论文部分内容阅读
传统的基于实地调查的森林资源监测方法,虽然数据来源可靠,但也存在耗费大量的人力、物力、财力问题,且获取的数据分辨率低,甚至受地理条件限制,有些森林的实地调查是很难实际开展的。随着遥感技术的发展速度,我国高分辨率对地观测卫星成功发射的数量也在持续增加。如何促进国产高分遥感数据在森林资源信息调查及动态监测的应用,具有重要的理论与实际应用价值。本文将浙江省龙泉市作为研究区域,森林资源小班为研究单元,采用国产高分二号(GF-2)卫星影像、数字高程模型(DEM)数据、森林资源二类调查数据为基础研究数据,对研究区的毛竹、阔叶树、马尾松和杉木四种主要优势树种进行分类。主要的研究内容及结果如下:(1)对GF-2卫星遥感图像进行预处理,对多光谱影像提取各波段平均光谱信息、计算衍生出5个植被指数信息,对全色影像提取8个灰度共生矩阵(GLCM)纹理信息,从DEM数据提取3个地形因子特征,利用随机森林(RF)对提取的特征进行定量分析,得出仅基于光谱和仅基于纹理信息进行分类的效果不理想,结合纹理以及平均光谱信息,并加入植被指数和地形因子等辅助数据的分类方案最优,分类效果最好。(2)采用XGBoost、RF、支持向量机(SVM)、AdaBoost四种单模型和1种Stacking集成模型,分别对研究区的优势树种进行分类,其中集成模型分类效果最好,总体分类精度为82.99%,Kappa值为0.77;XGBoost单模型分类精度次之,其分类精度为81.79%,Kappa系数值为0.75;紧接着是RF和SVM模型;AdaBoost单模型的分类精度最差,为73.43%,Kappa系数为0.63。可得基于Stacking的模型在一定程度上强化了学习,改善了单一模型的分类效果,比效果最好的单模型(XGBoost)分类精度提高了1.2%,Kappa系数提升0.02,更适合于研究区的优势树种分类。(3)从各类优势树种的分类而言,四种单模型和1种集成模型对毛竹的分类效果均较好,用户精度均大于80%,生产者精度均大于85%,尤以XGBoost和Stacking集成模型对毛竹的分类效果最好;但XGBoost和Stacking模型对阔叶树的漏分误差较大,约为50%;AdaBoost效果最差,对4种优势树种的分类精度均要低于其他4种模型,其中对马尾松的错分误差和漏分误差均最大,错分误差接近50%,漏分误差约30%,对杉木的漏分误差最高,达31.34%。