基于多种分类器组合的森林类型信息提取技术研究

评价中的作用就越大，相应的权重也越大。本文假定各单一分类器间是相互独立的，并且各分类器的识别能力有一定差异。所以利用信息熵计算出各分类器精度的熵值，再利用熵值修正各分类器的权重，所得到的权重值更客观。权值的确定如下：

先确定单个分类器各分类类型的精度e（k）i，计算各分类器的权重：

通过表5可见，3种分类器的对阔叶林的分类精度相对较高，最高达79.45%，最小为75.34%；采用最小距离分类器和最大似然分类器对针阔混交林的分类精度相似，马氏距离分类器对针阔混交林的精度较低仅为47.84%；3种分类器对针叶林分类精度的波动较大，最大精度与最小精度差达28.82%。马氏距离分类器对阔叶林的识别进度明显高于针叶林和针阔混交林，相比较3种分类器，最大似然分类器的分类精度高于其他两种分类器。

经过计算确定最小距离分类器信息熵权重系数为36.36%；最大似然分类器信息熵权重系数为42.97%，马氏距离分类器信息熵权重系数为20.67%。组合后的算法为

X=0.3636×X1+0.4297×X2+0.2067×X3。（12）

X1、X2、X3分别表示最小距离分类器算法、最大似然分类器算法、马氏距离分类器算法，X表示组合分类器的算法。

加权求和分类器的分类结果如图3所示。

最终组合分类器的总体精度为75.59%比单个分类器的高，组合分类器对每种分类类型的精度都有提高，尤其是阔叶林的分类精度达82.32%。

3.2 分 析

由研究结果可知，四种分类器对阔叶林和针叶林的分类精度都比较高，但是对针阔混交林的分类精度较低，这与针阔混交林的复杂结构有一定关系。如图4所示4种分类器对3种分类类型的关系，通过加权组合分类器的总体精度都高于单个分类器的精度，从分类类型分析，加权组合分类器的分类精度明显高于单个分类器的精度，针阔混交林类型提高的最显著，加权组合分类器的针阔混交林分类精度达66.45%比单个分类器中最高的最大似然法精度高4.82%，3种分类器对针叶林分类精度波动较大，组合分类器对针叶林的分类精度达75.49%比单分类器算法提高了4.1%，组合分类器算法对阔叶林的精度达82.32%提高了2.87%。由于本研究在分类器组合的过程中考虑了各分类器之间的相关性和互补性，使得组合分类器算法有效的提高了3种分类类型的精度，减少了混淆矩阵中错分和漏分的现象。本研究在精度检验过程中选择了46 935个样点作为检验对象，大量的数据避免了检验过程中所出现的偶然性，最终组合分类器的总体精度提高了3.85%。

4 结论和讨论

4.1 结 论

本文以TM遥感数据为信息源，首先对研究区进行了一级分类提取林地精度达98.37%，以此基础上对林地进行分类，选择了各分类类型中光谱差异较大的b2、b3、b4、b5、b7、BI 6个波段进行分类，在分类的过程中选择最小距离法、最大似然法和马氏距离法3种分类器算法，得到的3种分类器对针叶林、阔叶林和针阔混交林3种分类类型的精度，从而提出了组合分类器算法的思想，利用信息熵权重系数的方法确定组合分类器的算法，得到组合分类器的总体精度为75.58%，针叶林分类精度为75.49%，阔叶林分类精度为82.32%，针阔混交林分类精度为66.45%。

本文得到的结论有：通过多分类器组合方法对黑龙江省塔河林场的阔叶林、针阔混交林、针叶林进行分类，使得分类的总体精度达75.58%比单个分类器提高了3.85%，对阔叶林的分类精度达82.32%比单分类器提高了2.87%、针阔混交林的分类精度达66.45%比单分类器提高4.82%、针叶林的分类精度达75.49%比单分类器算法提高4.1%；多分类器组合的分类算法综合了各单分类器的优点，结合了分类器间的相关性与互补性，本文采用信息熵确定权重系数的规则，这与传统的投票法规则相比更科学，所以信息熵确定权重系数规则进行多分类器组合的方法能有效的提高遥感信息的识别、提取。

4.2 讨 论

本文在遥感影像的提取和识别的地物类型中引入了组合分类器的思想，具体的分析了组合分类器与单个分类器分类精度。提高遥感影像分类精度的方法有很多，本文选择了组合分类器算法的方法提高分类精度，但在选择单个分类器上的研究比较欠缺，在今后的研究中可以选择更多的分类器算法如SVM、SAM、支持向量机等方法进行组合已达到提高遥感精度的目的。

【参 考 文 献】

[1]金亚秋.空间微波遥感数据验证理论与方法[M].北京：科学出版社，2005.

[2]杨红磊.EM算法研究及其遥感分类应用[D].北京：中国地质大学，2009.

[3]罗小波，赵春晖，潘建平，等.遥感图像智能分类及其应用[M]，北京：电子工业出版社，2011.

[4]Ji C Y.Landuse classification of remotely sensed data using kohonen selforganizing feature map neural networks[J].Photogrammetric Engineering & Remote Sensing，2000，66（12）：1451-1460.

[5]Kohonen T.Self organization of a massive document collection[J].Neural Networks，2000，11（3）：570-584.

[6]骆剑承.基于径向基函数（RBF）映射理论的遥感影像分类模型研究[J].中国图像图像学报，2000，5（2）：95-99.

[7]Bagan H，Ma J W.Dimension reduction of selforganized neural networks classification for multi band satellite data[J].Geometries Information Science of Wuhan University，2004，29（5）：461-465.

[8]张友文，冯学智，阮仁宗，等.Kohonen神经网络在遥感影像分类中的研究[J].遥感学报，2004，8（2）：178-183.

[9]刘纯平.基于Kononen神经网络聚类方法在遥感分类中的比较[J].计算机应用，2006，26（7）：1745-1750.

[10]戴 芹，马建文.基于遥感数据SOFM网络分类结果的城市增长潜力模型研究[J].遥感技术与应用，2006，21（3）：200-205.

[11]尹汪宏，李超峰，张俊玲.基于混合核函数的自组织神经网络遥感图像分类[J].计算机工程与设计，2009，30（2）：288-391.

[12]曲培青，施润和，刘 剋.基于遥感和BP人工神经网络的城乡气象站点划分分析[J].地球信息科学，2010，12（5），726-732.

[13]Zhang J，Zhang Y.Classification of hyperspectral data using support vector machine[A].In：Proceedings of IEEE International Conference on Image Processing[C]，Thessaloniki Greece，2001：882-885.

[14]He L M，Kong F S.Multiclass SVM based land cover classification with multisource data[A].In：Proceedings of the Fourth International Conference on Machine Learning and Cybernetics[C].Guangzhou China，2005：3541-3545.

[15]Bateson C A，Asner G P.Endmember bundles：A new approach to incorporating endmember variability into spectral mixture analysis [J].IEEE Transactions Oil Geoscience and Remote Sensing，2000，38（2）：1083-1094.

[16]Wu C.Normalized spectral mixture analysis for monitoring urban composition using ETM+ imagery[J].Remote Sensing of Environment，2004，93（4）：480-492.

[17]Laliberte AS，Rango A，Havstad K M，et al.Objectoriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico[J].Remote Sensing of Environment，2004，93：198-210.

[18]周春艳.面向对象的高分辨率遥感影像信息提取技术[D].青岛：山东科技大学，2006.

[19]柏延臣，王劲峰.结合多分类器的遥感数据专题分类方法研究[J].遥感学报，2005，9，（5）：555-563.

[20]丛喜东，梁志强.地理信息系统在林业精细化管理中的应用[J].林业机械与木工设备，2014，04：54-56.

[21]徐化成.中国大兴安岭森林[M].北京：科学出版社，1998.

[22]Wilkinson G G，Fierens F.Integration of neural and statistical approaches in spatial data classification[J].Geographical Systems，1995（2）：1-20.

[23]Pinz A J，Bartl R.Information fusion in image understanding Landsat classification and ocular fundus image[A].In：SPIE Sensor Fusion V [C]，Boston，1992：276-287.

[24]Acqual F D，Gamba P，Ferrari A，et al.Exploiting spectral and spatial information in hyperspectral urban data with high resolution[J].IEEE Transactions on Geoscience and Remote Sensing Letters，2004，1（4）：322-326.

[责任编辑：刘美爽]

推荐访问： 组合 技术研究 提取 多种 森林