摘要
本文根据特种地理标志产品区域分布的特性和典型荫生作物网遮棚护的特殊情况,采用多种非监督、监督和智能分类算法,通过采集多种数据集作为训练样本和检验样本,实现了特殊种植条件下的智能分类与特种地表覆盖空间分布信息提取,并进行了分类统计及信息提取结果分析。实验表明,采用的多算法智能分类较单分类效果明显,通过比较选用合适的分类算法组合和训练数据集,分类结果能实现相互检验,并预测空间分布面积的具体数值区间32.47~35.45km~2,确定最可能值在34.04km~2附近,分类结果有效能满足特种作物空间分布信息提取的需要,为特殊条件下的土地覆盖变化检测提供了良好的基础。
引文
[1]翁中银,何政伟,于欢.基于决策树分类的地表覆盖遥感信息提取[J].地理空间信息,2012,10(2):110-112.
[2]朱海涛,张霞,王树东,等.基于面向对象决策树算法的半干旱地区遥感影像分类[J].遥感信息,2013,28(4):50-56.
[3]张晓贺.决策树分类器的实现及在遥感影像分类中的应用[D].兰州交通大学,2013.
[4]王晓军.基于C5.0数据挖掘算法的大区域地表覆盖分类关键技术研究[D].山东农业大学,2013.
[5]刘欣.利用CART算法从LandSat8卫星影像提取居民地的研究[D].兰州大学,2015.
[6]怀保娟,李忠勤,孙美平,等.多种遥感分类方法提取冰川边界探讨——以喀纳斯河源地区为例[J].干旱区研究,2013,30(2):372-377.
[7]闫利,孙颖超.基于影像多种特征的决策树分类方法[J].地理空间信息,2009,7(6):15-17.
[8]沈培华,夏德深.遥感图像分类中3种分类算法的应用比较[C].2002遥感科技论坛.2002.
[9]Breiman L,Friedman J H,Olshen R A,et al.Classification and Regression Trees[M].Monterey,California,U.S.A.:Wadsworth International Group,1984
[10]YohannesY,Hoddinott J.Classification and Regression Tree:An Introduction[M].Washington,D.C.,U.S.A.:International Food Policy Research Institute,1999
[11]刘丹.基于支持向量机与K-MEANS混合分类模型的多光谱遥感影像分类研究[D].昆明理工大学,2013.
[12]廖安平,彭舒,武昊,等.30 m全球地表覆盖遥感制图生产体系与实践[J].测绘通报,2015(10):4-8.
[13]HUNG Chih-Cheng,Minh Pham,KUO Bor-Chen,等.基于遗传算法的多光谱影像非监督训练分类系统(英文)[J].遥感学报,2007,11(5):702-709.
[14]孙晓霞.空间数据采样及遥感影像专题分类精度评价方法的研究[D].中国测绘科学研究院,2001.
[15]李海霞.高分辨率遥感影像对象分类方法研究及其城乡规划监测应用[D].中国农业大学,2014.