论文摘要
针对大面积土地覆盖遥感分类中数据获取难度大、复杂度高、分类结果不够精确且易受季候变化影响等问题,提出了一种利用Landsat时间序列数据,生成年度时序特征,并结合特定算法(UniBagging)进行土地覆盖分类的方法(LandUTime)。该方法定义了一种基于时间序列数据的特征生成方式,根据时序数据特点,设计了一种基于特征子空间的集成分类算法。实现过程分为2个阶段,首先基于特定模型,在像元级别上对Landsat时间序列图像进行回归分析,生成模式特征,然后将所有特征整合成"特征块",根据特征子空间将基分类器集成到相互分离的集合中,最后通过加权投票的方法进行分类结果输出。实验结果与定量分析表明,与传统的特征提取及分类方法相比,该方法提高了分类精度,而且对高维数据具有鲁棒性;可以有效克服大面积土地覆盖分类中云遮掩、数据条带和物候变化等问题的影响,具有较高的准确性和实用性。
论文目录
文章来源
类型: 期刊论文
作者: 肖京格,乔彦友,王成波,夏昊,付东
关键词: 数据,时间序列,土地覆盖,遥感分类,回归分析
来源: 遥感信息 2019年02期
年度: 2019
分类: 信息科技,基础科学,工程科技Ⅰ辑,工程科技Ⅱ辑
专业: 环境科学与资源利用,工业通用技术及设备,自动化技术
单位: 中国科学院遥感与数字地球研究所,中国科学院大学
基金: 国家重点研发计划(2016YFB0502502)
分类号: X87;TP751
页码: 55-61
总页数: 7
文件大小: 3453K
下载量: 411