高光谱数据波段多、波段之间相关性强,导致信息冗余严重,增加了数据处理的工作量,有效准确地在众多波段中选择具有代表性的波段尤为重要。首先用Wilks'Lambda(WL),随机森林(random forest,RF)与自适应波段选择(adaptive band select...高光谱数据波段多、波段之间相关性强,导致信息冗余严重,增加了数据处理的工作量,有效准确地在众多波段中选择具有代表性的波段尤为重要。首先用Wilks'Lambda(WL),随机森林(random forest,RF)与自适应波段选择(adaptive band selection,ABS)这3种方法对高光谱数据进行降维处理。然后提出了基于曲线误差指数的评价方法,用此指数的趋势来确定每种降维方法所要选择的合适波段数量,同时用指数的大小评价不同降维方法的优劣,并用分类方法对评价结果加以验证。结果显示:Wilks'Lambda最终选择的波段数为10个,α6-α平稳值(选择6个波段时的曲线误差值与曲线误差平稳值之间的差值)为0.05;随机森林最终选择的波段数为13个,α6-α平稳值为0.06;自适应波段选择方法最终选择的波段数为20个,α6-α平稳为0.14。Wilks'Lambda的总体分类精度为80.56%,Kappa系数为0.77;随机森林的总体分类精度为79.11%,Kappa系数为0.76;自适应波段选择方法的总体分类精度为49.94%,Kappa系数为0.41。得出以下结论:(1)基于曲线误差指数的方法得出Wilks'Lambda有最小的α6-α平稳值,是最佳的波段降维方法 ;分类结果显示:Wilks'Lambda有最大的总体分类精度与Kappa系数,是最佳的波段降维方法。(2)基于曲线误差指数的评价方法与基于分类结果的误差一致,说明此方法具有可行性。展开更多
文摘高光谱数据波段多、波段之间相关性强,导致信息冗余严重,增加了数据处理的工作量,有效准确地在众多波段中选择具有代表性的波段尤为重要。首先用Wilks'Lambda(WL),随机森林(random forest,RF)与自适应波段选择(adaptive band selection,ABS)这3种方法对高光谱数据进行降维处理。然后提出了基于曲线误差指数的评价方法,用此指数的趋势来确定每种降维方法所要选择的合适波段数量,同时用指数的大小评价不同降维方法的优劣,并用分类方法对评价结果加以验证。结果显示:Wilks'Lambda最终选择的波段数为10个,α6-α平稳值(选择6个波段时的曲线误差值与曲线误差平稳值之间的差值)为0.05;随机森林最终选择的波段数为13个,α6-α平稳值为0.06;自适应波段选择方法最终选择的波段数为20个,α6-α平稳为0.14。Wilks'Lambda的总体分类精度为80.56%,Kappa系数为0.77;随机森林的总体分类精度为79.11%,Kappa系数为0.76;自适应波段选择方法的总体分类精度为49.94%,Kappa系数为0.41。得出以下结论:(1)基于曲线误差指数的方法得出Wilks'Lambda有最小的α6-α平稳值,是最佳的波段降维方法 ;分类结果显示:Wilks'Lambda有最大的总体分类精度与Kappa系数,是最佳的波段降维方法。(2)基于曲线误差指数的评价方法与基于分类结果的误差一致,说明此方法具有可行性。