基于MODIS时序数据的澳大利亚土地利用/覆被分类与验证

选取对气候变化敏感的澳大利亚作为研究区,基于MOD13Q1数据,对澳大利亚2000年土地利用/覆被进行分类。通过Savizky-Golay滤波方法构建高质量NDVI时序数据,为分类奠定数据基础。采用了以决策树为主的混合分类方法对研究区土地利用/覆被进行分类,该方法综合利用了ISODATA分类结果、NDVI阈值及其时间序列主成分分析特征量等数据。通过面积对比和空间位置匹配等多角度验证的方法,综合比较MOD12Q1,GLC_2000与本研究的结果,发现本研究的总体分类精度为63.65%,Kappa系数为0.56,较以上两种已有的土地覆盖产品具有一定优势。     

基于SVM的地理试题自动分类

本文针对地理课程自动解题,采用SVM学习算法实现地理试题自动分类。通过采用TFIDF技术提取地理试题文本中的特征关键词,并选取LibSVM中的Linear核函数进行训练,以构建用于地理试题分类的预测模型。在所收集的地理试题集上的实验结果表明,在22个试题类别上的单类分类精度达到80%以上,整体分类精度也达到了87%。     

基于SVM的墙地砖颜色自动分类

支持向量机(SVM)是一种采用结构风险最小化原则的新的机器学习方法,具有完备的理论基础。该文首次把支持向量机技术应用于墙地砖的自动分类,首先通过对墙地砖图像的RGB通道进行小波分解,由于不同通道的相关性,故提取其协变信号作为特征集,再构建二叉树形式的决策树来实现SVM多类分类,然后对墙地砖进行了颜色分类实验,并与knn分类结果对比,实验结果证明SVM分类器具有更高的分类准确率。     

影像的土地覆被快速分类

精确的土地覆盖信息是进行碳循环、气候变化监测、土壤退化等相关科学研究的基础。随着云计算技术的不断成熟,一些高效算法与平台被不断提出,用来充分挖掘遥感数据所包含的海量信息。基于Google Earth Engine(GEE)云平台,利用随机森林监督分类法对1990、2000、2010、2017年的山西省土地覆被进行了分类。参考Google Earth高清影像选择的1580个样本点,对分类结果进行了验证;同时将分类结果与CNLUCC、GlobeLand30、FROM-GLC等现有土地覆被分类产品进行比较。验证和对比发现时间序列分类结果的总体精度达到86%~94%,比同期单时相分类总体精度提高了5%~10%;本文时间序列结果达到了CNLUCC、GlobeLand30、FROM-GLC等产品的分类精度。结果表明:①在快速准确土地覆被分类方面,时间序列影像与云平台结合,显示出时效性强、时间周期短、成本低等优势;②时间序列百分位数指标能有效地区分不同土地覆被类型的物候差别,在进行土地覆被分类方面显示出简单、易用、高效等特点。该方法对于深入研究大区域尺度的土地覆被变化过程具有重要的参考价值。     

基于SVM的网络文本信息自动分类

介绍基于SVM的网络文本信息自动分类算法,该算法在训练阶段将一个大型数据集分成许多不相交的子集,按批次对各个训练子集中的样本进行训练而得到多个分类器,利用误差纠错输出编码优化分类器,从而减少较深层次训练需要学习的文档.     

基于SVM的中文文本自动分类研究

详细介绍了进行文本分类的过程,并着重介绍了一种新的基于结构风险最小化理论的分类算法——支持向量机,通过实验比较支持向量机算法和传统的KNN算法应用于文本分类的效果,证实了支持向量机在处理文本分类问题上的优越性。     

基于SVM的学科试题自动分类研究

针对海量学科试题所引发的试题管理混乱现象,提出一种基于SVM的学科试题自动分类法。对学科语料进行分词、去停用词和统一相似词等预处理操作;采用TextRank算法对学科语料进行权重赋值,将语料文本向量化;用SVM中的Linear核函数训练语料得到分类器。用语料库中的12类单选题进行测试,整体分类的准确率、召回率、F1值均达到97%以上。结果表明,该分类法可以有效地分类试题文本。     

基于SVM的遥感图像自动分类研究

遥感图像具有信息大、灰度级大等特点,传统简单组合特征出现特征冗余、维数高等缺陷,造成图像分类精度差.为提高分类的准确性,提出一种多目标优化人工蜂群算法的遥感图像自动分类算法(ABC-SVM).首先提取遥感图像的颜色、纹理特征,然后采用人工蜂群算法对特征进行选择和优化,最后采用支持向量机对优化特征进行训练,建立遥感图像自动分类模型.仿真结果表明,ABC-SVM克服了传统组合特征算法的缺陷,提高了遥感图像分类准确率,加快分类速度,可以满足遥感图像分类的实时性要求.     

利用地形参数提高土地覆被分类精度方法的改进

为提高MODIS卫星影像土地覆被产品的分类精度,以京津冀为研究区,在1∶25万土地覆被数据与MODIS土地覆被产品(MCD12Q1)分类一致区内,构建土地覆被类型面积占比与地形因子之间的多元回归模型,并据此改进MODIS土地覆被产品中分类精度较低区域的分类。用面积构成比例和空间一致性比率两个评价指标对改进结果进行评价。结果表明:林地、草地、耕地三种地类的回归模型适合用来改进MODIS土地覆被产品的分类,三种地类与参考数据的空间一致性比率比改进前分别提高了30.02%、40.87%和4.94%;对于与地形因子关系密切的林地和草地,两个评价指标均显示,基于分类一致区建模来改进目标产品的分类精度,比基于整个区域建模改进目标产品的分类精度的效果更加明显。其中,林地的空间一致性比率的提升幅度由8.55%升到30.02%,草地由27.44%升到40.87%。由此可见,地形地貌对土地覆被类型的形成具有重要影响,土地覆被类型面积占比与地形因子之间具有很强的相关关系,基于这种定量关系对土地覆被分类进行改进是完全可行的。     

基于GIS的沐川县土地利用/覆被及景观格局变化研究

本文在对沐川县土地利用/覆盖变化进行分析过程中,引入了景观格局分析方法,将遥感与地理信息系统技术有机地结合起来,综合运用计算机自动分类技术与专家知识对该区域的土地利用∕覆被变化(Land use and cover change,简称LUCC)、景观格局变化及其迁移特征进行了定量分析.研究表明:1999～2001年是沐川县LUCC及其景观格局变化最重要的时期,林业产业发展是导致其变化的直接因素,退耕还林和天然林保护工程是引导这一林业产业发展的直接驱动力,生物过程在景观动态变化中居次要地位.     

基于优化分割分类层次体系的土地覆被分类制图方法探讨

随着高分辨率卫星的广泛应用,基于对象的影像分析方法逐渐成为提取土地覆被信息的主要方法。分割优化是基于对象的影像分析方法中的一个基本步骤。不同土地覆被类型通常具有不同的优化分割参数,如何充分利用多尺度最优分割建立分割分类层次体系,从高分辨率影像中提取各种土地覆被类型,实现高精度土地覆被制图,是面向对象影像分析方法中有待解决的一个难题。在获取不同土地覆被类别各自最优的分割参数基础上,探索了一种基于参考数据集的最小分割单元与决策树的分割分类层次体系构建方法。实验表明:该方法可以有效地降低设置分割分类层次体系时对操作者个人经验的依赖,提高分类精度,满足自动制图要求。     

复杂地形区土地利用/土地覆被分类机器学习方法比较研究

针对高海拔复杂地形区地貌类型复杂、多样,沟壑纵横、地形破碎等特点,研究快速、有效的土地利用/土地覆被分类方法对土地利用信息获取及更新是非常重要的。以位于黄土高原向青藏高原过渡带的湟水流域为研究区域,基于Landsat 8 OLI影像数据、DEM数据,并结合各种专题特征,在对研究区进行地理分区的基础上,采用人工神经网络、决策树、支持向量机和随机森林4种机器学习方法进行土地利用信息提取并进行精度评价,探索适合于复杂地形区最优的分类方法。研究结果表明:随机森林和决策树的分类精度明显高于支持向量机和人工神经网络。其中随机森林方法的分类精度最高,总体分类精度达85.65%,Kappa系数达0.84。在上述分类基础上,选择随机森林分类方法对Landsat 8全色与多光谱影像融合数据进行进一步的分类研究,总体分类精度达到86.49%,Kappa系数达0.85。这表明随机森林分类方法在保证分类精度的同时又能获得较高的分类效率,对于复杂地形区土地利用信息提取是非常有效的,数据融合在一定程度上提高了分类精度。     

基于MODIS—NDVI数据的秦岭中段土地覆被分类

基于地物光谱特征的监督分类一直是用遥感影像解译土地覆被类型的常规方法。基于可见光和近红外波段的光谱反射率构建的NDVI指数的水平高低及时序变化特征对土地覆被类型有高度敏感性和较好的指示性。本文基于时序MODIS-NDVI数据,通过合理选择训练样区对MODIS影象进行监督分类,最终实现对秦岭中部地区各种土地覆被的分类,通过与实地GPS调查数据比较,结果显示分类总体精度达到76．77％,kappa系数为67．22％,分类等级为较好。     

基于CNN的不同空间分辨率影像土地覆被分类研究

基于卷积神经网络（Convolutional Neural Networks, CNN）和5种不同空间分辨率的遥感影像,对西宁市东部一区域开展土地覆被分类研究,旨在探索CNN在不同空间分辨率下进行影像分类的差异性和对不同地物的提取能力。为提高样本的选择效率,引入了窗口滑动方法进行辅助选样。研究表明5种不同空间分辨率影像的总体分类精度均达89%以上,Kappa系数达0.86以上,分类精度较高。在所涉及的分辨率尺度范围内,空间分辨率越高,CNN分类结果越精细,并能保持较高的分类精度,表明CNN更适合高空间分辨率影像分类;但同时影像空间分辨率越高,地物表现出较高的类内变异性和低类间差异性,分类精度有降低的趋势。相比较而言,SPOT 6影像的分类精度最高,同时窗口滑动是一种有效的样本辅助选择方法。研究对今后同类工作具有一定的借鉴意义。     

基于SVM的公安情报自动分类系统的研究与设计

依据公安情报文本中不同位置的词条对区分文本类别的贡献显著不同的特点,引入位置权重系数,改进了经典的文本特征权重计算方法（TF-IDF）,使文本的权重能够更加全面地反映文本的类别信息。根据公安情报分类系统的需求,设计了基于支持向量机（SVM）的公安情报分类系统,该系统不仅能够实现情报文本的自动分类,而且能够保留在情报文本分类的不同阶段语料的特征信息,为情报信息的进一步加工处理提供支持,同时系统中各模块间采用松耦合的方式衔接,提高了系统的适应性和灵活性。通过实验验证了系统设计的合理性和有效性。     

基于KNN+层次SVM的文本自动分类技术

针对大规模文本的自动层次分类问题,K近邻(KNN)算法分类效率较高,但是对于处于类别边界的样本分类准确度不是很高。而支持向量机(SVM)分类算法准确度比较高,但以前的多类SVM算法很多基于多个独立二值分类器组成,训练过程比较缓慢并且不适合层次类别结构等。提出一种融合KNN与层次SVM的自动分类方法。首先对KNN算法进行改进以迅速得到K个最近邻的类别标签,以此对文档的候选类别进行有效筛选。然后使用一个统一学习的多类稀疏层次SVM分类器对其进行自上而下的类别划分,从而实现对文档的高效准确的分类过程。实验结果表明,该方法在单层和多层的分类数据集上的分类准确度比单独使用其中任何一种要好,同时分类时间上也比较接近其中最快的单个分类器。     

基于SVM的公安情报自动分类系统模型设计

本文针对传统公安情报工作中的不足,介绍了情报自动分类原理,结合多Agent思想构建了基于支持向量机的公安情报自动分类系统模型。     

基于SVM的图像分类

现有的图像检索系统多是针对底层特征的系统,而人类往往习惯于在语义级别进行相似性判别。如何跨越底层特征和高层语义之间的＂鸿沟＂,成为基于内容检索的研究重点。本文提出一种利用SVM提取图像的高层特征,然后对图像进行语义级别的分类。实验结果表明,该方法在一定程度上跨越＂语义鸿沟＂。     

基于SVM的图像分类

SVM能够解决线性及非线性分类问题,以较少的支持向量确定分类面,对样本数量及维数不敏感。基于直方图及惯性比确定图像特征能够保证平移、旋转和尺度不变性,是最优分类面确定的可靠保证。利用SVM进行图像分类,充分体现SVM理论的实用价值。