基于支持向量机的土地覆被遥感分类

被引：19

作者：

田源 ^{[1
]}

塔西甫拉提·特依拜 ^{[1
]}

丁建丽 ^{[1
]}

张飞 ^{[1
]}

依力亚斯江·努尔麦麦提 ^{[1
]}

韦建波 ^{[1
]}

机构：

[1] 新疆大学资源与环境科学学院

来源：

资源科学 | 2008年 / 08期

关键词：

支持向量机; 土地覆被; 遥感图像分类;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

081002 ;

摘要：

遥感图像的分类是研究土地变化的基础。传统的遥感图像分类存在着精度不高,不确定性强的特点。本文使用支持向量机(SVM,Support Vector Machine)技术对遥感图像分类,并与传统的最大似然分类进行对比试验。结果表明不同参数组合下SVM的分类总精度和Kappa指数普遍高于最大似然分类的结果,其最高总精度高出最大似然分类0.9779%。SVM和最大似然分类结果都存在着类别混分,但是SVM混分程度远小于最大似然分类,其精度保持在可接受的范围内,如对于低密度草而言,最大似然分类的用户精度下降到84.68%,而支持向量机的用户精度虽然也有下降但还是保持在92.31%。SVM在样本数目很少的情况下表现出了出色的学习能力,是机器学习领域很有希望的一种学习方法。

引用

页码：1268 / 1274

页数：7

共 21 条

[1]

Multiple support vector machines for land cover change detection: An application for mapping urban extensions[J] . Hassiba Nemmour,Youcef Chibani. &nbspISPRS Journal of Photogrammetry and Remote Sensing . 2006 (2)

[2]

Multiple support vector machinesfor land cover change detection:An application for mapping urbanextensions. Hassiba Nemmour,Youcef Chibani. ISPRS Journal Photogrammetry and Remote Sensing . 2006

[3]

支持向量机导论[M]. 机械工业出版社 , (美) 克里斯蒂亚尼尼 (Cristianini, 2005

[4]

A tutorial on support vector machinesfor pattern recognition. C.J.C.Burges. Data Mining and Knowledge Discovery . 1998

[5] 基于多波段组合技术的土地利用/覆盖信息提取研究 [J].