选取2015年10月至2016年6月冬小麦生长期9个关键时相的GF-1 WFV影像为数据源,综合多时相的光谱特征、植被指数特征与纹理特征,设置4组特征组合方案进行对比分析;并根据特征重要性进行特征选择,得到最优的特征子集建立随机森林分类模型,...选取2015年10月至2016年6月冬小麦生长期9个关键时相的GF-1 WFV影像为数据源,综合多时相的光谱特征、植被指数特征与纹理特征,设置4组特征组合方案进行对比分析;并根据特征重要性进行特征选择,得到最优的特征子集建立随机森林分类模型,对河南省许昌市地物类型进行分类并实现冬小麦种植面积的提取。结果表明:在没有进行特征选择的情况下,4种特征组合中,综合多种特征类型的D组分类精度最高,经过特征选择后,各组分类精度均得到不同程度的提高,说明通过多种类型的特征变量综合与特征优选均可有效地提高分类精度;不同特征类型以及不同时相的特征变量对分类的贡献率不同,贡献率由大到小为植被指数、光谱指数、纹理特征,冬小麦生长季的2月、3月、5月、6月比其他月份对分类精度的贡献率更高;河南省许昌市冬小麦面积为2258.7 km 2,分类的总体精度达到95.18%,Kappa系数为0.9255,其中冬小麦的制图精度与用户精度均达到98.67%。展开更多
文摘选取2015年10月至2016年6月冬小麦生长期9个关键时相的GF-1 WFV影像为数据源,综合多时相的光谱特征、植被指数特征与纹理特征,设置4组特征组合方案进行对比分析;并根据特征重要性进行特征选择,得到最优的特征子集建立随机森林分类模型,对河南省许昌市地物类型进行分类并实现冬小麦种植面积的提取。结果表明:在没有进行特征选择的情况下,4种特征组合中,综合多种特征类型的D组分类精度最高,经过特征选择后,各组分类精度均得到不同程度的提高,说明通过多种类型的特征变量综合与特征优选均可有效地提高分类精度;不同特征类型以及不同时相的特征变量对分类的贡献率不同,贡献率由大到小为植被指数、光谱指数、纹理特征,冬小麦生长季的2月、3月、5月、6月比其他月份对分类精度的贡献率更高;河南省许昌市冬小麦面积为2258.7 km 2,分类的总体精度达到95.18%,Kappa系数为0.9255,其中冬小麦的制图精度与用户精度均达到98.67%。