【摘要】：針對如何選擇遙感影像面向地理對象分類方法的問題,該文面向地理國情普查中的地表覆蓋分類應用,以3個典型區(qū)域(山區(qū)、平原、城區(qū))的多源高分辨率遙感影像為實驗數據,從分類效果、分類精度等方面對比分析3種分類方法(支持向量機、決策樹、隨機森林)的優(yōu)劣。在相同影像分割、特征提取、樣本采集條件下,通過333組分類實驗,得出以下規(guī)律:支持向量機分類方法穩(wěn)定性強,分類速度快,但對特征數的要求高,特征數目與總體精度、地物環(huán)境之間的規(guī)律性不強,從而增加了特征提取與選擇的難度,而隨著特征的增加,決策樹、隨機森林的總體分類精度均為先升高后降低,最后趨于平衡。最后,綜合隨機森林對特征的優(yōu)選機制和支持向量機的高分類精度,得到新的組合分類器。
[Abstract]:Aiming at the problem of how to select the classification method for geographical objects in remote sensing images, this paper aims at the application of land cover classification in the survey of geographical conditions, which is based on three typical regions (mountain area, plain, mountain area, plain). Multi-source high-resolution remote sensing images are used as experimental data. The advantages and disadvantages of the three classification methods (support vector machine, decision tree, random forest) are compared and analyzed from the aspects of classification effect and classification accuracy. Under the condition of the same image segmentation, feature extraction and sample collection, the following rules are obtained by 333 groups of classification experiments: the SVM classification method is stable and fast, but it requires high feature number, feature number and overall accuracy. The regularity of feature environment is not strong, which increases the difficulty of feature extraction and selection. With the increase of feature, the total classification accuracy of decision tree and random forest are increased first and then decreased, and then tend to balance. Finally, a new combined classifier is obtained by synthesizing the optimal feature selection mechanism of stochastic forest pairs and the high classification accuracy of support vector machine (SVM).
【作者單位】： 陜西商洛職業(yè)技術學院;中國測繪科學研究院;高德軟件有限公司;
【分類號】：P237

【參考文獻】

相關期刊論文 前5條

1 顧海燕;李海濤;閆利;韓閃閃;;面向地理對象影像分析技術的研究進展與分析[J];遙感信息;2014年04期

2 劉毅;杜培軍;鄭輝;夏俊士;柳思聰;;基于隨機森林的國產小衛(wèi)星遙感影像分類研究[J];測繪科學;2012年04期

3 翁中銀;何政偉;于歡;;基于決策樹分類的地表覆蓋遙感信息提取[J];地理空間信息;2012年02期

4 黃昕;張良培;李平湘;;基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[J];遙感學報;2007年01期

5 張友靜;高云霄;黃浩;任立良;;基于SVM決策支持樹的城市植被類型遙感分類研究[J];遙感學報;2006年02期

【共引文獻】

相關期刊論文 前10條

1 趙丹平;顧海燕;賈瑩;;機器學習法在面向對象影像分類中的對比分析[J];測繪科學;2016年10期

2 王振武;孫佳駿;于忠義;卜異亞;;基于支持向量機的遙感圖像分類研究綜述[J];計算機科學;2016年09期

3 陳超;赫春曉;石善球;周紹光;;一種基于決策樹方法的遙感影像分類研究[J];地理空間信息;2016年08期

4 郭玉寶;池天河;彭玲;劉吉磊;楊麗娜;;利用隨機森林的高分一號遙感數據進行城市用地分類[J];測繪通報;2016年05期

5 姚蓓蓓;段德宏;;基于決策樹分類的土地覆蓋信息提取研究[J];山東農業(yè)大學學報(自然科學版);2016年03期

6 顧海燕;閆利;李海濤;賈瑩;;基于隨機森林的地理要素面向對象自動解譯方法[J];武漢大學學報(信息科學版);2016年02期

7 侯逸晨;趙鵬祥;楊偉志;張曉莉;;基于SVM的資源三號影像林地分類及精度評價研究[J];西北林學院學報;2016年01期

8 陳文倩;丁建麗;王嬌;袁澤;李相;黃帥;;基于高分一號影像的土地覆被分類方法初探[J];干旱區(qū)地理;2016年01期

9 李丹;柯櫻海;宮輝力;李小娟;鄧曾;;基于高分辨率遙感影像的城市典型喬木樹種分類研究[J];地理與地理信息科學;2016年01期

10 田紹鴻;張顯峰;;采用隨機森林法的天繪數據干旱區(qū)城市土地覆蓋分類[J];國土資源遙感;2016年01期

【二級參考文獻】

相關期刊論文 前10條

1 易玲;汪瀟;劉斌;;HJ-1衛(wèi)星數據質量及其在土地利用中的應用研究[J];國土資源遙感;2009年03期

2 蔡棟;魏巍;;基于決策樹的水生植被遙感信息提取研究[J];安徽農業(yè)科學;2009年16期

3 那曉東;張樹清;李曉峰;于歡;劉春悅;;基于QUEST決策樹兼容多源數據的淡水沼澤濕地信息提取[J];生態(tài)學雜志;2009年02期

4 汪愛華;遲耀斌;王智勇;伍菲;王曉明;李麗;嚴明;;北京1號小衛(wèi)星多光譜影像全國鑲嵌技術與制圖研究[J];遙感學報;2009年01期

5 那曉東;張樹清;孔博;于歡;李曉峰;劉春悅;;基于決策樹方法的淡水沼澤濕地信息提取——以三江平原東北部為例[J];遙感技術與應用;2008年04期

6 潘琛;杜培軍;張海榮;;決策樹分類法及其在遙感圖像處理中的應用[J];測繪科學;2008年01期

7 何祺勝;塔西甫拉提.特依拜;丁建麗;;基于決策樹方法的干旱區(qū)鹽漬地信息提取——以渭干河-庫車河三角洲綠洲為例[J];資源科學;2006年06期

8 趙萍;傅云飛;鄭劉根;馮學智;B.Satyanarayana;;基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J];遙感學報;2005年06期

9 李彤,吳驊;采用決策樹分類技術對北京市土地覆蓋現狀進行研究[J];遙感技術與應用;2004年06期

10 肖鵬峰,劉順喜,馮學智,趙書河,趙萍;中分辨率遙感圖像土地利用與覆被分類的方法及精度評價[J];國土資源遙感;2004年04期

【相似文獻】

相關期刊論文 前10條

1 張啟敏,聶贊坎;隨機森林發(fā)展系統解的存在性和唯一性(英文)[J];應用數學;2003年04期

2 李建更;高志坤;;隨機森林:一種重要的腫瘤特征基因選擇法[J];生物物理學報;2009年01期

3 袁敏;胡秀珍;;隨機森林方法預測膜蛋白類型[J];生物物理學報;2009年05期

4 方匡南;吳見彬;朱建平;謝邦昌;;隨機森林方法研究綜述[J];統計與信息論壇;2011年03期

5 方正;李益洲;肖嘉敏;李功兵;文志寧;李夢龍;;基于復雜網絡的隨機森林算法預測氨基酸突變對蛋白質穩(wěn)定性的影響(英文)[J];化學研究與應用;2011年05期

6 王象剛;;基于K均值隨機森林快速算法及入侵檢測中的應用[J];科技通報;2013年08期

7 曹正鳳;謝邦昌;紀宏;;一種隨機森林的混合算法[J];統計與決策;2014年04期

8 張光亞;方柏山;;基于氨基酸組成分布的嗜熱和嗜冷蛋白隨機森林分類模型[J];生物工程學報;2008年02期

9 馬景義;吳喜之;謝邦昌;;擬自適應分類隨機森林算法[J];數理統計與管理;2010年05期

10 李貞子;張濤;武曉巖;李康;;隨機森林回歸分析及在代謝調控關系研究中的應用[J];中國衛(wèi)生統計;2012年02期

相關會議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標檢測中的應用[A];第六屆和諧人機環(huán)境聯合學術會議（HHME2010)、第19屆全國多媒體學術會議（NCMT2010）、第6屆全國人機交互學術會議（CHCI2010）、第5屆全國普適計算學術會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達數據分析的隨機森林方法及算法改進[A];黑龍江省第十次統計科學討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機森林結合激光誘導擊穿光譜技術用于的鋼鐵分類[A];中國化學會第29屆學術年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉嬓шP系研究[A];第十一屆全國計算（機）化學學術會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機森林回歸分析方法及在代謝組學中的應用[A];2011年中國衛(wèi)生統計學年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應用[A];第八屆全國轉子動力學學術討論會論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計算(機)化學學術會議論文摘要集[C];2009年

相關博士學位論文 前4條

1 曹正鳳;隨機森林算法優(yōu)化研究[D];首都經濟貿易大學;2014年

2 雷震;隨機森林及其在遙感影像處理中應用研究[D];上海交通大學;2012年

3 岳明;基于隨機森林和規(guī)則集成法的酒類市場預測與發(fā)展戰(zhàn)略[D];天津大學;2008年

4 李書艷;單點氨基酸多態(tài)性與疾病相關關系的預測及其機制研究[D];蘭州大學;2010年

相關碩士學位論文 前10條

1 錢維;藥品不良反應監(jiān)測中隨機森林方法的建立與實現[D];第二軍醫(yī)大學;2012年

2 韓燕龍;基于隨機森林的指數化投資組合構建研究[D];華南理工大學;2015年

3 賀捷;隨機森林在文本分類中的應用[D];華南理工大學;2015年

4 張文婷;交通環(huán)境下基于改進霍夫森林的目標檢測與跟蹤[D];華南理工大學;2015年

5 李強;基于多視角特征融合與隨機森林的蛋白質結晶預測[D];南京理工大學;2015年

6 朱玟謙;一種收斂性隨機森林在人臉檢測中的應用研究[D];武漢理工大學;2015年

7 肖宇;基于序列圖像的手勢檢測與識別算法研究[D];電子科技大學;2014年

8 李慧;一種改進的隨機森林并行分類方法在運營商大數據的應用[D];電子科技大學;2015年

9 趙亞紅;面向多類標分類的隨機森林算法研究[D];哈爾濱工業(yè)大學;2014年

10 黎成;基于隨機森林和ReliefF的致病SNP識別方法[D];西安電子科技大學;2014年

，

本文編號：2150275