一种基于多特征组合的EnMap-BOX土地利用分类方法研究

为研究多特征组合在国产高分卫星影像土地利用分类中的应用效果,本文采用GF6-WFV多光谱影像数据,构建基于光谱波段、植被指数、纹理特征的多特征组合,并采用ReliefF算法进行特征优选获取信息量冗余较小的优选特征集合,结合EnMap-BOX工具包寻优改进的SVM算法中惩罚参数C和核函数系数g获取最优分类模型,对研究区进行分类。结果表明:1)特征选择能够较好地降低多特征集合的信息量冗余。2)基于特征选择的改进SVM算法模型能获取较高的土地利用分类精度,总体精度达到82.89%,Kappa系数达到0.78,可以为土地利用分类提供一种具有较高应用价值的方法。

基于EnMAP-Box的遥感图像分类研究

采用2007年6月云南省勐腊县TM遥感数据,利用EnMAP-box进行了支持向量机的图像分类研究,以网格搜索法寻找最优参数,在设定的范围内,求得了最优C和g参数,用此参数进行支持向量机的遥感图像土地覆盖分类。结果表明:SVM方法较最大似然分类方法具有较高的分类精度,特别是阔叶林和橡胶林的精度明显优于最大似然分类方法;对于面积较小的次要类型,2种分类方法的精度基本保持一致;SVM的总体精度相对于最大似然分类提高了11.9%。

多特征组合的TM影像EnMap-Box土地利用分类

为研究多特征组合对提高遥感影像土地利用分类精度的作用,以云南省洱源县作为研究区域,利用EnMAP-Box软件对选取的多特征组合向量进行支持向量机(support vector machines,SVM)分类。本文选取了绿度植被指数、归一化建筑指数及基于灰度共生矩阵提取的纹理信息和最优波段组合等光谱特征构成分类多特征组合向量,通过EnMAP-Box软件寻优SVM最佳分类模型对多特征组合向量进行遥感影像土地利用分类。同时选择了云南省思茅区验证此法的适用性。结果表明,基于多特征组合的支持向量机分类法其总体分类精度为90.73%,分别比最大似然分类法高13%左右,比原始波段影像的分类精度高大约7%左右,另一验证区域精度结果表明此法具有一定适用性。