Dempster-Shafer理论在Aster图像与光谱指数像素分类的应用

"这篇论文探讨了Dempster-Shafer理论在基于Aster卫星图像和光谱指数的像素分类中的应用。作者们建议利用DST（也称为证据理论）来映射植被、水体和矿物表面，以识别可能的地质构造露头。他们通过预处理的Aster卫星图像，计算NDVI、MNDWI和NDBaI等光谱指数，创建了新的通道。随后，使用MATLAB软件进行DST建模和分类，将图像划分为六个类别，包括三个绝对类（E、V、M）和三个混淆类（{E，V}、{M，V}、{E，M}）。通过对图像上不同类别的像素进行地理坐标分析，实现了一致的解释。论文中还提出了一个质量函数，基于简单支持模型，考虑了源信息的不精确性和不确定性，以更好地管理和解释这些数据。" 在这篇发表在《应用数学与物理学》2017年第五期的文章中，研究者使用Dempster-Shafer理论作为处理遥感数据的关键工具。Dempster-Shafer理论是一种概率推理方法，它允许处理不确定性和不完全信息，特别适合于复杂环境下的数据分类。在本研究中，该理论用于结合来自Aster卫星图像的不同信息源，如NDVI（归一化差值植被指数）、MNDWI（归一化差值水分指数）和NDBaI（归一化差值bare-soil指数），这些指数可以帮助区分不同地表特征。 Aster卫星图像经过预处理，包括地理参考、几何校正和15米重采样，以提高图像质量和准确性。接着，通过DST将这些光谱指数转化为新的分类通道，然后用MATLAB进行建模，最终实现像素的六类划分。这种分类方法有助于识别植被、水体、矿物以及可能的地质构造露头。 论文的创新点在于引入了一个基于源建模的质量函数，它考虑了信息源的不准确性和不确定性，即通过识别框架和像素潜在所属的类别集合，提供了一种更精细的解释方式。正常法则被用来有效管理这些不确定性，确保分类结果的可靠性和一致性。 这篇研究展示了Dempster-Shafer理论在地球科学和遥感领域的一个具体应用，尤其是在复杂地表特征分类中的潜力。通过这种方法，科学家和研究人员能够更准确地解读卫星图像，对地质调查、环境监测和资源管理等领域提供有价值的决策支持。