高光谱遥感数据植被信息提取方法

利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。...

Full description

Saved in:
Bibliographic Details
Published inNong ye gong cheng xue bao Vol. 26; no. 7; pp. 181 - 185
Main Author 李丹 陈水森 陈修治
Format Journal Article
LanguageChinese
Published 中国科学院广州地球化学研究所,广州,510640 2010
农业部资源遥感与数字农业重点开放实验室,北京,100081
广州地理研究所,广州,510070%中国科学院广州地球化学研究所,广州,510640
广州地理研究所,广州,510070
Subjects
Hyperion
提取
支持向量机
植被信息
线性光谱混合模型
荔枝
遥感
支持向量机
Hyperion
植被信息
荔枝
提取
遥感
线性光谱混合模型
Online AccessGet full text
ISSN1002-6819
DOI10.3969/j.issn.1002-6819.2010.07.032

Cover

More Information
Summary:利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。
Bibliography:support vector machines（SVM）
litchi
remote sensing; support vector machines（SVM）; extraction; linear spectral mixed model（LSMM）; vegetation information; litchi; Hyperion
S127
Hyperion
11-2047/S
remote sensing
vegetation information
linear spectral mixed model（LSMM）
extraction
ISSN:1002-6819
DOI:10.3969/j.issn.1002-6819.2010.07.032