森林资源的动态变化对全球范围和区域的生态系统服务功能产生大幅度的影响,同时也能反馈气候变化和生物多样性的信息。研究林地动态变化有助于了解变化的机理和原因,从而通过人为调整来使林地的数量、分布和格局更趋于合理;定量的提取林地信息最主要的手段是遥感技术。而遥感技术中影像解译精度的提高对于更好地了解林地变化信息起到关键作用。传统的参数分类方法假定遥感数据是正态分布的,但是加入纹理信息与数字高程信息的影像一般情况下不符合正态分布,因此本文采用非参数分类。本文以广东省森林覆盖率最高的河源市为研究区,使用1991年、2004年两期的TM遥感影像,运用支持向量机、神经网络和决策树三种非参数分类方法提取林地信息,目地是为了更好地验证最适合于实地的遥感影像的提取方法。提取前影像增强变换手段采用方法如下:首先,光谱信息提取方面选取三种变换:第一,植被指数变换选取植被指数中的归一化植被指数和缨帽变换指数;第二,主成分变换;第三,最小噪声分离变换。其次,纹理信息提取方面:选取最小噪声分类变换的前3个波段采用基于灰度共生矩阵的纹理分析方法,使用最常用的4个纹理测度指标,得到包含12个纹理特征的新波段。最后,加入研究区的数字高程信息。经过对比三种不同的提取方法并实地验证,结果显示:1.以实地调查和参考高分辨率影像选取地面真实样本进行精度检验,决策树分类法总精度达到90.4%,Kappa系数达到0.88,是三种提取方法中精度最高的一种。在其分类结果图上显示完整的分类类别,破碎化现象少,在未进行分类处理的情况下其错分现象就少。在同样的样本选择时采用支持向量机方法提取林地信息,其精度为87.79%。在选择合适的核函数和参数时,其分类效果较好,只有少量疏林地被错分成耕地。而神经网络法在三种方法中其分类精度最差,只有83.32%。但在进行分类处理后,其效果也较好。总之,基于光谱信息、纹理信息和数字高程信息,利用决策树、支持向量机和神经网络三种方法提取林地信息的方法是可行的,但最佳方法是采用决策树分类法。2.在分类过程中发现每种分类方法有各自的优势和劣势。决策树分类法优势在于参数设置较容易,但是如何利用输入层中的高程信息得到好的分类结果很难掌握。支持向量机的优点在于选取少量样本训练就可以得到很好的分类结果,难点在于核函数和参数的确定。神经网络的优点是能够从训练数据中进行适应性学习,使分类更加客观。不足是其解译规则隐藏在隐含层神经元的权重里,同时由于权重的复杂性,往往很难解释。3.通过决策树分类法提取林地信息的结果,可以看出河源市从1991年到2004年,林地结构变化如下:有林地增幅较大,增加了26.42%,其增加部分主要分布在紫金县的南部和龙川县的东部;耕地减幅最大,减少了27.3%,其主要是有大面积的草地和旱地转化为有林地;森林覆盖率由原来的41%增加到62%,与同期的统计数据基本吻合。而其它两种方法提取的结果与实地有一定差距。