几种常见植被指数
植被覆盖 植被指数 植被光谱
NDVI的理论基础NDVI的理论基础植被指数按不同的监测方法和计算方法可分为多种多样的植被指数。
常用的有：归一化植被指数NDVI；垂直植被指数PVI；比值植被指数RVI；消除土壤影响的植被指数SAVI和全球植被指数GVI等。
其中，NDVI则是使用最广泛，效果也较好的一种。
NDVI（Normalized Difference Vegetation Index）归一化植被指数，又称标准化植被指数，在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用，它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关。
归一化植被指数(NDVI)是近红外与红色通道反射率比值(SR=NIR/RED)的一种变换形式，NDVI=(NIR-R)/(NIR+R)。
植被覆盖度（fv）fv=（NDVI-NDVImin)/(NDVImax-NDVImin).叶面积指数（LAI）LAI=k-1ln(1-fv)-1，k是消光系数，每种植被k各不相同，一般植被取值范围是0.8-1.3。
NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗超度等，且与植被覆盖有关，-1≤NDVI≤1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。
用NDVI判断植物生长的状态：植物叶绿素发生光合作用而吸收红光，所以长势越好的植物吸收红光越多，反射近红外光也越多。
所以NDVI能反应植物生物量的多少，NDVI越大，植物长势越好。
附表：植被指数指数应用计算公式测量值的意义优点局限性NDVI 归一化植被指数监测植被生长状态、植被覆盖度和消除部分辐射误差等NDVI=(NIR-R)/(NIR+R)-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗超度等，且与植被覆盖有关对高植被区具有较低的灵敏度RVI 比值植被指数是绿色植物的的灵敏指数参数，用于检测和估算植物生物量RVI=NIR/R绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
常用植被指数
常用植被指数
植被指数是用来描述植被生长状况的指标，常用的植被指数有以下几种：
1. 植被指数（NDVI）：NDVI是最常用的植被指数，通过计算红外波段和可见光波段的反射率之间的比值，反映出植被的生长状况。
NDVI值越高，表示植被生长越旺盛。
2. 归一化差异植被指数（NDVI）：NDVI是在NDVI的基础上，对植被指数进行归一化处理所得到的指数。
NDVI值越高，表示植被生长越旺盛。
3. 植被水分指数（VSWI）：VSWI是通过计算近红外波段和中红外波段的反射率之间的比值，反映出植被受到的水分供应状况。
VSWI 值越高，表示植被水分供应越充足。
4. 综合植被指数（EVI）：EVI是在NDVI的基础上，对大气影响和土壤背景影响进行了修正所得到的指数，可以更准确地反映出植被生长状况。
EVI值越高，表示植被生长越旺盛。
以上几种常用的植被指数，可以通过遥感技术获取相应的遥感数据，用于植被生长监测、土地利用变化分析等方面的研究。
- 1 -。
几种常见植被指数
常用的植被指数，土壤指数，水体指数有哪些？植被指数与土壤指数一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。
1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
植被的RVI通常大于2；2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。
1、对土壤背景的变化极为敏感；四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。
1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。
与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。
多光谱遥感卫星影像植被指数种类
多光谱遥感卫星影像植被指数种类1. 归一化植被指数（Normalized Difference Vegetation Index，NDVI）：归一化植被指数是最常见且最广泛应用的植被指数之一、它利用红光和近红外波段的反射率差异来评估植被的健康和生长状况。
NDVI值的范围从-1到1，数值越高表示植被覆盖越好。
2. 增强型植被指数（Enhanced Vegetation Index，EVI）：增强型植被指数是对NDVI的改进，它通过加入大气校正和土地表面背景修正，可以提高植被指数的特征表达能力。
相比于NDVI，EVI在地表背景光照条件变化大的情况下表现更好。
3. 土壤调整植被指数（Soil-Adjusted Vegetation Index，SAVI）：土壤调整植被指数是在NDVI的基础上引入土壤亮度校正因子，用于纠正影响NDVI计算的土壤亮度对植被指数的影响。
SAVI对土壤覆盖比较重的地区提供了更准确的植被信息。
4. 归一化水体指数（Normalized Difference Water Index，NDWI）：归一化水体指数利用短波红外波段和近红波段的反射率差异来区分水体和其他地表信息。
NDWI值的范围从-1到1，数值越高表示水体覆盖越多。
除了以上提到的常见植被指数，还有其他一些衍生出来的指数用于特定的研究和应用，如大气校正后的植被指数（AtmosphericallyResistant Vegetation Index，ARVI）、非线性植被指数（Non-linear Vegetation Index，NVI）等。
多光谱遥感卫星影像植被指数种类的选择取决于研究目的和具体的科学问题。
不同的指数在对植被响应的灵敏度、对土壤背景和大气影响的抑制能力等方面有所差异。
因此，在具体应用中，需根据研究区域的自然环境特点，综合考虑各种植被指数的适用性，选择合适的指数进行分析和研究。
植被指数的原理与应用
植被指数的原理与应用1. 植被指数的定义植被指数是通过遥感技术获取的一种反映植被生长状况的数据，常用于农业、林业、地表覆盖分类等领域的研究与应用。
植被指数是利用植物在不同波段的反射、吸收和透射特性来进行计算和分析的。
2. 常见的植被指数植被指数有很多种，其中比较常见的包括：NDVI（Normalized Difference Vegetation Index，归一化植被指数）、EVI（Enhanced Vegetation Index，增强型植被指数）、SAVI（Soil-Adjusted Vegetation Index，土壤调整植被指数）等，这些指数通过计算不同波段的遥感数据来反映植被的生长情况。
3. 植被指数原理植被指数的原理是利用植物在不同波段的反射特性进行计算，常用的植被指数是通过计算红外波段和可见光波段的比值来反映植被的生长情况。
以归一化植被指数（NDVI）为例，其计算公式为：NDVI = (NIR - Red) / (NIR + Red)其中，NIR代表近红外波段的反射值，Red代表可见光红波段的反射值。
通过计算得到的NDVI值范围为-1到1，数值越接近1则表示植被生长状况越好，数值越接近-1则表示植被生长状况较差。
4. 植被指数的应用植被指数在农业、林业、地表覆盖分类等领域有着广泛的应用。
4.1 农业植被指数可以通过遥感技术来监测农作物的生长状况，及时发现并预测病虫害、干旱等灾害的发生。
同时，植被指数还可以用来评估农作物的养分状况，帮助农业生产者调整施肥方案，提高农作物的产量和质量。
4.2 林业植被指数可以用来评估森林的生长状况和植被盖度，并监测林火、病虫害等森林灾害的发生。
同时，植被指数还可以用来指导森林资源的管理和保护，帮助保护林地生态环境。
4.3 地表覆盖分类植被指数可以用来对地表覆盖进行分类，比如判断土地是草地、森林、农田还是城市等。
通过对地表覆盖进行分类，可以帮助城市规划、土地资源管理、环境保护等方面的决策制定。
几种常用植被指数介绍
几种常用植被指数介绍植被指数是通过遥感技术获取的植被信息量化指标，包括植被覆盖度、生长状态、植被类型等信息，广泛应用于土地利用、资源管理、环境监测等领域。
在本文中，将介绍几种常用的植被指数，包括归一化植被指数（NDVI）、广域植被指数（EVI）、归一化差值水体指数（NDWI）、颜色指数（CI）、土地覆盖指数（LCI）等。
1. 归一化植被指数（NDVI）归一化植被指数（Normalized Difference Vegetation Index，NDVI）是最早被广泛应用的植被指数，由罗浮（Rouse）等人于1974年提出。
它以红光波段和近红外波段的反射率之差的比值来度量植被状况，公式为：NDVI = (NIR - RED) / (NIR + RED)其中，NIR为近红外波段的反射率，RED为红光波段的反射率。
NDVI取值范围为-1到1之间，数值越大代表植被覆盖度越高，生长状况越好。
广域植被指数（Enhanced Vegetation Index，EVI）是对NDVI的一种改进，由胡侃（Huete）等人于1994年提出。
EVI在NDVI的基础上增加了大气校正、背景亮度校正等，公式为：其中，NIR、RED和BLUE分别为近红外波段、红光波段和蓝光波段的反射率。
EVI相比NDVI具有更好的大气校正能力和对土壤、雪等因素的较好抵抗能力，能够更准确地反映植被状况。
其中，Green为绿光波段的反射率。
NDWI值越低代表水体覆盖度越高，可以用于监测水体的位置和面积变化，以及水资源的管理和保护。
4. 颜色指数（CI）颜色指数（Color Index，CI）是一种基于色彩特征的植被指数，由Stiles于1954年提出。
它使用波段之间的差值来计算颜色特征，公式为：其中，GREEN、RED和BLUE分别为绿光波段、红光波段和蓝光波段的反射率。
CI能够反映植被的颜色特征，可以用于识别植被类型、估算植被生物量等。
土地覆盖指数（Land Cover Index，LCI）是一种基于土地覆盖类型的指数，由Gao和Ji于2008年提出。
常用的植被指数
常用的植被指数植被指数（Vegetation Index）是指用来反映植被生长状态和活力的一种指标，常用于遥感数据的处理和分析中。
下面将介绍常用的植被指数，并解释其作用和适用情况。
1. 归一化植被指数（Normalized Difference Vegetation Index，NDVI）NDVI 是最早也是最常用的植被指数，其计算公式为 (NIR – Red) / (NIR + Red)，其中 NIR 表示近红外波段信号，Red 表示红色波段信号。
NDVI 的值范围为 -1 到 1，通常植被覆盖度高的地方 NDVI 值会更高。
NDVI 可以用来监测植被的生长周期和健康状况，评估土地的退化程度以及判断干旱和洪涝等自然灾害的影响。
2. 归一化水体指数（Normalized Difference Water Index，NDWI）NDWI 是用来区分水体和非水体的指数，其计算公式为 (Green –NIR) / (Green + NIR)，其中 Green 表示绿色波段信号。
NDWI 的值范围为 -1 到 1，如果某像素的 NDWI 值高于某个阈值，就被认为是水体；反之，就被认为是非水体。
NDWI 可以用来监测湖泊、河流、水库等水体的分布和变化情况。
3. 红边指数（Red Edge Index，REI）REI 是用来检测植被叶绿素含量和水分含量的指数，其计算公式为 (NIR – Red Edge) / (NIR + Red Edge)，其中 Red Edge 表示红边波段信号。
REI 的值范围为 -1 到 1，通常植被叶绿素含量高或水分含量高的地方 REI 值会更高。
REI 可以用来区分植被类型、监测植被健康状况以及评估土地干旱程度等。
4. 植被指数差分（Vegetation Index Difference，VID）VID 是用来监测植被健康状况和生长变化的指数，其计算公式为VID = (VI1 – VI2) / (VI1 + VI2)，其中 VI1 和 VI2 分别表示两个不同时期的植被指数。
植被指数综述
植被指数综述植被指数（Vegetation Index）是用于定量描述和监测植被生长状态的一种指标。
它是通过光谱特性来反映植被状况的指标，可以帮助我们对植被生态系统进行评估和分析，从而更好地了解植被的生长变化以及植被覆盖的情况。
在遥感学中，植被指数的计算是基于不同波段的反射率或辐射度量值。
常用的植被指数有归一化植被指数（Normalized Difference Vegetation Index, NDVI）、差值植被指数（Difference Vegetation Index, DVI）以及简化植被指数（Simple Ratio, SR）等。
归一化植被指数（NDVI）是最常用的一种指数，它可以通过计算红光波段和近红外波段的反射率之差与反射率之和的比值来得到。
NDVI的取值范围为-1到1，数值越高表示植被覆盖越密集，数值越低则表示植被覆盖越稀疏。
植被指数的应用非常广泛。
它可以用于监测农田的植被生长情况，判断作物的生长状况，有助于农业生产的管理和决策。
此外，植被指数还能用于监测森林覆盖率和森林生态系统的恢复情况，对于保护生态环境和生物多样性的研究也有着重要作用。
除了以上的应用之外，植被指数还可以用于监测荒漠化、城市植被覆盖和湿地生态系统等方面。
在这些场景下，植被指数的变化可以提供重要的参考信息，帮助人们了解和评估不同地区的植被状况，以及对环境的影响。
总的来说，植被指数是一种重要的植被监测指标，它通过遥感技术与地理信息系统相结合，为我们提供了更全面、准确的植被信息。
在不同的应用领域中，植被指数具有广泛的应用前景，有助于我们更好地保护和管理地球上的植被资源，实现可持续发展的目标。
本文简要介绍了植被指数的概念和应用，并列举了一些常用的植被指数。
通过对植被指数的深入了解，我们可以更好地理解植被生长状态，为植被资源的保护和管理提供科学依据。
希望本文对读者对植被指数有所了解和启发，促进植被科学研究的发展和应用的推广。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
常用的植被指数，土壤指数，水体指数有哪些？植被指数与土壤指数一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。
1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
植被的RVI通常大于2；2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。
1、对土壤背景的变化极为敏感；四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。
1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。
与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。
L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。
2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。
因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI3、SAVI4等改进模型。
五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
1、通过k-t变换使植被与土壤的光谱特性分离。
植被生长过程的光谱图形呈所谓的"穗帽"状，而土壤光谱构成一条土壤亮度线，土壤的含水量、有机质含量、粒度大小、矿物成分、表面粗糙度等特征的光谱变化沿土壤亮度线方向产生。
2、kt变换后得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感器不同而表达不同的含义。
如，MSS的第三个分量表示黄度，没有确定的意义；TM的第三个分量表示湿度。
3、第一二分量集中了>95%的信息，这两个分量构成的二位图可以很好的反映出植被和土壤光谱特征的差异。
4、GVI是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，所以GVI受外界条件影响大。
六、PVI——垂直植被指数，在R-NIR的二为坐标系内，植被像元到土壤亮度线的垂直距离。
PVI=((S R-VR)2+(SNIR-VNIR)2)1/2，S是土壤反射率，V 是植被反射率。
1、较好的消除了土壤背景的影响，对大气的敏感度小于其他VI2、PVI是在R-NIR二位数据中对GVI的模拟，两者物理意义相同3、PVI=(DNnir-b)cosq-DNr´sinq，b是土壤基线与NIR截距，q是土壤基线与R的夹角。
七、其他1、根据具体情况改进型：如MSS的DVI = B4-aB2，PVI=(B4-aB2-b)/(1+a2)1/2，SARVI = B4/(B2+b/a)；RDVI=(NDVI´DVI)1/2等。
2、应用于高光谱数据的VI，如CARI(叶绿素吸收比值指数）和CACI（叶绿素吸收连续区指数）等。
VI划分线性DVI 低LAI时，效果较好；LAI增加爱时对土壤背景敏感归一化差值植被指数NDVI是植被遥感中应用最为广泛的指数之一,但它受土壤背景等因素的干扰比较强烈.结合实测的土壤数据以及公式推导、PROSAIL模型模拟等方法分析了这种影响.首先,假定与土壤线性混合且叶片呈水平分布的植被冠层,根据土壤与植被分别在红光、近红外波段处的反射率值、植被覆盖度等参数,利用公式推导了土壤背景对不同覆盖度下冠层NDVI的影响.其次,利用PROSAIL冠层光谱模拟模型,模拟分析了土壤背景对不同LAI下冠层NDVI的影响.分析的结果表明:LAI越小,土壤背景的影响越大;暗土壤背景下的冠层NDVI值大于亮土壤背景下冠层的NDVI值;并且,暗土壤条件下,NDVI值对土壤亮度的变化更敏感,而亮土壤下,NDVI值则对LAI或覆盖度的变化更敏感.最后利用实测的不同土壤背景下的冬小麦冠层光谱数据,验证了公式推导和模型模拟的结果.1.Mcfeeters在1996年提出的归一化差分水体指数（NDWI其表达式为：NDWI =(p(Green)-p(NIR))/(p(Green)+p(NIR))是基于绿波段与近红外波段的归一化比值指数。
该NDWI一般用来提取影像中的水体信息，效果较好。
局限性：用NDWI来提取有较多建筑物背景的水体，如城市中的水体，其效果会较差。
2. Gao于1996年也命名了一个NDWI，用于研究植被的含水量。
其表达式为：NDWI=(p(NIR)-p(MIR))/(p(NIR)+p(MIR))=(p(0.86μm)-p(1.24μm))/(p(0.86μm)+p(1.24μm))植被水分指数NDWI是基于中红外与近红外波段的归一化比值指数。
与NDVI相比,它能有效地提取植被冠层的水分含量;在植被冠层受水分胁迫时,NDWI指数能及时地响应,这对于旱情监测具有重要意义。
而Wilson等在研究美国缅甸因州的森林时，使用了归一化湿度指数（Normalized Difference Moisture Index, NDMI），其表达式与Gao的完全一致。
由于Gao的NDWI与Wilson等的NDMI指数的意义与用途是一致的，而与Mcfeeters用于研究水体的NDWI指数有所不同，因此一般将用于研究植被含水量的指数改称为NDMI指数。
3.水体指数（MNDWI）指数在对Mcfeeters提出的归一化差异水体指数(NDWI)分析的基础上,对构成该指数的波长组合进行了修改,提出了改进的归一化差异水体指数MNDWI(Modified NDWI), 并分别将该指数在含不同水体类型的遥感影像进行了实验,大部分获得了比NDWI好的效果,特别是提取城镇范围内的水体.NDWI指数影像因往往混有城镇建筑用地信息而使得提取的水体范围和面积有所扩大.实验还发现MNDWI比NDWI更能够揭示水体微细特征,如悬浮沉积物的分布、水质的变化.另外, MNDWI可以很容易地区分阴影和水体, 解决了水体提取中难于消除阴影的难题.其表达式为：MNDWI =(p(Green)-p(MIR))/(p(Green)+p(MIR))遥感图像的分类方法传统分类方法1. 非监督分类遥感图像上的同类地物在相同的条件下, 一般具有相同或相近的光谱特征, 从而表现出某种内在的相似性, 归属于同一个光谱空间区域。
而不同的地物, 光谱特征不同, 归属于不同的光谱空间区域, 这是非监督分类的理论依据。
该分类方法主要是通过系统聚类来进行的。
聚类就是把一组像素按照相似性分为若干类, 目的是使得同一类别的像素之间的距离尽可能小, 而不同类别的像素之间的距离尽可能大。
其算法的核心是初始类别参数的确定, 以及它的迭代调整问题。
主要算法有分级集群法、I S ODAT A 法(迭代自组织数据分析技术)和K2 均值算法等。
2．监督分类与非监督分类不同, 监督分类最显著的特点是在分类前人们对遥感图像上某些样区中影像地物的类别属性已有了先验知识, 也就是先要从图像中选取所有要区分的各类地物的样本, 用于训练分类器(建立判别函数) 。
一般是在图像中选取具有代表性的区域作为训练区, 由训练区得到各个类别的统计数据, 进而对整个图像进行分类。
主要方法有线性判别法、最大似然法、最小距离法和平行多面体法等。
3. 分类新方法研究进展新方法主要有决策树分类法、综合阈值法、专家系统分类法、多特征融合法、神经网络分类法以及基于频谱特征的分类法等。
3.1 决策树分类决策树分类器( Dec isi on tr ee c l a ssi fi ca ti on fr a me) 是以分层分类的思想作为指导原则的。
分层分类的思想是针对各类地物不同的信息特点, 将其按照一定的原则进行层层分解。
在每一层的分解过程中, 研究者可以根据不同的子区特征及经验知识, 选择不同的波段或波段组合来进行分类.3.2 综合阈值法通过对徐州地区各类地物的光谱特征的综合研究, 以及对不同波段的组合分析, 归纳出各种地物类型信息获取的方法与途径, 提出采用综合阈值法进行图像分类处理。
经研究表明, 该方法能够很好地区分城镇用地和裸地等不容易区分的地类, 有效降低混合象元带来的影响, 提高土地利用分类的可靠性和准确性。
3.3 专家系统分类遥感图像解译专家系统是模式识别与人工智能技术相结合的产物。
应用人工智能技术, 运用解译专家的经验和方法, 模拟遥感图像目视解译的具体思维过程, 进行图像解译。
专家系统分类的关键是知识的发现和推理技术的运用。
目前在知识发现方面, 主要是基于图像的光谱知识、辅助数据和上下文信息等。
3.4 特征融合仅仅依靠光谱特征或纹理特征或形状特征来进行图像分类, 都不能很好地将不同类别的地物目标提取出来。
因此, 多特征融合的方法越来越多地被用于图像分类。
其优势是很明显的: 对同一模式所抽取的不同特征矢量总是反应模式的不同特性, 对它们的优化组合, 既保留了参与融合的多特征的有效鉴别信息, 又在一定程度上消除了由于主客观因素带来的冗余信息, 对分类识别无疑具有重要的意义。
主要有光谱特征和纹理特征,光谱特征和形状特征等。
3.5 人工神经网络人工神经网络分类是通过对人脑神经系统结构和功能的模拟, 建立一种简化的人脑数学模型。
它不需要任何关于统计分布的先验知识, 不需要预定义分类中各个数据源的先验权值, 可以处理不规则的复杂数据,且易与辅助信息结合。
与传统分类方法相比, ANN 方法一般可获得更高精度的分类结果, 特别是对于复杂类型的土地覆盖分类, 该方法显示了其优越性。