论文部分内容阅读
遥感技术是土地利用/覆盖信息获取的主要手段,而在土地利用/覆盖信息的获取中遥感影像分类方法又是一个非常重要的环节,方法的选取适当与否直接影响分类的精度。传统的遥感影像分类方法仅基于像元计算机自动分类,且只使用光谱特征参与分类,分类精度达不到预期的要求,有必要不断探索新的遥感分类技术方法。在经过分析和总结国内外相关研究成果的基础上,以Landsat-8OLI遥感影像数据为主要数据源,以香格里拉市为试验区,探讨基于面向对象的决策树土地利用/土地覆盖遥感分类方法的适宜性和精度。主要研究内容和结论如下:1.基于面向对象的决策树分类过程。研究认为,基于面向对象的决策树分类主要包括以下步骤:研究区影像预处理、影像分割与对象特征提取、数据挖掘的训练样本选取与决策树规则构建、研究区影像分类。最为关键的是影像分割,不同方法分割出的结果不一样,影像分割的好坏直接影响着分类流程中的后续环节;其次,不同的特征变量对影像分类的辅助作用不同,选用哪些特征变量辅助影像分类需要进行大量的实验做对比分析。2.香格里拉市试验区的实验研究。(1)影像分割与特征提取:经过反复实验对比分析认为采用多尺度分割的方法进行影像分割出的影像对象是最适合进行分类的对象,其中分割尺度为40,形状权重取0.1,紧凑度权重取值为0.6;选取7个影像波段(B1-B7)、4个植被指数(NDVI、RVI、DVI和MSAVI)、1个水体指数(NDWI)、基于影像波段(B1-B7)主成份分析的前3个变量(PCI-PC3)、1个形状特征Length/Width以及8个纹理特征(Mean、StdDev、Homogeneity等)共27个特征变量辅助原始影像分类。(2)经分类结果精度评价认为:研究区基于第五组特征变量组合的C5.0决策树算法和基于第四组特征变量组合的CART决策树算法的分类结果的Kappa系数分别为0.844和0.769,分类总精度分别为85.8%和79.0%,均高于其它几组特征变量组合分类结果精度和最大似然分类结果的精度(Kappa系数为0.699,分类总精度为72.4%)。说明基于面向对象的决策树分类方法能够充分利用辅助数据进行分类,有效提高分类精度,比传统的分类方法精度高。而决策树C5.0算法的分类精度又要高于CART算法。说明基于面向对象的决策树分类方法较传统的分类方法精度高,是一种有效的土地利用分类手段。(3)试验区土地类型。采用基于第五组特征变量组合的C5.0决策树算法对试验区土地覆盖遥感分类:耕地面积为287.6892平方公里,林地面积为5632.4912平方公里,草地面积为700.9399平方公里,建筑用地面积为89.562平方公里,未利用地面积为40.7102平方公里,湿地面积为60.2905平方公里,水体面积为84.56689平方公里,冰川积雪面积为189.0577平方公里,其它地物面积为639.7567平方公里。每一类地物分布的区域规则也不一样,如冰川积雪主要分布在B1>687.846且DEM>3614.86的区域。虽然基于面向对象的决策树分类方法精度较高,但在选取最优特征变量组合时,仍需进行大量的实验,会花费较多时间。如何能够高效率的选取出最优特征变量组合还需要进行深入的研究。