论文部分内容阅读
遥感技术的快速发展与广泛应用,使得我们在信息读取过程中变得更加方便,更加丰富。遥感影像分类就是对这些数据加以处理,并进行应用。因此,在遥感影像研究中分类方法的选择是一个非常关键的环节,如何对多类别图像进行识别并且满足一定的精度,则是的一个非常关键的问题,选用合理的分类方法有助于提高分类精度,具有十分重要的意义。本文以山西省洪洞县为研究区,以2014年3月21日的Landsat8 OLI遥感图像为数据源,利用最大似然法(MLC)、人工神经网络法(ANN)、支持向量机法(SVM)三种分类方法,对研究区不同地貌单元下遥感图像进行了分类,并且对分类精度进行对比分析,通过精度评价来确定适合不同地貌单元的分类方法,为今后研究区土地利用/土地覆被数据的快速获取提供借鉴。主要研究结论如下:(1)本研究采用最大似然法(MLC)、人工神经网络(ANN)和支持向量机(SVM)三种方法,对研究区土地利用/覆盖分类进行信息提取。研究表明,使用支持向量机(SVM)和人工神经网络(ANN)进行遥感影像分类,可以有效地提高分类精度,且分类精度比最大似然法(MLC)高,其中支持向量机(SVM)分类精度高于人工神经网络(ANN)和最大似然法(MLC),分类结果最接近实际值,能更好地区分土地利用地类。(2)不同地貌单元下,三种分类法应用于平原区和山地丘陵区,分类结果均是支持向量机(SVM)分类法优于最大似然法(MLC)和人工神经网络(ANN)分类法。支持向量机(SVM)对林地的分类精度为平原区较山地丘陵区低;对耕地和建设用地的分类精度则是山地丘陵区低于平原区。因此,支持向量机(SVM)分类法可作为不同地貌单元信息提取和监测研究的优选方案。(3)不同样本单元下,使用不同分类方法,遥感影像分类结果不同。研究发现大样本单元下的遥感影像分类,支持向量机(SVM)和人工神经网络(ANN)分类法均需要更长的学习时间,而在小样本单元下只需较短的学习时间,且支持向量机法的学习时间更少,分类精度也更高。三种分类方法的遥感图像分类总体精度显示为:大样本单元较小样本单元分类精度低。(4)小样本单元下,采用改进后的人工神经网络进行土地类型的分类,可有效提高分类精度,且精度高于最大似然法(MLC)。改进后的人工神经网络分类总精度达到了93.22%以上,且Kapp系数达到了0.8674,分类结果最接近实际值,能更好地区分土地利用地类。(5)通过以上分析结果,不同地貌单元下遥感图像分类优选支持向量机(SVM)分类法。山地丘陵区的遥感影像分类:耕地优选人工神经网络法(ANN),林地和建设用地优选支持向量机法(SVM),其他建设用地优选最大似然法(MLC)。平原区的遥感影像分类:耕地和水域优选支持向量机法(SVM),林地优选最大似然法(MLC),建设用地优选人工神经网络法(ANN)。小样本单元的遥感图像使用支持向量机法(SVM),其分类精度最高,且分类时长更短。因此,可以根据不同地貌单元及不同分类方法,选择不同地类信息提取和监测研究的优选方案。