森林类型高光谱遥感分类研究

发布时间：2020-07-24 13:40

【摘要】：森林、草原、湿地等陆地生态系统主要以大气和土壤为介质,为人类和动物提供了多种多样的生存环境及食物和衣着的主体部分,对人类的生存发展具有举足轻重的影响。在陆地生态资源调查中,树种、草种、和水体等都是调查的重点,许多生态参数都是依靠树种、草种和水体来进行定量估计的,因此,准确地识别出树种、草种和水体是获取生态系统资源信息的关键。利用遥感技术开展生态系统精细分类和目标识别研究,能为自然资源管理、环境保护与监测、生物多样性和野生动物生态状况调查等研究提供信息服务。星载高光谱遥感图像具有较高的光谱分辨率,是获取森林等陆地生态系统精细结构相关参数的主要技术手段。本论文综合利用星载高光谱遥感影像的光谱信息、纹理信息及地形信息,基于Hyperion星载高光谱数据探究森林生态系统精细分类方法和模型;建立相应的森林生态系统的快速、精细分类系统。其中,面向森林生态系统的精细分类方法和模型,为我国GF-5号星载高光谱遥感数据在自然资源管理、环境保护与监测、生物多样性和野生动物生态状况调查等方面,提供稳健、高效的图像精细分类和目标提取技术。论文的主要研究成果及结论如下:(1)基于特征波段优选的降维方法中,自适应波段指数法选取的特征变量,在C5.0决策树算法森林类型分类中的表现优于随机森林特征选择方法,两种方法总体分类精度分别达到84.04%和78.11%;三种基于特征提取的降维策略中,独立主成分分析精度较高,主成分分析法和核主成分分析分别次之。(2)应用C5.0决策树数据挖掘算法,采用分层分类策略,在综合影像的光谱特征基础上,加入相关的纹理特征及地形因子,可以有效提高森林类型精细分类精度,该方法森林类型精细分类达到优势树种(组)级别,可实现高光谱数据森林类型精细分类的半自动化。(3)基于自适应权值多分类器组合模型,从像元级将支持向量机和随机森林两种机器学习算法相结合,有效地提升了森林类型精细分类的精度。
【学位授予单位】：中国林业科学研究院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S771.8
【图文】：

技术路线图,精细分类,森林类型,概况

图 1-1 技术路线图Tab.1-1 Technical roadmap安排要介绍研究背景及意义、国内外相关研究现状。要介绍研究区概况、Hyperion 高光谱数据概况及数据预处理过验数据的获取情况，为后期高光谱数据森林类型精细分类研究业调查实验设计及外业调查实验的实施，包括获取的一些辅助定等，为研究区森林类型精细分类及分类精度验证提供支撑。

示意图,示意图,概况,延边朝鲜族自治州

第二章研究区概况及数据第二章研究区概况及数据1 研究区概况本论文研究区位于吉林省延边朝鲜族自治州安图县境内，地处中朝交界地带，属山林区。由于长白山自然保护区不便进入，无法实施外业调查，因此选择白河林业以北区域作为研究区。研究区地理坐标范围为 128°2′42″E－128°18′18″E，42°N－42°55′31″N，研究区地理位置示意图如图 2-1。

流程图,预处理,级数,流程图

8~70 936~1058 未经1~76 852~902 未经7~78 912~923 经过~224 933~2396 经过5~242 2406~2577 未经7 与 SWIR77~78 重叠，且前者信噪比高于后者波段设置为 0 值，这样实际只有 196 个波段。据预处理yperion 影像数据，为保证信息提取精度，对其香等，2005），对该数据的预处理此处不再展开像质量得以改善，植被的光谱曲线也更真实。

【参考文献】