农作物种植面积的改进型混合像元判别分析法提取

根据线性混合模型原理提出了利用低分辨率高光谱的遥感数据计算农作物种植面积的新方法,改进型混合像元判别分析法,并运用中分辨率成像光谱仪(MODIS)数据计算了江陵县中稻和棉花的种植面积,以当天TM数据的监督分类法得出的种植面积作为标准对此方法进行了详细比较,并与其他两种常规方法作物光谱特性差异法和监督分类法进行比较。结果表明,改进的混合像元判别分析法误差最小,运用在混合像元为特性的MODIS数据上比较合适;作物光谱特性差异法原理简单、计算方便,但小面积地物区分效果差;监督分类法误差最大,不适合运用在低分辨率高光谱的MODIS数据上。

线性判别分析与主成分分析及其相关研究评述

线性判别分析(LDA)和主成分分析(PCA)都在各个领域有着重要的作用。他们各自抓住样本在特征空间的不同特征,一般情况下更趋向于使用LDA,因为LDA直接处理类间的分析问题,而PCA则没有突出类的结构。然而实验证明PCA在某些问题上又明显优于LDA。于是,改进或结合使用LDA与PCA成了非常必要的课题。现阶段在这个领域上已经有许多优秀的研究成果,本文简单的介绍了其中几种效果较好的相关分析方法,其中又以混合判别分析(HDA)最优。HDA不仅同时抓住了样本的判别信息和描述信息,使PCA与LDA在各种情况下达到平衡,而且在二维参数空间中提供了一系列的分析方法,更有利于解决小样本问题和高维问题。Boosted HDA的提出通过用迭代的方法改进弱分类器,避免了HDA复杂的参数搜索,并得到一种统一计算HDA的方法。文章将在第三部分引用一些已有的实验结果来验证HDA的优越性。