本文關鍵詞：基于MESMA和RF的山丘區(qū)土地利用信息分類提取　出處：《農業(yè)機械學報》2017年07期 　論文類型：期刊論文

  更多相關文章： 土地利用分類 中等空間分辨率 多端元混合像元分解 隨機森林 山丘區(qū)

【摘要】：探討了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和隨機森林(Random forest,RF)相結合的土地利用信息分類提取方法。以Landsat-8 OLI衛(wèi)星遙感影像為主要數據,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA將影像分解為植被、不透水面和裸土3類組分,將生成的3類組分變量和基于光譜、紋理信息計算選取的20個特征變量組合后開展RF分類實驗,將分類結果與相同特征變量下的支持向量機(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分類結果進行比較分析。結果表明:MESMA可以獲得較為精確的組分豐度信息;RF分類結果優(yōu)于相同特征變量下的SVM和MLC分類結果;在MESMA生成的組分信息變量參與分類后,3種方法的分類精度均有所改善,分別達90.50%、88.85%、86.35%,其中RF的分類精度改善最為顯著;MESMA與線性混合分解(Linear spectral mixture analysis,LSMA)生成的組分信息變量相比,前者對于改善分類精度效果更為明顯。MESMA對于提高影像分類精度起到一定積極作用,基于MESMA和RF的方法對中等空間分辨率影像山丘區(qū)土地利用信息分類提取精度較高,利用該方法開展遙感影像解譯可為大尺度的土地利用監(jiān)測和管理工作提供技術支持和理論參考。
[Abstract]:To investigate the decomposition of mixed pixels based on multi element (Multiple endmember spectral mixture analysis, MESMA) and random forest (Random forest, RF) of land use classification information extraction method combining with Landsat-8. OLI satellite remote sensing data, vegetation impervious surface - based on bare soil (Vegetation-impervious surface-soil, VIS) model, using MESMA image is decomposed into vegetation, impervious surface and bare soil of 3 kinds of components, will generate 3 group variables and based on spectral classification experiment to carry out RF, select the calculation of texture information of 20 variables combined with the classification results of support vector machine with the same characteristic variables (Support vector machine, SVM the maximum likelihood (Maximum), likelihood classification, MLC) classification results were compared and analyzed. The results show that MESMA can obtain more accurate component abundance information; RF classification results are better than the same Characteristic variables under the SVM and MLC classification results; information of variables involved in classification in MESMA generation group, the classification accuracy of the 3 methods were improved, up to 90.50%, 86.35%, 88.85% respectively, which improve the classification accuracy of RF was most significant; MESMA and linear mixture (Linear spectral mixture analysis, LSMA) generation the components of information variables to improve the classification accuracy compared to the former effect is more obvious to.MESMA certain positive role to improve the image classification accuracy, and the method of MESMA based on RF images of medium spatial resolution land use classification information extraction in hilly areas with higher precision, using the method of remote sensing image interpretation can provide technical support and theory the reference for large scale land use monitoring and management.

【作者單位】： 中國地質大學(北京)土地科學技術學院;國土資源部土地整治中心;
【基金】：國土資源部公益性行業(yè)科研專項(201511010-02)
【分類號】：F301.2;TP751
【正文快照】： 引言準確掌握國家土地資源利用信息是國家相關部門調整土地利用結構、合理開發(fā)土地資源、動態(tài)監(jiān)測土地利用狀況等工作的基礎[1]。土地資源與遙感數據在時空特性方面具有高度一致性,對土地資源的研究成為遙感技術應用的主要領域之一。過去數十年,國內外開展了大量研究,促使了遙

【相似文獻】

相關期刊論文 前10條

1 王麗婷;丁曉青;方馳;;基于隨機森林的人臉關鍵點精確定位方法[J];清華大學學報(自然科學版);2009年04期

2 康有;陳元芳;顧圣華;姚欣明;黃琴;湯艷平;;基于隨機森林的區(qū)域水資源可持續(xù)利用評價[J];水電能源科學;2014年03期

3 邱一卉;林成德;;基于隨機森林方法的異常樣本檢測方法[J];福建工程學院學報;2007年04期

4 馬昕;王雪;楊洋;;基于隨機森林算法的大學生異動情況的預測[J];江蘇科技大學學報(自然科學版);2012年01期

5 劉美菊;劉冬;劉劍;;隨機森林在群控電梯交通模式識別中的應用[J];機械設計與制造;2013年04期

6 姚登舉;楊靜;詹曉娟;;基于隨機森林的特征選擇算法[J];吉林大學學報(工學版);2014年01期

7 張曄;楊國田;;基于隨機森林的數據融合架空輸電線路鐵塔損傷識別[J];黑龍江科技信息;2014年20期

8 呂淑婷;張啟敏;;一類帶Poisson跳的隨機森林發(fā)展系統(tǒng)數值解的穩(wěn)定性[J];蘭州理工大學學報;2012年03期

9 陳海利;孫志偉;龐龍;;基于隨機森林的文本分類研究[J];科技創(chuàng)新與應用;2014年02期

10 莊進發(fā);羅鍵;彭彥卿;黃春慶;吳長慶;;基于改進隨機森林的故障診斷方法研究[J];計算機集成制造系統(tǒng);2009年04期

相關會議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標檢測中的應用[A];第六屆和諧人機環(huán)境聯合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達數據分析的隨機森林方法及算法改進[A];黑龍江省第十次統(tǒng)計科學討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機森林結合激光誘導擊穿光譜技術用于的鋼鐵分類[A];中國化學會第29屆學術年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉嬓шP系研究[A];第十一屆全國計算（機）化學學術會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機森林回歸分析方法及在代謝組學中的應用[A];2011年中國衛(wèi)生統(tǒng)計學年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應用[A];第八屆全國轉子動力學學術討論會論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計算(機)化學學術會議論文摘要集[C];2009年

相關博士學位論文 前6條

1 張乾;基于隨機森林的視覺數據分類關鍵技術研究[D];華南理工大學;2016年

2 薛小明;基于時頻分析與特征約簡的水電機組故障診斷方法研究[D];華中科技大學;2016年

3 曹正鳳;隨機森林算法優(yōu)化研究[D];首都經濟貿易大學;2014年

4 雷震;隨機森林及其在遙感影像處理中應用研究[D];上海交通大學;2012年

5 岳明;基于隨機森林和規(guī)則集成法的酒類市場預測與發(fā)展戰(zhàn)略[D];天津大學;2008年

6 李書艷;單點氨基酸多態(tài)性與疾病相關關系的預測及其機制研究[D];蘭州大學;2010年

相關碩士學位論文 前10條

1 錢維;藥品不良反應監(jiān)測中隨機森林方法的建立與實現[D];第二軍醫(yī)大學;2012年

2 韓燕龍;基于隨機森林的指數化投資組合構建研究[D];華南理工大學;2015年

3 賀捷;隨機森林在文本分類中的應用[D];華南理工大學;2015年

4 張文婷;交通環(huán)境下基于改進霍夫森林的目標檢測與跟蹤[D];華南理工大學;2015年

5 李強;基于多視角特征融合與隨機森林的蛋白質結晶預測[D];南京理工大學;2015年

6 朱玟謙;一種收斂性隨機森林在人臉檢測中的應用研究[D];武漢理工大學;2015年

7 肖宇;基于序列圖像的手勢檢測與識別算法研究[D];電子科技大學;2014年

8 李慧;一種改進的隨機森林并行分類方法在運營商大數據的應用[D];電子科技大學;2015年

9 趙亞紅;面向多類標分類的隨機森林算法研究[D];哈爾濱工業(yè)大學;2014年

10 黎成;基于隨機森林和ReliefF的致病SNP識別方法[D];西安電子科技大學;2014年

，

本文編號：1412082