面向?qū)ο蟮母叻直媛视跋裢恋乩眯畔⑻崛?/h1>
2016-12-28 02:20:44金文韜許捍衛(wèi)李正源王海君
地理空間信息 2016年9期
金文韜，許捍衛(wèi)，李正源，王海君
（1.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 210098）
面向?qū)ο蟮母叻直媛视跋裢恋乩眯畔⑻崛?/p>
金文韜1，許捍衛(wèi)1，李正源1，王海君1
（1.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 210098）
運(yùn)用面向?qū)ο蟮姆诸惙椒▽?duì)實(shí)驗(yàn)區(qū)高分辨率影像進(jìn)行最優(yōu)分割尺度的影像分割。首先利用ESP算法確定影像的最佳分割尺度，再運(yùn)用CART決策樹分類對(duì)土地利用信息進(jìn)行提取，并對(duì)分類結(jié)果進(jìn)行后處理，進(jìn)一步提高分類精度。最終分類結(jié)果精度達(dá)到80．38%。
土地利用；最優(yōu)分割；面向?qū)ο蟮姆诸?；高分辨率影?/p>
進(jìn)入21世紀(jì)，隨著我國經(jīng)濟(jì)的飛速發(fā)展以及人口的激增，土地利用變化更加復(fù)雜和多樣化，運(yùn)用遙感技術(shù)更新土地利用基礎(chǔ)圖件已成為國內(nèi)外土地利用和覆蓋變化研究的重點(diǎn)方向。本文基于高分辨率QuickBird影像，采用eCognition軟件對(duì)實(shí)驗(yàn)區(qū)影像進(jìn)行最優(yōu)分割尺度分割。利用ESP算法確定影像的最佳分割尺度，再利用CART決策樹分類對(duì)土地利用信息進(jìn)行提取，取得了較好分類精度。
1 實(shí)驗(yàn)區(qū)和研究數(shù)據(jù)
實(shí)驗(yàn)區(qū)位于長江北岸，南京市浦口區(qū)江浦街道，與南京主城區(qū)隔江相望，總面積192萬km2。本文選取QuickBird衛(wèi)星影像[1-2]為現(xiàn)勢(shì)的遙感數(shù)據(jù)，拍攝時(shí)間為2012年，包含2．4 m的多光譜波段和0．6 m的全色波段，含紅、綠、藍(lán)和近紅外4個(gè)波段。經(jīng)過影像融合、配準(zhǔn)和裁剪后，實(shí)驗(yàn)區(qū)影像如圖1所示。
圖1 實(shí)驗(yàn)區(qū)原始影像
2 研究方法
2.1 最佳分割尺度、精致度和形狀參數(shù)的確定
在面向?qū)ο蟮姆诸惙椒ㄖ惺紫纫_定影像的最佳分割尺度，本文運(yùn)用ESP分割來確定最佳分割尺度。其主要思想為[3]：以局部方差（LV）的標(biāo)準(zhǔn)偏差均值來代表某塊影像檢查窗口中對(duì)象的異質(zhì)性。因?yàn)樵诜指畛叨群线m的對(duì)象中，像素相互聚集在一起，LV將變低，反之LV將變大。最佳尺度的選擇是一個(gè)迭代過程，當(dāng)前尺度下的LVn值等于或低于前一尺度下LVn-1時(shí)，迭代停止；n-1次分割的尺度即為最佳分割尺度。
本文通過ESP分割確定最佳分割尺度為45，并以此為實(shí)驗(yàn)區(qū)影像的最佳分割尺度。在確定形狀指數(shù)（Shape）時(shí)，通過固定緊致度參數(shù)（Compactness）為0．6，步長為0．2，改變Shape參數(shù)選擇最優(yōu)的形狀參數(shù)，確定Shape參數(shù)為0．5最合適；然后固定Shape參數(shù)為 0．5，步長為0．2，改變Compactness參數(shù)來選擇最優(yōu)的緊致度參數(shù)，最終Compactness參數(shù)確定為0．5。
2.2 CART決策樹分類
決策樹[4]，即判定樹，是通過節(jié)點(diǎn)處的判別式將對(duì)象進(jìn)行區(qū)分。CART[5]決策樹遞歸分割數(shù)據(jù)集，以機(jī)器學(xué)習(xí)形式確定最優(yōu)的計(jì)算變量，再得出各節(jié)點(diǎn)的判別式，具有較為簡單、便于計(jì)算[6]的特點(diǎn)。樣本載入后，需要為樣本選取訓(xùn)練的特征集，以構(gòu)建決策樹形成分類規(guī)則[7]?；居?xùn)練選取平均值（Mean）、標(biāo)準(zhǔn)差（Standard Deviation）、貢獻(xiàn)率（Ratio）和亮度值（Brightness）4個(gè)特征參與計(jì)算，除此之外自定義了4 類指數(shù)加以訓(xùn)練，如表1所示。
表1 自定義指數(shù)表
結(jié)合2009年歷史土地利用矢量圖的分類體系和全國土地利用[8]分類編碼，根據(jù)實(shí)驗(yàn)區(qū)現(xiàn)狀確定土地利用分類體系為采礦用地、草地、茶園、村莊、公路用地、果園、旱地、建筑用地、坑塘水面、林地、河流、農(nóng)村道路、水田、溝渠、田坎和沼澤等16類
設(shè)置決策樹的深度為10，分割節(jié)點(diǎn)最小樣本數(shù)為5，交叉驗(yàn)證修剪的最小樣本數(shù)為2，通過對(duì)選取的2 139 個(gè)樣本點(diǎn)和相應(yīng)特征變量的訓(xùn)練，得到79個(gè)葉節(jié)點(diǎn)，每個(gè)葉節(jié)點(diǎn)表示單條規(guī)則，共79條規(guī)則。CART決策樹建立并運(yùn)行后得到分類結(jié)果如圖2所示。
圖2 CART決策樹分類結(jié)果
2.3 分類后處理
CART決策樹分類取得了較好的分類結(jié)果，但將分類結(jié)果放大后就會(huì)發(fā)現(xiàn)存在坑塘水面與周圍地物混淆、陰影遮擋道路、部分主干道有斷開現(xiàn)象等問題，為提高精度，需要對(duì)上述問題進(jìn)行處理。
1）坑塘水面的完善。在實(shí)驗(yàn)區(qū)范圍內(nèi)，部分坑塘鄰近采礦用地，或被采礦用地包圍，提取時(shí)容易被分為采礦用地。由于坑塘水面形狀相對(duì)規(guī)則，采礦用地大多邊界不規(guī)則，因此可運(yùn)用形狀指數(shù)（Shape Index）來區(qū)分。形狀指數(shù)表示影像對(duì)象的面積和周長的關(guān)系度，其計(jì)算公式為：
式中，by為影像對(duì)象的周長；py為對(duì)象的面積；邊界越規(guī)則，Shape Index值就越小，反之則越大。
2）建筑物地類的完善。由于太陽照射角度和建筑物高度的影響，高層建筑物投射的陰影落在了建筑物影像內(nèi)部，然而陰影的光譜響應(yīng)接近于道路的光譜值，所以提取后在建筑物內(nèi)部會(huì)出現(xiàn)塊狀陰影。由于建筑物遮擋引起的陰影與建筑物本身存在共有邊界，可采用類相關(guān)特征Rel．border to對(duì)建筑物邊緣的陰影進(jìn)行搜索，同時(shí)考慮建筑物在亮度上與陰影的差異，最終選擇Brightness≥300和Rel．border to建筑物≥0．5這兩條規(guī)則將陰影歸類為建筑用地類。
3）主干道斷開的連接。由于主干道兩旁的地物較復(fù)雜，如周圍存在建筑用地、林地和溝渠等類別，主干道提取結(jié)果存在錯(cuò)分，導(dǎo)致主干道連接中斷。為使道路中斷處順利連接，本文使用區(qū)域生長法進(jìn)行處理。Image Object Fusion算法是一種區(qū)域生長算法，此算法的基本原理是[6-7]將需要融合的種子對(duì)象通過設(shè)置的種子對(duì)象周邊候選對(duì)象的種類和循環(huán)次數(shù)，到達(dá)填補(bǔ)縫隙的效果。實(shí)驗(yàn)中使用棋盤分割將道路周圍對(duì)象分割成細(xì)小碎塊，然后采用Image Object Fusion規(guī)則使道路在背景對(duì)象中融合生長。設(shè)置對(duì)象為道路周邊的建筑用地和草地，擬合模式設(shè)置為best，候選對(duì)象、種子對(duì)象以及目標(biāo)對(duì)象權(quán)重設(shè)置為（2，-1，-1）；然后使用Connector算法，將道路連接起來。
3 精度檢驗(yàn)
表2 分類精度評(píng)價(jià)結(jié)果
eCognition中提供了2種方式：基于像元的精度評(píng)定，即選擇一定樣本數(shù)據(jù)導(dǎo)入，以這些樣本作為評(píng)定的標(biāo)準(zhǔn)導(dǎo)入到相應(yīng)工程中；基于影像對(duì)象的精度評(píng)定，即將分割的影像對(duì)象選為評(píng)定的樣本。結(jié)合大比例尺的航片進(jìn)行檢驗(yàn)，共選取了1 779個(gè)樣本，進(jìn)行精度評(píng)價(jià)后總體精度達(dá)到80．38%，Kappa系數(shù)為0．755 2，精度評(píng)價(jià)結(jié)果見表2。
4 結(jié) 語
面向?qū)ο蟮挠跋裥畔⑻崛。潢P(guān)鍵的第一步是影像分割，本文以ESP輔助工具和對(duì)比實(shí)驗(yàn)得出最優(yōu)的分割尺度，充分運(yùn)用高分辨率影像的光譜、形狀和紋理等特征構(gòu)建規(guī)則集實(shí)現(xiàn)對(duì)影像信息的提?。贿\(yùn)用了CART決策樹分類方法，并對(duì)分類結(jié)果作相關(guān)后處理，進(jìn)一步提高了影像信息提取的精度，取得良好的分類效果。但在實(shí)驗(yàn)過程還存在不足，如面向?qū)ο蟮男畔⑻崛∵^程不夠自動(dòng)化，需要耗費(fèi)一定時(shí)間選取最佳分割尺度；參數(shù)不能與后面的分類集成于eCognition中；決策樹分類選取的特征變量不夠全面；提取地物信息時(shí)沒有運(yùn)用分層提取的思想以提高效率等。
[1] 蔣永濤．基于QuickBird影像土地利用信息提取研究[D]．雅安∶四川農(nóng)業(yè)大學(xué),2009
[2] 田新光．面向?qū)ο蟾叻直媛蔬b感影像信息提取[D]．北京∶中國測(cè)繪科學(xué)研究院,2007
[3] Drǎgu? L, Tiede D, Levick S R． ESP∶ a Tool to Estimate Scale Parameter for Multi-resolution Image Segmentation of Remotely Sensed Data[J]．International Journal of Geographical Information Science, 2010,24(6)∶859-871
[4] 葛春青,張凌寒,楊杰．基于決策樹規(guī)則的面向?qū)ο筮b感影像分類[J]．遙感信息,2009(2)∶86-91
[5] 趙萍,傅云飛,鄭劉根,等．基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J]．遙感學(xué)報(bào),2005,9(6)∶708-716
[6] 齊樂,岳彩榮．基于 CART 決策樹方法的遙感影像分類[J]．林業(yè)調(diào)查規(guī)劃,2011,36(2)∶62-66
[7] 陳昌鳴．面向?qū)ο蟮母叻直媛蔬b感影像農(nóng)村公路專題信息提取[D]．重慶∶重慶交通大學(xué),2011
[8] 徐春迪,屈康慶,郭俊理．寶雞市金渭兩區(qū)土地利用信息遙感提取研究[J]．地理空間信息,2007,5(6)∶39-41
P237
B
1672-4623（2016）09-0104-03
10.3969/j.issn.1672-4623.2016.09.034
金文韜，碩士研究生，主要研究方向?yàn)榈乩硇畔⑾到y(tǒng)開發(fā)與應(yīng)用。
2015-08-13。
項(xiàng)目來源：國家自然科學(xué)基金資助項(xiàng)目（41101308）。
猜你喜歡
平江縣入選教育部學(xué)前教育實(shí)驗(yàn)區(qū)科教新報(bào)(2023年47期)2023-12-02 15:58:53 高分辨率合成孔徑雷達(dá)圖像解譯系統(tǒng)雷達(dá)學(xué)報(bào)(2020年3期)2020-07-13 02:27:16 面向?qū)ο蟮挠?jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì)軟件系統(tǒng)的開發(fā)電子測(cè)試(2018年15期)2018-09-26 06:01:34 面向?qū)ο蟮臄?shù)據(jù)交換協(xié)議研究與應(yīng)用電測(cè)與儀表(2017年24期)2017-12-19 05:15:24 2016年國家文創(chuàng)實(shí)驗(yàn)區(qū)規(guī)上文化產(chǎn)業(yè)收入近2000億元投資北京(2017年1期)2017-02-13 21:09:25 面向?qū)ο骔eb開發(fā)編程語言的的評(píng)估方法現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25 高分辨率對(duì)地觀測(cè)系統(tǒng)太空探索(2015年8期)2015-07-18 11:04:44 足球應(yīng)用型人才培養(yǎng)模式創(chuàng)新實(shí)驗(yàn)區(qū)的探索與實(shí)踐——以學(xué)生社會(huì)實(shí)踐為突破口陜西教育·高教版(2015年4期)2015-06-28 06:09:42 湖南新增2個(gè)國家可持續(xù)發(fā)展實(shí)驗(yàn)區(qū)發(fā)明與創(chuàng)新·大科技(2015年11期)2015-05-30 07:20:50 基于Curvelet-Wavelet變換高分辨率遙感圖像降噪浙江大學(xué)學(xué)報(bào)(工學(xué)版)(2015年1期)2015-03-01 01:17:19
金文韜，許捍衛(wèi)，李正源，王海君
（1.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 210098）
面向?qū)ο蟮母叻直媛视跋裢恋乩眯畔⑻崛?/p>
金文韜1，許捍衛(wèi)1，李正源1，王海君1
（1.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 210098）
運(yùn)用面向?qū)ο蟮姆诸惙椒▽?duì)實(shí)驗(yàn)區(qū)高分辨率影像進(jìn)行最優(yōu)分割尺度的影像分割。首先利用ESP算法確定影像的最佳分割尺度，再運(yùn)用CART決策樹分類對(duì)土地利用信息進(jìn)行提取，并對(duì)分類結(jié)果進(jìn)行后處理，進(jìn)一步提高分類精度。最終分類結(jié)果精度達(dá)到80．38%。
土地利用；最優(yōu)分割；面向?qū)ο蟮姆诸?；高分辨率影?/p>
進(jìn)入21世紀(jì)，隨著我國經(jīng)濟(jì)的飛速發(fā)展以及人口的激增，土地利用變化更加復(fù)雜和多樣化，運(yùn)用遙感技術(shù)更新土地利用基礎(chǔ)圖件已成為國內(nèi)外土地利用和覆蓋變化研究的重點(diǎn)方向。本文基于高分辨率QuickBird影像，采用eCognition軟件對(duì)實(shí)驗(yàn)區(qū)影像進(jìn)行最優(yōu)分割尺度分割。利用ESP算法確定影像的最佳分割尺度，再利用CART決策樹分類對(duì)土地利用信息進(jìn)行提取，取得了較好分類精度。
1 實(shí)驗(yàn)區(qū)和研究數(shù)據(jù)
實(shí)驗(yàn)區(qū)位于長江北岸，南京市浦口區(qū)江浦街道，與南京主城區(qū)隔江相望，總面積192萬km2。本文選取QuickBird衛(wèi)星影像[1-2]為現(xiàn)勢(shì)的遙感數(shù)據(jù)，拍攝時(shí)間為2012年，包含2．4 m的多光譜波段和0．6 m的全色波段，含紅、綠、藍(lán)和近紅外4個(gè)波段。經(jīng)過影像融合、配準(zhǔn)和裁剪后，實(shí)驗(yàn)區(qū)影像如圖1所示。
圖1 實(shí)驗(yàn)區(qū)原始影像
2 研究方法
2.1 最佳分割尺度、精致度和形狀參數(shù)的確定
在面向?qū)ο蟮姆诸惙椒ㄖ惺紫纫_定影像的最佳分割尺度，本文運(yùn)用ESP分割來確定最佳分割尺度。其主要思想為[3]：以局部方差（LV）的標(biāo)準(zhǔn)偏差均值來代表某塊影像檢查窗口中對(duì)象的異質(zhì)性。因?yàn)樵诜指畛叨群线m的對(duì)象中，像素相互聚集在一起，LV將變低，反之LV將變大。最佳尺度的選擇是一個(gè)迭代過程，當(dāng)前尺度下的LVn值等于或低于前一尺度下LVn-1時(shí)，迭代停止；n-1次分割的尺度即為最佳分割尺度。
本文通過ESP分割確定最佳分割尺度為45，并以此為實(shí)驗(yàn)區(qū)影像的最佳分割尺度。在確定形狀指數(shù)（Shape）時(shí)，通過固定緊致度參數(shù)（Compactness）為0．6，步長為0．2，改變Shape參數(shù)選擇最優(yōu)的形狀參數(shù)，確定Shape參數(shù)為0．5最合適；然后固定Shape參數(shù)為 0．5，步長為0．2，改變Compactness參數(shù)來選擇最優(yōu)的緊致度參數(shù)，最終Compactness參數(shù)確定為0．5。
2.2 CART決策樹分類
決策樹[4]，即判定樹，是通過節(jié)點(diǎn)處的判別式將對(duì)象進(jìn)行區(qū)分。CART[5]決策樹遞歸分割數(shù)據(jù)集，以機(jī)器學(xué)習(xí)形式確定最優(yōu)的計(jì)算變量，再得出各節(jié)點(diǎn)的判別式，具有較為簡單、便于計(jì)算[6]的特點(diǎn)。樣本載入后，需要為樣本選取訓(xùn)練的特征集，以構(gòu)建決策樹形成分類規(guī)則[7]?；居?xùn)練選取平均值（Mean）、標(biāo)準(zhǔn)差（Standard Deviation）、貢獻(xiàn)率（Ratio）和亮度值（Brightness）4個(gè)特征參與計(jì)算，除此之外自定義了4 類指數(shù)加以訓(xùn)練，如表1所示。
表1 自定義指數(shù)表
結(jié)合2009年歷史土地利用矢量圖的分類體系和全國土地利用[8]分類編碼，根據(jù)實(shí)驗(yàn)區(qū)現(xiàn)狀確定土地利用分類體系為采礦用地、草地、茶園、村莊、公路用地、果園、旱地、建筑用地、坑塘水面、林地、河流、農(nóng)村道路、水田、溝渠、田坎和沼澤等16類
設(shè)置決策樹的深度為10，分割節(jié)點(diǎn)最小樣本數(shù)為5，交叉驗(yàn)證修剪的最小樣本數(shù)為2，通過對(duì)選取的2 139 個(gè)樣本點(diǎn)和相應(yīng)特征變量的訓(xùn)練，得到79個(gè)葉節(jié)點(diǎn)，每個(gè)葉節(jié)點(diǎn)表示單條規(guī)則，共79條規(guī)則。CART決策樹建立并運(yùn)行后得到分類結(jié)果如圖2所示。
圖2 CART決策樹分類結(jié)果
2.3 分類后處理
CART決策樹分類取得了較好的分類結(jié)果，但將分類結(jié)果放大后就會(huì)發(fā)現(xiàn)存在坑塘水面與周圍地物混淆、陰影遮擋道路、部分主干道有斷開現(xiàn)象等問題，為提高精度，需要對(duì)上述問題進(jìn)行處理。
1）坑塘水面的完善。在實(shí)驗(yàn)區(qū)范圍內(nèi)，部分坑塘鄰近采礦用地，或被采礦用地包圍，提取時(shí)容易被分為采礦用地。由于坑塘水面形狀相對(duì)規(guī)則，采礦用地大多邊界不規(guī)則，因此可運(yùn)用形狀指數(shù)（Shape Index）來區(qū)分。形狀指數(shù)表示影像對(duì)象的面積和周長的關(guān)系度，其計(jì)算公式為：
式中，by為影像對(duì)象的周長；py為對(duì)象的面積；邊界越規(guī)則，Shape Index值就越小，反之則越大。
2）建筑物地類的完善。由于太陽照射角度和建筑物高度的影響，高層建筑物投射的陰影落在了建筑物影像內(nèi)部，然而陰影的光譜響應(yīng)接近于道路的光譜值，所以提取后在建筑物內(nèi)部會(huì)出現(xiàn)塊狀陰影。由于建筑物遮擋引起的陰影與建筑物本身存在共有邊界，可采用類相關(guān)特征Rel．border to對(duì)建筑物邊緣的陰影進(jìn)行搜索，同時(shí)考慮建筑物在亮度上與陰影的差異，最終選擇Brightness≥300和Rel．border to建筑物≥0．5這兩條規(guī)則將陰影歸類為建筑用地類。
3）主干道斷開的連接。由于主干道兩旁的地物較復(fù)雜，如周圍存在建筑用地、林地和溝渠等類別，主干道提取結(jié)果存在錯(cuò)分，導(dǎo)致主干道連接中斷。為使道路中斷處順利連接，本文使用區(qū)域生長法進(jìn)行處理。Image Object Fusion算法是一種區(qū)域生長算法，此算法的基本原理是[6-7]將需要融合的種子對(duì)象通過設(shè)置的種子對(duì)象周邊候選對(duì)象的種類和循環(huán)次數(shù)，到達(dá)填補(bǔ)縫隙的效果。實(shí)驗(yàn)中使用棋盤分割將道路周圍對(duì)象分割成細(xì)小碎塊，然后采用Image Object Fusion規(guī)則使道路在背景對(duì)象中融合生長。設(shè)置對(duì)象為道路周邊的建筑用地和草地，擬合模式設(shè)置為best，候選對(duì)象、種子對(duì)象以及目標(biāo)對(duì)象權(quán)重設(shè)置為（2，-1，-1）；然后使用Connector算法，將道路連接起來。
3 精度檢驗(yàn)
表2 分類精度評(píng)價(jià)結(jié)果
eCognition中提供了2種方式：基于像元的精度評(píng)定，即選擇一定樣本數(shù)據(jù)導(dǎo)入，以這些樣本作為評(píng)定的標(biāo)準(zhǔn)導(dǎo)入到相應(yīng)工程中；基于影像對(duì)象的精度評(píng)定，即將分割的影像對(duì)象選為評(píng)定的樣本。結(jié)合大比例尺的航片進(jìn)行檢驗(yàn)，共選取了1 779個(gè)樣本，進(jìn)行精度評(píng)價(jià)后總體精度達(dá)到80．38%，Kappa系數(shù)為0．755 2，精度評(píng)價(jià)結(jié)果見表2。
4 結(jié) 語
面向?qū)ο蟮挠跋裥畔⑻崛。潢P(guān)鍵的第一步是影像分割，本文以ESP輔助工具和對(duì)比實(shí)驗(yàn)得出最優(yōu)的分割尺度，充分運(yùn)用高分辨率影像的光譜、形狀和紋理等特征構(gòu)建規(guī)則集實(shí)現(xiàn)對(duì)影像信息的提?。贿\(yùn)用了CART決策樹分類方法，并對(duì)分類結(jié)果作相關(guān)后處理，進(jìn)一步提高了影像信息提取的精度，取得良好的分類效果。但在實(shí)驗(yàn)過程還存在不足，如面向?qū)ο蟮男畔⑻崛∵^程不夠自動(dòng)化，需要耗費(fèi)一定時(shí)間選取最佳分割尺度；參數(shù)不能與后面的分類集成于eCognition中；決策樹分類選取的特征變量不夠全面；提取地物信息時(shí)沒有運(yùn)用分層提取的思想以提高效率等。
[1] 蔣永濤．基于QuickBird影像土地利用信息提取研究[D]．雅安∶四川農(nóng)業(yè)大學(xué),2009
[2] 田新光．面向?qū)ο蟾叻直媛蔬b感影像信息提取[D]．北京∶中國測(cè)繪科學(xué)研究院,2007
[3] Drǎgu? L, Tiede D, Levick S R． ESP∶ a Tool to Estimate Scale Parameter for Multi-resolution Image Segmentation of Remotely Sensed Data[J]．International Journal of Geographical Information Science, 2010,24(6)∶859-871
[4] 葛春青,張凌寒,楊杰．基于決策樹規(guī)則的面向?qū)ο筮b感影像分類[J]．遙感信息,2009(2)∶86-91
[5] 趙萍,傅云飛,鄭劉根,等．基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J]．遙感學(xué)報(bào),2005,9(6)∶708-716
[6] 齊樂,岳彩榮．基于 CART 決策樹方法的遙感影像分類[J]．林業(yè)調(diào)查規(guī)劃,2011,36(2)∶62-66
[7] 陳昌鳴．面向?qū)ο蟮母叻直媛蔬b感影像農(nóng)村公路專題信息提取[D]．重慶∶重慶交通大學(xué),2011
[8] 徐春迪,屈康慶,郭俊理．寶雞市金渭兩區(qū)土地利用信息遙感提取研究[J]．地理空間信息,2007,5(6)∶39-41
P237
B
1672-4623（2016）09-0104-03
10.3969/j.issn.1672-4623.2016.09.034
金文韜，碩士研究生，主要研究方向?yàn)榈乩硇畔⑾到y(tǒng)開發(fā)與應(yīng)用。
2015-08-13。
項(xiàng)目來源：國家自然科學(xué)基金資助項(xiàng)目（41101308）。
猜你喜歡
科教新報(bào)(2023年47期)2023-12-02 15:58:53
雷達(dá)學(xué)報(bào)(2020年3期)2020-07-13 02:27:16
電子測(cè)試(2018年15期)2018-09-26 06:01:34
電測(cè)與儀表(2017年24期)2017-12-19 05:15:24
投資北京(2017年1期)2017-02-13 21:09:25
現(xiàn)代計(jì)算機(jī)(2016年12期)2016-02-28 18:35:25
太空探索(2015年8期)2015-07-18 11:04:44
陜西教育·高教版(2015年4期)2015-06-28 06:09:42
發(fā)明與創(chuàng)新·大科技(2015年11期)2015-05-30 07:20:50
浙江大學(xué)學(xué)報(bào)(工學(xué)版)(2015年1期)2015-03-01 01:17:19
