多时相MODIS影像遥感分类方法与分析.doc

多时相MODIS影像遥感分类方法与分析 一、遥感分类方法试验 　　1、最大似然分类法 MLC MLC,又叫贝叶斯 Bayes 判别分类,根据贝叶斯理论在使错误分类概率最小的约束条件下进行的遥感图像分类方法。本试验选取了对应地表覆盖最丰富时期的T15影像,选用1736个像元作为训练样本,应用ERDAS8.7进行分类,见图1。 图1 最大似然法分类图 　　2、自组织神经网络分类法 SONN 自组织神经网络是Kohonen于1984年根据大脑神经系统的“侧抑制”现象提出的。SONN本质上是一种非监督分类方法。 　　本试验同样采用T15影像进行,以Matlab7.0为平台,利用Newsom函数创建一个自组织神经网络。竞争的过程就是通过不断调整在竞争中某一获胜节点 神经元 的权值W i,j ,使其在后面的竞争中获胜的可能性逐渐增大的过程,分类图见图2。 图2??自组织神经网络分类图 　　3、支持向量机分类法 SVM SVM是在统计学理论的VC维 Vapnik2Ch2ervonenkisDimension 和结构风险最小化 SRM 原则的基础上发展起来的最新的机器学习方法。选取有代表性的T11,T15,T19等3个时相MODIS数据为试验源。分类中应用了3个时相前7个波段的反射率值及EVI值,分类图见图3。 图3 支持向量机分类图 　　4、决策树分类法 DTC DTC是遥感分类中的一种分层次处理结构,具有简单、明确、直观的特点。 　　DTC同样选T11,T15,T19等3个时相的7个波段的反射率值和EVI值作为输入数据。在KnowledgeEngineer中建立决策树规则,分类图见图4。 图4 决策树分类图 　　二、分类方法比较与分析 　　本章将4种分类结果进行对比与分析,进而对各种分类器的性能进行综合评价。 　　1、分类精度评价 　　本次精度评价采用产生随机点样本的方式进行。参照《150万全国土地利用图》及TM影像等评定出随机点的实际类别,得到误差矩阵。其中总体精度和Kappa系数是对分类结果的整体衡量,详见表1。 　　2、样本大小对分类器的影响为了比较训练样本数量对不同分类器的影响,选三组不同的测试样本对各种分类器进行试验。由于SONN是非监督分类,无需样本参与,最终得出以下结论: 　　（1）.DTC对训练样本的数量较敏感,通常在有充足样本的情况下,才能够达到较高的精度。此时,增加训练样本的数量可以大幅度提高决策树分类器的性能与精度; 　　（2）.SVM在训练样本数量较少时,分类精度优于DTC; 　　（3）.MLC需要满足最大似然法近似高斯分布条件的样本量,此时再增加训练样本,对MLC分类精度提高作用不显著。MLC是此3种分类法中最稳定的方法。 　　3、其他方面比较 　　此外,又对这4种分类法从模型复杂度、参数选择、分类速度等方面进行了多方对比,最终评定出分类器的推广能力,综合评价见表2。