05-12 21:47

　　【目的】及时、准确地掌握林地信息是森林经营管理的前提,高分辨率遥感影像为林地信息精细识别提供了可能。【方法】以当阳市玉泉乡为研究区,以国产卫星高景一号(SV-1)遥感影像为数据源,提取各波段光谱信息和植被指数作为分类特征,采用特征可分性、重要性及特征间冗余度分别构建了4种特征评价准则,基于支持向量机(SVM)分类器对研究区进行林地信息提取,结合森林资源二类调查结果进行精度验证。【结果】1)评价准则中,特征重要性优于可分性,特征可分性受高度相关的特征组合(如OSAVI和NDVI等)的影响会造成分类精度的下降。2)在特征重要性和可分性的基础上结合特征间冗余度能进一步提高分类精度并有效降低特征维数,特征维数由11维降至8维,特征可分性方法和特征重要性的分类精度分别提高了4.65%和4.58%;3)根据特征重要性结合冗余度选择RGVI、EVI、B₁、B₃、B₂、DVI、RVI、Brightness 8个特征,建立SVM线性核分类模型可以达到最优分类效果,总体分类精度高达92.49%,Kappa系数为0.908 4。【结论】SV-...

【文章页数】：9 页

【部分图文】：

图1研究区位置

高景一号01/02卫星数据是我国商业遥感卫星系统的首发星。全色波段空间分辨率为0.5m，多光谱波段设置有蓝、绿、红以及近红外4个波段，空间分辨率为2m。景幅达60km×70km，重访周期仅1d，在大面积地表观测中具有独特优势[24]。研究区影像的接收时间为2018年10....

图2分类特征的特征重要性和特征可分性度量

通过计算，得到12个特征的特征重要性和特征可分性（图2）及特征间冗余度（图3），最终根据5种准则对特征排序的结果如表2所示。图2中，折线部分代表特征可分性，NDVI、OSAVI、RVI对各地类的可分性较高，RGVI和NDWI次之，而单波段的可分性均比较低；柱状部分代表特征重要性，....

图3分类特征的相关系数矩阵

图2中，折线部分代表特征可分性，NDVI、OSAVI、RVI对各地类的可分性较高，RGVI和NDWI次之，而单波段的可分性均比较低；柱状部分代表特征重要性，从特征重要性来看RGVI、RVI对分类准确率的贡献较大。而单波段中蓝光波段特征重要性偏高，NDVI特征重要性偏低，与特征可分....

图45种准则下分类精度与特征维数的关系

支持向量机中常用核函数一般是线性核函数和高斯核函数。当训练样本数与特征维数的比值过大时，使用高斯核进行映射将导致计算复杂和过拟合问题，因此本研究采用线性核函数进行分类。根据表2的分类特征顺序依次放入SVM线性核分类器，分类精度与特征维数的关系如图4表示。由图4可以看出，分类精度随....

本文编号：3971943