快速准确地获取鄱阳湖区域湿地信息,对湿地进行动态监测具有重要价值。本文以国产高分一号(GF-1)影像和辅助地学数据作为数据源,将GF-1影像获取的归一化植被指数(Normalized Differential Vegetation Index,NDVI)、基于蓝光波段的归一...快速准确地获取鄱阳湖区域湿地信息,对湿地进行动态监测具有重要价值。本文以国产高分一号(GF-1)影像和辅助地学数据作为数据源,将GF-1影像获取的归一化植被指数(Normalized Differential Vegetation Index,NDVI)、基于蓝光波段的归一化差异水体指数(Normalized Difference Water Index based on Bule light,NDWI-B)以及数字高程模型(Digital Elevation Model,DEM)作为分类变量,采用卡方自动交互检测(CHi-squared Automatic Interaction Detection,CHAID)决策树算法构建分类规则,并进行研究区范围内的湿地信息提取。最后,采用混淆矩阵对分类结果进行精度验证,并与最大似然法监督分类结果进行比较。结果表明,分类结果的总体精度和Kappa系数分别为85.6%和0.82,较最大似然法监督分类结果分别提高了9.6%和0.12,是鄱阳湖区域湿地信息提取的有效方法。展开更多
文摘快速准确地获取鄱阳湖区域湿地信息,对湿地进行动态监测具有重要价值。本文以国产高分一号(GF-1)影像和辅助地学数据作为数据源,将GF-1影像获取的归一化植被指数(Normalized Differential Vegetation Index,NDVI)、基于蓝光波段的归一化差异水体指数(Normalized Difference Water Index based on Bule light,NDWI-B)以及数字高程模型(Digital Elevation Model,DEM)作为分类变量,采用卡方自动交互检测(CHi-squared Automatic Interaction Detection,CHAID)决策树算法构建分类规则,并进行研究区范围内的湿地信息提取。最后,采用混淆矩阵对分类结果进行精度验证,并与最大似然法监督分类结果进行比较。结果表明,分类结果的总体精度和Kappa系数分别为85.6%和0.82,较最大似然法监督分类结果分别提高了9.6%和0.12,是鄱阳湖区域湿地信息提取的有效方法。
