為研究我國首顆攜帶紅邊波段的高分六影像(GF-6)在林地與非林地上的識別貢獻,本文選擇復(fù)雜林地類型的安徽省黃山市作為研究區(qū),采用特征優(yōu)選(RFE)與隨機森林(RF)相結(jié)合的方法開展了林地與非林地識別潛力研究。首先根據(jù)實地調(diào)查、Google Earth影像及林地"一張圖"樣本數(shù)據(jù)構(gòu)建了樣本庫;然后基于DEM、多時相光譜特征、植被指數(shù)、紅邊指數(shù)等特征開展分類,并比較不同模型精度及不同變量的重要度。結(jié)果表明:GF-6紅邊信息對林地非林地識別較為重要,引入紅邊信息可將總體分類精度提升2%,其他新增波段及地形特征對林地與非林地識別貢獻并不明顯;多時相數(shù)據(jù)的運用相比單時相數(shù)據(jù)可整體提高林地類型的分類精度2.93%～4.1%,單時相分類結(jié)果 6月最好,9月次之,12月最差;特征優(yōu)選可以有效減少數(shù)據(jù)輸入維數(shù)(46到15),并取得最高分類精度,在不犧牲精度的同時保證了運算數(shù)據(jù)量的減少且明確了不同變量的貢獻,具有較強的應(yīng)用意義。

【文章頁數(shù)】：9 頁

【文章目錄】：
1 研究區(qū)域與數(shù)據(jù)
    1.1 研究區(qū)域概況
    1.2 數(shù)據(jù)及預(yù)處理
        1.2.1 遙感數(shù)據(jù)
        1.2.2 GF-6影像預(yù)處理
        1.2.3 樣本與驗證數(shù)據(jù)
2 研究方法
    2.1 特征集構(gòu)建
    2.2 隨機森林分類
    2.3 分類方案設(shè)計
    2.4 精度評價
3 結(jié)果與討論
    3.1 隨機森林分類最優(yōu)參數(shù)確定
    3.2 非特征優(yōu)選分類結(jié)果分析
    3.3 特征優(yōu)選分類結(jié)果
        3.3.1 特征選擇
        3.3.2 分類結(jié)果
        3.3.3 特征重要度分析
4 結(jié)論與展望



本文編號：3972298