针对建筑用地在提取过程中易与大面积裸露耕地和未利用地相混淆,且当前大多建筑用地提取指数阈值难以确定的问题,提出了利用多元信息提取城镇用地和农村居民地的方法。实验结果表明,利用农作物生长、成熟期的不同时相特征可有效削弱大...针对建筑用地在提取过程中易与大面积裸露耕地和未利用地相混淆,且当前大多建筑用地提取指数阈值难以确定的问题,提出了利用多元信息提取城镇用地和农村居民地的方法。实验结果表明,利用农作物生长、成熟期的不同时相特征可有效削弱大面积的裸露耕地对建筑用地提取精度的影响;构建的裸地弱化建筑指数(Bare Land Weakened Build-Up Index,BWBI)将建筑用地正值化、背景地物负值化,克服了大多数建筑指数阈值难以确定的缺点;利用DMSP/OLS夜间稳定灯光数据构建城镇缓冲区实现了城镇与农村居民地的半自动化提取,其提取精度均达到80%以上。展开更多
基于花生生长中后期2020年8月1日和15日两个时相高分多光谱数据,构建40个作物分类遥感特征,采用ReliefF-Pearson方法优选出15个特征,构造作物可分的4种特征空间。采用最大似然分类法、支持向量机和随机森林分类器,分别耦合4种特征空间,...基于花生生长中后期2020年8月1日和15日两个时相高分多光谱数据,构建40个作物分类遥感特征,采用ReliefF-Pearson方法优选出15个特征,构造作物可分的4种特征空间。采用最大似然分类法、支持向量机和随机森林分类器,分别耦合4种特征空间,开展作物分类对比试验,进行分类精度和景观评价提出作物双时相遥感分类模型(dual-temporal remote sensing classification model for crop,C-DRSC)。结果表明:该模型具有较高的作物分类和花生识别能力,作物分类总体精度和Kappa系数分别为93.25%和0.89,平均形状指数和平均斑块分维指数分别为1.33和1.13;花生识别的用户精度和制图精度分别为96.20%和96.32%,平均形状指数和平均斑块分维指数分别为1.27和1.11。利用该模型在黄淮海地区的4个花生主产县开展夏花生种植面积遥感测算,与统计面积相比,面积测算相对误差为±16.25%,决定系数为0.9778(达到0.01显著性水平),模型具有较好的适用性。展开更多
文摘针对建筑用地在提取过程中易与大面积裸露耕地和未利用地相混淆,且当前大多建筑用地提取指数阈值难以确定的问题,提出了利用多元信息提取城镇用地和农村居民地的方法。实验结果表明,利用农作物生长、成熟期的不同时相特征可有效削弱大面积的裸露耕地对建筑用地提取精度的影响;构建的裸地弱化建筑指数(Bare Land Weakened Build-Up Index,BWBI)将建筑用地正值化、背景地物负值化,克服了大多数建筑指数阈值难以确定的缺点;利用DMSP/OLS夜间稳定灯光数据构建城镇缓冲区实现了城镇与农村居民地的半自动化提取,其提取精度均达到80%以上。
文摘基于花生生长中后期2020年8月1日和15日两个时相高分多光谱数据,构建40个作物分类遥感特征,采用ReliefF-Pearson方法优选出15个特征,构造作物可分的4种特征空间。采用最大似然分类法、支持向量机和随机森林分类器,分别耦合4种特征空间,开展作物分类对比试验,进行分类精度和景观评价提出作物双时相遥感分类模型(dual-temporal remote sensing classification model for crop,C-DRSC)。结果表明:该模型具有较高的作物分类和花生识别能力,作物分类总体精度和Kappa系数分别为93.25%和0.89,平均形状指数和平均斑块分维指数分别为1.33和1.13;花生识别的用户精度和制图精度分别为96.20%和96.32%,平均形状指数和平均斑块分维指数分别为1.27和1.11。利用该模型在黄淮海地区的4个花生主产县开展夏花生种植面积遥感测算,与统计面积相比,面积测算相对误差为±16.25%,决定系数为0.9778(达到0.01显著性水平),模型具有较好的适用性。
