基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法.pdf

基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法 本文旨在介绍基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法。该方法通过结合CART决策树和BP神经网络来提高粳稻的分类精度。使用CART算法选择训练样本，获取粳稻移栽期的NDVI、EVI和LSWI数据，训练作物分割阈值，构建决策树初步提取出研究区粳稻空间分布信息。然后，使用BP神经网络对多组不同特征综合数据集进行粳稻分类提取，得到对分类精度贡献较大的特征和最佳分类数据集。 本研究的主要贡献在于： 1. 介绍了基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法，该方法可以获得较高的分类精度。 2. 证明了CART决策树和BP神经网络相结合的方法可以提高粳稻的分类精度。 3. 提供了一种新的思路，基于传统机器学习模型的关键物候期遥感数据作物分类研究。 本研究的结果表明，基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法可以获得较高的分类精度，总体精度为89.1%，Kappa系数达到0.881。该方法可以为基于传统机器学习模型的关键物候期遥感数据作物分类研究提供一条新思路。 知识点： 1. CART决策树是一种常用的机器学习算法，用于分类和回归任务。 2. BP神经网络是一种常用的机器学习算法，用于分类和回归任务。 3. Landsat 8影像是遥感技术中的一种常用影像类型，用于获取作物信息。 4. NDVI、EVI和LSWI是遥感技术中常用的植被指数，用于获取作物信息。 5. 决策树是一种常用的机器学习算法，用于分类和回归任务。 6. 神经网络是一种常用的机器学习算法，用于分类和回归任务。 本文介绍了一种基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法，该方法可以获得较高的分类精度，并提供了一种新的思路，基于传统机器学习模型的关键物候期遥感数据作物分类研究。