干旱区生态环境知识资源中心(Arid): 高分辨率影像的干旱区植被信息提取方法

Arid

	高分辨率影像的干旱区植被信息提取方法
其他题名	Methods to extract vegetation information based on the high - resolution image for arid region
	何磊 1; 王超 1; 别强 1; 赵传燕 2
来源期刊	干旱区资源与环境
ISSN	1003-7578
出版年	2012
卷号	26 期号:11 页码:132-138
中文摘要	基于黑河下游额济纳旗地区的Quickbird影像,采用决策树(Decision Tree)、人工神经网络(Artificial neural net, ANN)及支持向量机(Support Vector Machine,SVM)方法对干旱区植被信息进行提取。对三种方法的精度进行评价,结果显示:决策树分类得到的结果零碎,总体分类精度为84.87%;ANN法较决策树方法适宜度高,总体分类精度为91.87%;纹理信息辅助的SVM法取得效果最好,总体分类精度可达96.53%。试验中发现使用高分辨率影像提取干旱区植被种类信息时,大窗口的纹理特征辅助效果较好,但是分类结果的边界出现失常,随着纹理窗口越大,失常的范围也越大。
英文摘要	In this study, we selected Ejina oasis in the lower reaches of Heihe River as a study area. Three methods such as decision tree, Artificial Neural Network (ANN) and Support Vector Machine (SVM) were applied to classify land use types in two typical fields based on the Quickbird image data. The study results showed that the classification was fragmentary by using decision tree method with the overall accuracy of 84.87% in experimental zone 1. The method of ANN was suitable in the study area with the overall accuracy of 91.87%. SVM with the auxiliary of texture information was the best way to classify land use types with the overall accuracy of 96.53%.
中文关键词	干旱区 ; 高分辨率影像 ; 纹理特征 ; 决策树 ; 人工神经网络 ; 支持向量机
英文关键词	arid areas the high - resolution image texture decision tree ANN SVM
语种	中文
国家	中国
收录类别	CSCD
WOS类目	PLANT SCIENCES
WOS研究方向	Plant Sciences
CSCD记录号	CSCD:4699674
来源机构	兰州大学
资源类型	期刊论文
条目标识符	http://119.78.100.177/qdio/handle/2XILL650/228141
作者单位	1.兰州大学遥感与地理信息系统研究所, 兰州, 甘肃 730000, 中国; 2.兰州大学, 草地农业系统国家重点实验室, 兰州, 甘肃 730000, 中国
推荐引用方式 GB/T 7714	何磊,王超,别强,等. 高分辨率影像的干旱区植被信息提取方法[J]. 兰州大学,2012,26(11):132-138.
APA	何磊,王超,别强,&赵传燕.(2012).高分辨率影像的干旱区植被信息提取方法.干旱区资源与环境,26(11),132-138.
MLA	何磊,et al."高分辨率影像的干旱区植被信息提取方法".干旱区资源与环境 26.11(2012):132-138.