多源数据与分类算法遥感信息提取与精度评价.docVIP

基于多元数据和不同分类算法的遥感影像信息提取及精度评价——以祁连山东段为例收稿日期： 接受日期： 收稿日期： 接受日期： ?基金项目：国家自然科学基金40671067）和国家创新研究群体科学基金（No[This project was supported by Nation Natural Science Foundation of China (NoNo; National Innovation Research Team Project (No] 作者简介：别强，男，生于19？？年，在读硕士。主要从事遥感与GIS应用研究。E-mail：bieq05@lzu.cn **通信作者：E-mail: HYPERLINK mailto:nanzhr@lzb.ac.cnnanzhr@lzb.ac.cn 别 强1，赵传燕2**，冯兆东1 （1. 兰州大学西部环境教育部重点实验室，兰州 730000；2. 兰州大学干旱与草地生态教育部重点实验室，甘肃 兰州 730000） 摘要：本文以祁连山东段典型山地系统为研究区，通过提取研究区TM影像的主成份、各类植被指数、基于灰度共生矩阵的影像纹理特征以及研究区地形特征，应用最优波段指数方法选取最优波段，并结合多种遥感分类算法进行分类研究。结果表明深度数据挖掘和最优波段的组合有利于分类精度的提高，通过比较本研究选取决策树分类方法，该方法在遥感信息提取中有直观的意义和较高分类精度。 关键词：信息提取；纹理提取；决策树分类；祁连山东段 1.引言 遥感影像分类的目的是将图像中每个像元按照某种规则或算法划分为不同的类别[1]，获得遥感影像中与实际地物的对应信息，如何把这些信息分类并提取出来，一直是遥感研究的重要课题之一[2]。 具有一定规模的自然区域，物质组成多样，地物在时空上相互交错，相互转换形成结构和形式各具特点的复杂混合体，导致同类地物光谱响应的多样化，使得“同物异谱，异物同谱”现象发生，基于原始光谱特征分类方法，难以取得较好的效果。众多研究表明，将遥感数据的光谱特征、纹理特征与多元地学辅助数据结合，发展多维信息复合的方法可以提高土地利用/土地覆盖分类的精度[3-4]。然而对多元遥感信息认识的不足使遥感数据中隐藏着的丰富信息远远没有得到充分的发掘与利用。本文综合应用地物光谱特征、空间特征以及知识，通过多元数据挖掘，利用最佳指数公式（the optimum index factor, OFI）选择出最佳特征子集，根据不同分类方法的对比，选择最佳分类方法，并得出研究区分类结果。 2 研究方法 2.1数据提取 2.1.1 植被指数的提取 植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。植被指数有助于增强遥感影像的解译力，并在专题制图方面增强了分类能力[5-6]。表1为本研究提取的几种植被指数。 表1 研究中提取的5种植被指数 Table 1 The five kinds of common used vegetation indexes 植被指数 特点 公式 比值植被指数 波段简单线性组合 （1） 垂直植被指数 消除土壤影响 （2） 修正植被指数 消除土壤背景影像 （3） 归一化植被指数 （4） 转换植被指数 对NDVI修正和发展 （5） 上表中：为近红外波段的反射率，为红色波段的反射率，a和b为调节系数。 2.1.2 遥感影像主成份分析 遥感影像的主成份变化是对遥感影像的多个波段做中心化和正交化的变换[7]，其目的就是把原来各波段中的有用信息集中到数目尽可能少的新的主成分图像中，达到信息综合与增强的目的，并使这些主成分图像之间互不相关，即各自包含不同的地物信息，同时使得原始图像的信息量损失最小[8]。 2.1.3 基于灰度共生矩阵的遥感影像纹理信息提取 纹理是遥感影像重要的特征之一，纹理信息的分析在遥感分类识别中呈现了日益重要的作用，本文主要应用比较成熟的基于灰度共生矩阵的纹理提取。 它是通过对图像灰度级之间二阶联合条件概率密度P(i，j}（d，θ)的计算来表示纹理。P(i，j|d，θ）是表示在给定空间距离d和方向θ时，以灰度级i为始点，出现灰度级j的概率。根据共生矩阵，Haralick定义了熵(Entropy)、对比度(Contrast)、能量(Energy)、相关(Correlation