基于面向对象的干旱半干旱地区植被分类

摘要: 为了提高干旱半干旱地区不同植被的分类精度，以多尺度分割后的Sentinel-2A影像为主要数据源。通过融合主成分变换分析、植被指数以及影像纹理特征等，对比分析了CART决策树、C4.5决策树、KNN、SVM 4种分类模型在干旱半干旱地区面向对象的分类精度。结果表明：面向对象分类的最佳分割尺度为58、81和102，即在102尺度下分离出植被和非植被后，分别在58、81尺度下提取不同植被的特征信息。由分类精度可知，基于决策树的分类精度高于KNN、SVM算法，各模型的分类精度均达到89%以上，其中CART决策树分类总体精度最高达到91.28%，Kappa系数0.91，验证了基于中分辨率单时相遥感影像进行复杂下垫面植被识别的可行性。