王苗苗
- 作品数：6 被引量：23H指数：4
- 供职机构：兰州大学资源环境学院更多>>
- 发文基金：国家自然科学基金中央高校基本科研业务费专项资金更多>>
- 相关领域：自动化与计算机技术天文地球金属学及工艺农业科学更多>>
- 多源遥感数据土地覆被空间尺度效应探讨被引量：5
- 2017年
- 鉴于目前土地覆被空间尺度效应的探讨大多集中于低空间分辨率数据,而对中高分辨率数据却鲜有研究的情况,基于3景中高分辨率(2.5m、10m和30m)的同区域同时相遥感数据的土地覆被分类图,从土地覆被空间一致性、土地覆被空间信息转移、土地覆被空间格局变化3方面进行了空间尺度效应探讨。研究表明,不同空间分辨率影像上反映的区域土地覆被空间格局在宏观上是一致的,但构成各个土地覆被类型斑块的边界、形状和数量随着空间分辨率的转换发生了变化;土地覆被类型的空间信息转移趋势取决于构成该土地覆被类型的斑块的形状、大小和空间分布情况;随着空间分辨率的降低,各个土地覆被类型逐渐趋于完整,斑块的狭长程度和边界的复杂程度逐渐降低。
- 马红梅王苗苗刘勇
- 关键词：遥感数据土地覆被
- 集成机器学习与面向地理对象影像分类的大区域林地信息提取及其泛化能力探讨被引量：6
- 2020年
- 采用面向地理对象的影像分析法,从祁连山区选择其中一幅典型区域采集训练样本,分别采用支持向量机、随机森林和深度神经网络法3种机器学习方法进行训练,在此基础之上从毗邻区域多时相Landsat 8 OLI影像中提取出整个祁连山区青海云杉林的空间信息,并从精度评价和邻接区域边界一致性等方面对支持向量机、随机森林和深度神经网络法3种分类器的泛化能力进行了比较.结果表明,深度神经网络法的信息提取精度最高,泛化能力最好,对50幅影像的平均总体精度达到96.63%, kappa系数为0.78.
- 陆海霞刘勇张寅丹刘巨峰王苗苗何江
- 关键词：泛化能力
- 基于监督与非监督分割评价方法提取高分辨率遥感影像特定目标地物的对比研究被引量：4
- 2019年
- 基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2)进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明:①相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;②非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43~4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。
- 张寅丹王苗苗陆海霞刘勇
- 基于不一致性法的最优分割参数评价
- 2015年
- 影像分割是基于对象分析方法的前提,分割结果的质量决定了后续分类的精度,分割参数的选择影响到分割结果的好坏。基于不一致性度量方法,考虑几何不一致性和算术不一致性,构建了新的最优分割参数评价指标FIX,实现最优分割参数的选择。选取高空间分辨率IKONOS影像上2种不同地物(池塘、农田)进行实验研究,表明不同地物具有不同的最优分割参数,为最优分割参数评价方法提供一种思路。
- 刘天凤王苗苗马红梅
- 关键词：影像分割
- 基于J48决策树的面向对象方法的土地覆被信息提取被引量：8
- 2016年
- 过去10多a来,面向对象的影像分析方法在高分辨率影像信息提取中表现出了明显优势,得到了快速发展。该方法中一个难题是,如何有效地建立满足健壮性和通用性准则的分类规则集。基于数据挖掘原理的决策树方法有望提供有效的解决方案。选用WEKA J48算法从影像光谱、纹理和地形特征等诸多参数中优选出部分参数构建决策树分类模型,以此建立分类规则集,并集成于面向对象的影像分类方法中。利用Landsat5 TM影像和ASTER数字高程模型数据进行的甘肃省会宁县白草塬地区土地覆被分类的结果表明,本方法所建立的分类规则集具有较佳的健壮性和通用性,其分类精度明显优于基于像元的最大似然法和基于试错性规则集的面向对象法。
- 孙宇翼赵军利王苗苗刘勇
- 关键词：决策树
