TM影像决策树分类中的影响因素研究

被引：3

作者：

张连华 ^{[1
,2
]}

庞勇 ^{[1
]}

岳彩荣 ^{[2
]}

李增元 ^{[1
]}

范应龙 ^{[1
]}

谭炳香 ^{[1
]}

车学俭 ^{[1
]}

机构：

[1] 中国林业科学研究院资源信息研究所

[2] 西南林业大学林学院

来源：

林业科学研究 | 2014年 / 27卷 / 01期

关键词：

决策树分类; TM影像; 训练数据; 植被指数; 波段组合;

D O I：

10.13275/j.cnki.lykxyj.2014.01.001

中图分类号：

S711 [森林数学]; TP751 [图像处理方法];

学科分类号：

摘要：

以云南省西双版纳州一景TM影像为例,分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下,训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高,并且多种参数波段的选择也会有效地提高分类的精度。

引用

页码：1 / 5

页数：5

共 15 条

[1] 基于TM影像的多伦县土地利用信息提取 [J].

吴见 ;

彭道黎 .

东北林业大学学报, 2010, 38 (10) :88-90+94

[2] 基于CART决策树方法的遥感影像分类 [J].

齐乐 ;

岳彩荣 .

林业调查规划, 2011, 36 (02) :62-66

[3]

Rule-based classification systems using classification and regression tree (CART) analysis. Lawrence, R.L.,Wright, A. Photogrammetric Engineering and Remote Sensing . 2001

[4]

A machine-learning approach to automated knowledge-base building for remote sensing image analysis with GIS data. Huang Xueqiao,John R Jensen. Photogrammetric Engineering and Remote Sensing . 1997

[5]

Automatic Spectral Rule-Based Preliminary Mapping of Calibrated Landsat TM and ETM+ Images. Baraldi, A.,Puzzolo, V.,Blonda, P.,Bruzzone, L.,Tarantino, C. Geoscience and Remote Sensing, IEEE Transactions on . 2006

[6]

Thematic accuracy of the 1992 National Land-Cover Data for the western United States[J] . J.D Wickham,S.V Stehman,J.H Smith,L Yang. &nbspRemote Sensing of Environment . 2004 (3)

[7]

遥感应用分析原理与方法[M]. 科学出版社 , 赵英时等编著, 2003

[8] 用TM资料对祁连山部分地区进行针叶林、灌木林分类研究 [J].