遥感影像植被类型识别方法研究进展.docVIP

遥感影像植被类型识别方法研究进展 摘要：影像植被类型识别是遥感信息提取的重要手段，是目前遥感技术中的热点研究内容。识别方法是遥感影像分类的重要内容，有效地选择合适的分类方法是提高植被识别精度的关键。随着遥感技术的发展，传统的非参数分类方法已经难以满足分类精度需求，基于智能算法的非参数分类方法得到了迅速发展，并在影像植被识别中发挥着重要作用。近年来，组合分类器由于能够利用单一分类器的互补信息，成为了遥感影像植被识别的一个新热点。本文综合分析了各种识别方法的特点和优势，及识别方法的发展趋势，为影像识别植被类型的发展提供科学的参考依据。 关键词：遥感影像；植被类型；识别方法；进展 0 引言 遥感影像植被类型识别实际上就是将图像中每个像元点或每块区域根据其在不同谱段的光谱特征、空间结构特征或其他信息，[1]。最初的影像植被类型识别是通过目视解译来实现的，，，，，，[2-5]。遥感影像分类方法由于受到诸多因素影响，，，，，，，，，ISODATA，K-，1 基于参数分类器的植被类型识别 参数分类器一般假设数据呈正态分布，，[1，]。但是对于遥感影像分类，，，，，，， 2 基于非参数分类器的植被类型识别 非参数分类器不需要数据正态分布的假设，，，[7]。常用的非参数分类器有神经网络、支持向量机、决策树、专家系统等。 2.1 神经网络法 神经网络算法是用计算机模拟人类学习的过程，[8]。神经网络分类器在遥感影像分类领域得到了普遍的关注[9-12]。国内外学者发展了多种形式的神经网络模型和算法，[13]、模糊神经网络[14]、多层感知网络[15]、Kohonen自组织特征映射网络[15]。网络的输入和输出节点之间通过隐含层相连，，， ，，，，，，，，(BP算法)训练权值的多层前馈神经网络[7，1115]。该网络的学习训练过程由正向传播和反向传播组成，，，，，，，，[11]。一般说来，，，，，[16]。神经网络由于具有较强的非线性逼近能力及自适应、自学习能力，[17]。对于一个特定的问题，，，，，， 2.2 支持向量机法 支持向量机(SVM)是一种基于统计学习理论的新型机器学习算法，，，[18-19]。SVM由于具有适用于高维特征空间、小样本统计学习、抗噪声影响能力强等特点，[20]。Camps-Valls等将SVM用于高光谱数据农作物类别分类，SVM方法在高维特征空间中可以直接进行分类，，，SVM，[21]。尽管SVM能够获取比传统统计分类和神经网络分类等方法更高的分类精度，，Roli等的研究表明径向基核的分类精度高于多项式核，[22]。而Huang等的研究表明多项式核的分类精度稍高于径向基核。现有的核函数选择方法是分别试用不同的核函数，，[23]。这种选择方法基本是凭经验选择，，，SVM，，SVM在处理多类问题时可以采用两种策略:一种是集成许多两类问题，[24]。另一种是在优化公式中直接考虑多类问题，，，，，，，2.3 决策树法 决策树分类器是以分层分类思想作为指导原则，，，，，，Belward等比较了最大似然分类和决策树分类方法的农作物遥感分类效果，，，[25]。Wardlow等在美国中央大平原采用决策树分类方法对多时相的MODIS NDVI数据进行农作物分类，80%的总体分类精度[26]。刘勇洪等以中国华北地区MODIS影像进行了土地覆盖决策树分类试验与分析，，[27]。Schneider等利用决策树方法对城市区域的MODIS数据进行分类[28]。决策树算法对于输入数据空间特征和分类标识具有很好的弹性和稳健性，，，，，，，，，70年代提出的ID3算法[29]。它建立在推理系统和概念学习系统的坚实基础之上，，，，ID3Quinlan又在ID3的基础上改进提出了C4.5算法，[30]。C4.5算法用信息增益率来选择属性，，，C4.5在构造树的过程中需要对数据集进行多次的顺序扫描和排序，， 2.4 专家系统法 专家系统一般包括推理机和知识库两个相互独立的部分。专家系统的基本思想是模拟人类组合各种带有因果关系的知识进行推理并得出结论[31]。知识库是问题求解所需领域知识的集合，，，，，，，，，， [32]。专家系统分类技术相对于以统计像元分析为主的传统分类技术有了巨大的飞跃，，，，[33]。Cohen等针对地中海地区零散的田块建立了作物类型识别专家系统，[34]。Schmidt等利用专家分类器结合航空高光谱影像和雷达高度计提取的地形数据进行海岸带植被分类，66%的分类精度，43.15%的分类精度有了较大提高[35]。蔡晓斌等在专家分类系统中根据图斑相邻关系以及DEM信息对初始分类结果进行修正，[36]。Lucas等利用Landsat ETM+时间序列数据结合地形图、数字高程数据和其他辅助数据建立遥感影像分类规则，，80%的总体分类精度[37]。W