A Comparison of Object-oriented Methods of Extracting Eucalyptus Information Based on GF-2 Images

doi:10.13466/j.cnki.lyzygl.2017.06.010

Abstract

Abstract:

In order to explore GF-2 satellite performance in eucalyptus information extraction,this research took place in Pinglang County.After multi-scale segmentation,the research used object-oriented classification methods like Bayes(Bayes),Decision Tree(DST),K nearest neighbor(KNN),Support Vector Machine(SVM)and Random trees(RDT)to extract the Eucalyptus information.Then it evaluated the classification accuracy by Confusion Matrix.The results showed that the Support Vector Machine was the best classification method with the overall accuracy at 86.4%,and the Kappa coefficient 0.73.The Bayes classification was worst.Thus,GF-2 satellite data can provide a potential data source for remote sensing monitoring of eucalyptus information,and the Support Vector Machine would be a potential method.

Key words: GF-2 images, eucalyptus, object-oriented, support vector machine, method comparison

CLC Number:

P237
TP75

LIANG Wenhai, LIU Jikai, CHEN Qi, CHEN Xiandong, ZHONG Shiquan. A Comparison of Object-oriented Methods of Extracting Eucalyptus Information Based on GF-2 Images[J]. FOREST RESOURCES WANAGEMENT, 2017, 0(6): 54-59.

Figures/Tables 8

Tab.1

Fig.1

Tab.2

Tab.3

Fig.2

Fig.3

Fig.4

Tab.4

References 20

[1]	高分二号[EB/OL]. (2014-10-1156)[2017-09-14]. http://www.cresda.com/CN/Satellite/3128.shtml.
[2]	王忠武, 刘顺喜, 戴建旺, 等. 高分二号卫星数据在新增建设用地监测中的应用分析[J]. 航天器工程, 2015,24(6):134-139.
[3]	吴小娟, 肖晨超, 崔振营, 等. “高分二号”卫星数据面向对象的海岸线提取法[J]. 航天返回与遥感, 2015,36(4):84-92. doi: 10.3969/j.issn.1009-8518.2015.04.011
[4]	刘肖姬, 梁树能, 吴小娟, 等. “高分二号”卫星数据遥感滑坡灾害识别研究_以云南东川为例[J]. 航天返回与遥感, 2015,36(4):93-100. doi: 10.3969/j.issn.1009-8518.2015.04.012
[5]	梁树能, 魏红艳, 甘甫平, 等. “高分二号”卫星数据在遥感地质调查中的初步应用评价[J]. 航天返回与遥感, 2015,36(4):63-72. doi: 10.3969/j.issn.1009-8518.2015.04.009
[6]	路云阁, 樊双亮, 李春霖. “高分二号”卫星在西藏矿山遥感监测中的应用研究[J]. 航天返回与遥感, 2015,36(4):73-83. doi: 10.3969/j.issn.1009-8518.2015.04.010
[7]	李春干, 梁文海. 面向对象遥感图像森林变化监测的工程化应用方法[J]. 林业资源管理, 2015(6):137-143.
[8]	徐菲楠, 祁元, 王建华, 等. 面向对象的黑河下游河岸林植被覆盖信息分类[J]. 遥感技术与应用, 2015,30(5):996-1005. doi: 10.11873/j.issn.1004-0323.2015.5.0996
[9]	郭亚鸽, 于信芳, 江东, 等. 面向对象的森林植被图像识别分类方法[J]. 地球信息科学学报, 2012,14(4):514-522. doi: 10.3724/SP.J.1047.2012.00514
[10]	孙磊, 冯立新. 横县林地保护与规划利用研究[J]. 农业科学, 2014,42(4):1189-1191.
[11]	牟智慧, 杨广斌. 基于TM影像面向对象的桉树信息提取[J]. 林业资源管理, 2014(2):119-125.
[12]	朱俊杰, 范湘涛, 杜小平, 等. 面向对象的高分辨率遥感图像分析[M]. 北京: 科学出版社, 2014.
[13]	胡荣明, 魏曼, 杨成斌, 等. 以SPOT5遥感数据为例比较基于像素与面向对象的分类方法[J]. 遥感技术与应用, 2012,27(3):366-371.
[14]	朱军, 胡文波. 贝叶斯机器学习前沿进展综述[J]. 计算机研究与发展, 2015,52(1):16-26. doi: 10.7544/issn1000-1239.2015.20140107
[15]	祖笑峰, 覃先林, 尹凌宇, 等. 基于高分一号影像光谱指数识别火烧迹地的决策树方法[J]. 林业资源管理, 2015(4):73-78.
[16]	雷光斌, 李爱农, 谭剑波, 等. 基于多源多时相遥感影像的山地森林分类决策树模型研究[J]. 遥感技术与应用, 2016,31(1):31-41. doi: 10.11873/j.issn.1004-0323.2016.1.0031
[17]	薄树奎, 荆永菊. 基于最近邻的遥感影像单类信息提取[J]. 计算机科学, 2016,43(S1):217-218.
[18]	马玥, 姜琦刚, 孟治国, 等. 基于随机森林算法的农耕区土地利用分类研究[J]. 农业机械学报, 2016,47(1):297-303.
[19]	方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2011,26(3):32-38.
[20]	李梦颖, 邢艳秋, 刘美爽, 等. 基于支持向量机的Landsat-8影像森林类型识别研究[J]. 中南林业科技大学学报, 2017,37(4):52-58.

序号	产品名	相机	时相
1	GF2_PMS1_E108.9_N22.6_20150809_L1A0000970338	PMS1	2015-08-09
2	GF2_PMS1_E109.0_N22.8_20150809_L1A0000970337	PMS1	2015-08-09
3	GF2_PMS2_E108.9_N22.6_20151022_L1A0001123469	PMS2	2015-10-22
4	GF2_PMS2_E108.9_N22.8_20151022_L1A0001123468	PMS2	2015-10-22

波段	信息量	百分比/%
1	8481.793	97.9
2	173.3915	2.0
3	10.618	0.1
4	1.4263	0.0

分类方法	说明	参考文献
贝叶斯(Bayes)	贝叶斯分类算法是统计学的一种分类方法,它是一类利用概率统计知识进行分类的算法。在许多场合,贝叶斯(Na?ve Bayes,NB)分类算法可以与决策树和神经网络分类算法相媲美,该算法能运用到大型数据库中,而且方法简单、分类准确率高、速度快。	[14]
决策树 (Decision Tree,DST)	决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。	[15-16]
K最近邻 (K Nearest Neighbor,KNN)	K最近邻分类算法是数据挖掘分类技术中最简单的方法之一。KNN算法的核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。	[17]
随机森林 (Random Trees,RDT)	随机森林指的是利用多棵树对样本进行训练并预测的一种分类器;其输出的类别是由个别树输出的类别的众数而定。	[18-19]
支持向量机 (Support Vector Machine,SVM)	支持向量机是一种建立在统计学习理论(Statistical Learning Theory,SLT)基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量,由此构造出分类器,可以将类于类之间的间隔最大化,因而有较好的推广性和较高的分类精准率。	[20]

评价指标	分类方法
评价指标	Bayes	DST	KNN	RDT	SVM
总体精度/%	67.1	81.4	76.4	85.7	86.4
kappa系数	0.34	0.63	0.53	0.71	0.73