文献类型：期刊文章

作　　者：帅爽[1,3] 张志[2] 张天[4] 张焜[1] 肖成志[2] 陈安[5]

SHUAI Shuang;ZHANG Zhi;ZHANG Tian;ZHANG Kun;XIAO Chengzhi;CHEN An(Key Laboratory of the Northern Qinghai-Tibet Plateau Geological Processes and Minera,Xining 810300,China;School of Geophysics and Geomatics,China University of Geoscience(Wuhan),Wuhan 430074,China;School of Civil Engineering and Architecture,Wuhan Polytechnic University,Wuhan 430023,China;China Communications Construction Company Second Highway Consultants Limited Company,Wuhan 430056,China;Wuhan Fourteenth Middle School,Wuhan 430000,China)

机构地区：[1]青海省青藏高原北部地质过程与矿产资源重点实验室,西宁810300 [2]中国地质大学(武汉)地球物理与空间信息学院,武汉430074 [3]武汉轻工大学土木工程与建筑学院,武汉430023 [4]中交第二公路勘察设计研究院有限公司,武汉430056 [5]武汉市第十四中学,武汉430000

出　　处：《农业工程学报》

基　　金：青海省青藏高原北部地质过程与矿产资源重点实验室专项基金项目(2019-kz-01);青海省科技厅创新平台建设专项项目“青海省自然资源要素与生态状况一体化遥感监测应用平台”(2019-ZJ-T04);中国地质调查局项目(DD20191011,DD20190705,DD20190511)。

年　　份：2023

卷　　号：39

期　　号：9

起止页码：287-293

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2023_2024、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法(genetic algorithm,GA)、粒子群优化算法(particle swarm optimization,PSO)等传统特征优化算法和广义正态分布优化算法(generalized normal distribution optimization,GNDO)、原子搜索算法(atom search algorithm,ASO)、海洋捕食者算法(marine predators algorithm,MPA)等特征优化算法与随机森林(random forest,RF)图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D(ZY1-02D)高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度(overall accuracy,OA)提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类OA提升了1.32~2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。

关 键 词：高光谱  遥感 算法  植被类型分类  MPA-RF  多尺度纹理  

分 类 号：P237] TP79[测绘类] S3]