《表8 多分类器组合与最大似然算法、支持向量机算法、随机森林算法的分类精度对比》
(%)
(4)分类方法的选择。决策树分类方法计算速度快,可以处理不同度量尺度上的数据,但对高维数据的处理能力相对较弱[17]。面向对象分类能够充分利用图像的光谱统计特征以及地物的形状、纹理、相邻关系等信息,但并不一定能提高分类精度[18]。随机森林算法调整参数少,对训练数据的减少和噪声具有很强的鲁棒性,可以在高维数据集上高效地运行[19]。本文通过多分类器组合,充分发挥了决策树分类、面向对象分类和随机森林分类方法在特定分类对象中的优势,与不分层分类、仅使用单一分类器(最大似然、支持向量机、随机森林分类)相比,解译结果更好,解译精度更高。结果对比见图9,解译精度对比见表8。
图表编号 | XD00102967000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.10.25 |
作者 | 边增淦、王文、江渊 |
绘制单位 | 河海大学水文水资源与水利工程科学国家重点实验室、河海大学水文水资源与水利工程科学国家重点实验室、河海大学水文水资源与水利工程科学国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |