万曙静,张承明,刘俊华
(1.中国测绘科学研究院政府地理信息中心,北京100083;2.山东农业大学信息科学与工程学院,山东泰安271018;3.山东省农科院,山东 济南250100)
多光谱遥感图像是土地利用应用中主要的数据源,针对多光谱遥感图像的根本特点研究适宜的分类算法,是获取高精度土地利用信息主要手段。
20世纪80年代,主要是利用统计模式识别方法进行遥感图像的计算机分类[1]。20世纪90年代期间至今,涌现出了大量的遥感图像分类方法,如人工智能分类法、遥感与GIS结合法、面向对象的分类法、复合分类法等都取得较好的效果[2]。Dixon等将支持向量机法用于TM影像土地利用分类取得了最好的分类精度。Wardlow等在美国中央大平原采用决策树分类方法进行农作物分类,取得了优于80%的总体分类精度。陶超等[3]针对高分辨率遥感影像中“同谱异物”现象提出一种基于概率潜在语义模型的高分辨率遥感影像分类方法。李刚提出了基于高维云模型和改进RBF神经网络的不确定性分类技术[4]。传统的遥感图像分类方法在自动化、智能化和分类精度方面不能令人满意[5];基于神经网络的遥感分类技术尽管具有容错能力好、自适应性强等优点,但在实际应用中存在着结构选取困难、局部收敛过快、学习过程难以控制等问题,导致其并不完全优于传统的分类技术;基于决策树的分类方法对边界处理不太理想[6-7]。
本文根据多光谱遥感图像的根本特点,综合考虑土地利用分类的速度和精度,提出一种引入自适应最小距离调整的分类方法,以期更好地满足实际生产的需要。……