文献类型：期刊文章

作　　者：王佃来[1] 宿爱霞[2] 刘文萍[3]

WANG Dian-lai;SU Ai-xia;LIU Wen-ping(Department of Information Engineering,Shougang Insititute of Technology,Beijing 100144,China;China Software Testing Center,Beijing 100048,China;College of Information,Beijing Forestry University,Beijing 100083,China)

机构地区：[1]首钢工学院信息工程系,北京100144 [2]中国软件评测中心,北京100048 [3]北京林业大学信息学院,北京100083

出　　处：《科学技术与工程》

基　　金：北京市科技计划(Z171100001417005);中央高校基本科研业务费专项(2015ZCQ-XX)。

年　　份：2020

卷　　号：20

期　　号：23

起止页码：9464-9471

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、ZGKJHX、核心刊

摘　　要：针对k近邻(k-nearest neighbor,KNN)算法在土地覆盖分类中存在将山体阴影覆盖下植被误分成水体的问题,提出改进的KNN算法。改进算法充分利用神经网络能有效区分山体阴影覆盖下植被和水体的特性,实现BP神经网络与KNN算法的融合,整体提高了北京市密云区土地覆盖分类精度。实验结果表明:相对于支持向量机(support vector machine,SVM)、随机森林、BP神经网络和KNN算法,改进算法分类精度最高,达到了95.20%,分类精度比未改进KNN算法提高了6.43%。改进算法的Kappa系数在对比算法中也是最高的,达到0.93。此外,实验结果也表明改进算法可应用于中分辨率遥感图像分类中。

关 键 词：KNN算法 土地覆盖分类 遥感图像 BP神经网络

分 类 号：TP311.52]