农村建筑物作为地震灾害中最重要的承灾对象，对其类型、分布等信息的快速获取在抗震减灾等方面具有重要意义。基于GF-2高分辨率遥感数据，利用ESP(Estimation of Scale Parameter)算法和seath(Seperability and Thresholds)算法分别确...
详细信息
农村建筑物作为地震灾害中最重要的承灾对象，对其类型、分布等信息的快速获取在抗震减灾等方面具有重要意义。基于GF-2高分辨率遥感数据，利用ESP(Estimation of Scale Parameter)算法和seath(Seperability and Thresholds)算法分别确定影像最佳分割尺度及构建最优特征学习空间，选用决策树分类法和随机森林机器学习分类法，分别对2021年5月初甘肃省襄南镇的农村建筑物结构进行提取分类，并使用无人机航测和现场调查统计数据进行分类结果的准确度检验和修正。结果表明：(1)两种方法都能较好地识别空间分布均匀、面积大、颜色鲜明的砖混建筑物，但对于分布杂乱且相对集中、颜色灰暗、面积小的土木（砖木）建筑物难以有效识别出其边界轮廓并准确分类。(2)两种方法对研究区建筑物分类的精度分别是82.42%、86.82%，且基于随机森林的方法在提取建筑物信息时出现的错分漏分现象较少，因此，随机森林方法进行农村建筑物分类更适用。
针对建筑物信息提取存在低效率、高成本的问题,提出了一种利用分离阈值算法(seperability and thresholds,seath)的高精度建筑物信息提取方法。采用高分二号遥感影像,通过半自动化信息提取构建分类规则的方法对天津市西青区的建筑物信...
详细信息
针对建筑物信息提取存在低效率、高成本的问题,提出了一种利用分离阈值算法(seperability and thresholds,seath)的高精度建筑物信息提取方法。采用高分二号遥感影像,通过半自动化信息提取构建分类规则的方法对天津市西青区的建筑物信息进行提取。通过运用seath算法构建知识规则,选取训练样本并输出训练样本的特征值,将输出的特征值运用seath算法进行自动确定阈值和特征优选,进而采用像素对象调整优化建筑物轮廓。将基于面向对象的最邻近分类法与该方法进行了精度评价对比。结果表明,该方法在提取建筑物信息时出现的错分漏分现象较少,且总体精度和Kappa精度都要高于基于面向对象的最邻近分类法,验证了其在提取建筑物信息方面的可行性。
暂无评论