-
题名单变量特征选择的苏北地区主要农作物遥感识别
被引量:52
- 1
-
-
作者
王娜
李强子
杜鑫
张源
赵龙才
王红岩
-
机构
中国科学院遥感与数字地球研究所再生资源实验室
中国科学院大学资源与环境学院
-
出处
《遥感学报》
EI
CSCD
北大核心
2017年第4期519-530,共12页
-
基金
国家自然科学基金(编号:41571422
41301497)~~
-
文摘
遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。
-
关键词
单变量特征选择
光谱特征
植被指数特征
纹理特征
波段差值特征
-
Keywords
univariate feature selection, spectrum feature, Vegetation Index (VI) feature, texture feature, band difference features
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-