[发明专利]基于特征优选和支持向量机的不透水面覆盖度估算方法

摘要

本发明公开了一种基于特征优选和支持向量机的不透水面覆盖度估算方法，该方法包括如下步骤：步骤1)对样本区域GF‑1影像进行面向对象分类并重采样获得训练样本和验证样本的不透水面覆盖度参考值；步骤2)构建特征变量提取体系，提取研究区域Landsat 8影像的71个特征变量；步骤3)利用ReliefF算法对特征变量进行优选，构建适用于不透水面覆盖度估算的特征集合；4)向支持向量机中输入不同特征集合的训练样本，构建不透水面覆盖度参考值与特征变量的回归模型，得出不透水面覆盖度估算结果；5)评价并比较模型估算不透水面覆盖度的精度，并完成研究区域不透水面覆盖度制图。

主权项

基于特征优选和支持向量机的不透水面覆盖度估算方法，该度量方法包括如下步骤：步骤1)基于GF‑1数据，针对面向对象技术，研发一整套基于高分辨率遥感影像不透水面提取技术流程，在样本区域获得较好的不透水面提取结果；步骤2)基于样本区域的不透水面提取结果，采用按照单位像元不透水面百分比的方式，重采样到研究区域Landsat影像上，作为不透水面覆盖度的参考值，从中选取部分样本点分别为训练样本和验证样本；步骤3)基于图像特征变量是对于图像内容描述原理，本发明通过构建特征变量提取体系，对研究区域遥感影像提取了光谱特征变量、纹理特征变量、地表温度特征变量等71个特征变量；步骤4)基于ReliefF特征优选算法，对提取的71个特征变量进行特征优选，计算特征变量的对不透水面覆盖度估算的重要性权值，通过设置阈值构建多个特征子集，形成特征集合；步骤5)基于支持向量机机器学习的方法，建立训练样本的特征集合与不透水面覆盖度回归模型，分析不同的特征子集与不透水面覆盖度关系。步骤6)基于支持向量机机器学习的方法建立的训练样本的特征集合与不透水面覆盖度回归模型，获得样本区域不同特征子集的不透水面覆盖度估算结果图；步骤7)基于验证样本数据，检验通过支持向量机建立的特征子集与不透水面覆盖度回归模型的精度，选择最优的回归模型。步骤8)基于最优的回归模型，获得研究区域不透水面覆盖度估算结果图。