基于机器学习的多特征融合高分辨率遥感影像土地利用分类研究

为了提高土地利用分类精度,本文以高分二号遥感影像作为基础实验数据,融合影像光谱信息、归一化植被指数(NDVI)和纹理信息形成多特征融合影像,分别采用神经网络分类方法和支持向量机分类方法对高分辨率遥感影像进行土地利用分类研究,并对两种分类方法结果进行分类精度对比。研究结果发现:1) 多特征融合影像分类精度优于单独使用研究区遥感影像波段光谱信息进行分类取得的精度,很大程度上提高了土地利用分类准确度。2) 与神经网络分类方法相比,基于多特征融合的支持向量机分类法分类斑块碎化程度较小,图斑完整性较好,地物错分漏分现象较少,并且从总体精度和Kappa系数来看,支持向量机分类法优于神经网络分类,且基于多特征融合影像的SVM分类总体精度达到了93.98%,Kappa系数为0.8981。因此基于多特征融合影像的SVM分类能够有效提高土地利用分类精度,可为土地利用监测和土地整治提供有效的数据和技术支持。