基于Radarsat和TM图像融合与分类的土壤盐渍化信息遥感监测研究

被引：7

作者：

依力亚斯江·努尔麦麦提

塔西甫拉提·特依拜

舒宁

王伯超

买买提沙吾提

机构：

[1] 新疆大学资源与环境科学学院

[2] 新疆大学绿洲生态教育部重点实验室

[3] 武汉大学遥感信息工程学院

来源：

测绘科学 | 2009年 / 01期

关键词：

Radarsat; TM; 融合; 分类; 盐渍化;

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：

单一雷达影像数据通常不能提供足够的用以监测干旱地区盐渍化的信息。雷达图像与TM图像的融合可以提高遥感数据的利用率,增强数据的可靠性和信息的互补性,有助于提高分类精度。本文采用了GramSchmidt变换融合法将Radarsat和TM图像进行融合,并将该融合方法与一些常用融合方法(HIS融合、PCA融合、Brovey融合)进行了比较,结果表明该融合方法优于其他方法。最后采用支持向量机分类法(SVM)对Radarsat、TM融合后的图像进行了分类。结果表明:同单独Radarsat影像和TM影像分类结果相比,该融合分类法将分类精度分别提高了近30%和2%。因此该融合分类法更适合于遥感图像盐渍化信息监测。

引用

页码：56 / 59

页数：4

共 21 条

[1]

Support Vector Machines for SAR Automatic Target Recognition. Qun ZHao,Jose C Principe. IEEE Transactions on Aerospace and Electronic Systems . 2001

[2]

Support vector networks. Cortes C,Vapnik V. Machine Learning . 1995

[3]

The nature of statistical learning. Vapnik V N. . 2000

[4]

Gram-Schmidt orthogonalization. Clayton D G. Applied Statistics . 1971

[5]

Remote sensing of soil salinity: potentials and constraints. Metternicht G I,,Zinck J A. Remote Sensing of Environment . 2003

[6]

Remote sensing technique for mapping salt affected soils. Verma,K. S.,Saxena,R. K.,Barthwal,A. K.,Deshmukh,S. N. International Journal of Remote Sensing . 1994

[7]

Characterization of Saline Soils Using Airborne Radar Imagery. Taylor G R,Mah A H,et al. Remote Sensing of Environment . 1996

[8]

Support Vector Machines for Remote Sensing Image Classification. Rolif,Fumira G. http://cite-seer.nj.nec.com . 2004

[9]

Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening. Laben. US Patent:6011875 . 2000

[10] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

MACHINE LEARNING, 1995, 20 (03) :273-297

← 1 2 3 →