摘要:支持向量数据描述SVDD(Support Vector Data Description)在单目标土地覆盖信息提取中得到了初步的应用,但已有研究一般选择纯净像元作为分类样本,不符合SVDD分类器原理,难以保证精度。本文选择北京市通州区为实验区,基于QuickBird重采样图像和地表真值数据构建不同空间特征的训练样本集,设计两种分类样本选择方案:在训练样本集中随机选择分类样本以及手工选择分类样本,进行SVDD分类。实验结果表明,随着惩罚因子C值逐渐增大或核宽度s值逐渐减小,超球会逐渐减小,生产者精度逐渐降低而用户精度逐渐提高。在最优分类参数的前提下,对样本进行SVDD分类。在模拟实验中,随着样本从中心向边缘逐渐扩散,超球也逐渐增大,分类精度逐渐增高,而最外层的样本接近小麦真实分布的边界,超球内混入其他的地物像元;在真实实验中,中心样本集SVDD分类总精度和生产者精度分别为80.48%和45.15%,而边缘样本集SVDD分类总精度和生产者精度分别为92.71%和95.81%,得到了明显的提升(Z=156.12),表明利用边缘像元进行SVDD分类能够提高目标地物的识别精度。
摘要:<正>中国林业科学研究院研制的LiCHy机载遥感系统(LiDAR,CCD and Hyperspectral)平台,是集成了小光斑波形激光雷达、高分辨率CCD相机和高光谱传感器的综合对地观测系统,可以同时以较高的空间分辨率获取地物垂直结构、水平结构以及光谱属性信息,在森林调查、森林扰动监测、生物多样性评估、碳计量等方面具有良好的应用前景。封面图片为LiCHy机载观测系统获取的林区数据示意图。左侧从上到下分别是激光雷达数据生成的冠层高度模型CHM(分辨率为0.5m)、高光谱影像(分辨率为0.7m)和CCD影像(分辨率为0.15m)。中间是局部放大图。右侧分别是来自一棵树的LiDAR点云数据侧视图、激光雷达单脉冲回波波形数据和高光谱影像的光谱立方体。