基于多来源遥感数据的新战略,以提高土地使用/覆盖变化分类的准确性
Cheng Chen1,2, XiPing Yuan2,3, Shu Gan4,5
1School of Land and Resources Engineering, Kunming University of Science and Technology, Kunming, 650093, China.
新方法改善了使用无人机 (UAV) LiDAR和高频谱成像 (HSI) 数据进行土地覆盖分类. 结合这些数据集可以显著提高可持续土地管理和区域规划的准确性.
科学领域:
- 遥感 遥感 遥感 遥感
- 地理空间分析是什么
- 环境监测 环境监测
背景情况:
- 土地使用/覆盖变化 (LUCC) 对于可持续的土地管理至关重要,但目前的特征提取方法与复杂的数据作斗争,阻碍了准确的土地覆盖分类.
- 有效地提取和分类土地覆盖数据对于有效的区域规划和环境监测至关重要.
研究的目的:
- 引入新的特征提取和维度减小算法,以改善土地覆盖分类.
- 通过无人机 (UAV) LiDAR和高光谱成像 (HSI) 数据在各种环境中评估这些方法的有效性.
- 确定最佳特征子集,并评估个人数据源和特征对分类准确性的贡献.
主要方法:
- 开发了一种新的特征提取算法和细分和分层主要组件分析 (SS-PCA) 以减少维度.
- 在城市,农业和自然环境中对无人机LiDAR和HSI数据应用方法,提取157个特征.
- 使用随机森林分类器,用于土地覆盖分类的最佳特征子集.
主要成果:
- 该SS-PCA方法增强了特征频段,减少了HSI噪声,并将整体分类准确度提高到91.17%.
- 使用CFW方法提高了LiDAR (78.10%),HSI (89.87%) 和LiDAR+HSI数据 (97.17%) 的精度.
- 确定LiDAR强度和HSI特征对于提高分类准确性至关重要.
结论:
- 提出的方法,特别是LiDAR和HSI数据的整合,显著提高了地面细分类准确性.
- 这些技术有效地减轻了分类噪声,并为各种土地覆盖分类场景提供了可靠的方法.
- 这些发现强调了先进的特征提取和数据融合对于精确的土地管理和规划的潜力.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
相关概念视频
Manipulation and Analysis
Methods of Obtaining Topography
Common Leveling Mistakes and Errors
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
Errors in Global Positioning System
Levels of Use of a GIS
