遥感技术凭借其快速、科学、外业工作量小等优势,成为了新兴的植被资源信息监测手段,林业工作者将遥感影像的解译结果与外业调查数据相结合,完成了森林资源监测的多种任务:蓄积量估算、土地覆被类型动态变化、树种识别、郁闭度估测、病虫害监测、树冠识别等。近年来,林业遥感迅速发展,数据源更加多元化、空间分辨率更高,其解译方法也不断推陈出新。本文以北京市延庆区的QuickBird影像为研究对象,借助分割试验探索基于最优尺度的面向对象分类方法,并基于该方法对研究区QuickBird影像和GF-2影像进行面向对象的单木树冠提取研究,并通过与种子点区域增长法、分水岭分割算法的提取效果对比分析以及结合实测数据的精度验证,证实了该方法的有效性。研究以期为森林资源监测工程提供参考。具体研究工作如下:(1)基于最优分割尺度的面向对象分类方法研究:结合最大面积法和分割质量评价模型进行尺度30-200的分割实验,首先通过分析对象最大面积来初步确定最优尺度的范围,然后结合分割质量的评价模型来确定最优分割尺度层次,并将尺度赋予不同的地物。在此基础上,对各类地物提取样本进行包括光谱、纹理等特征值的统计分析,并据其制定分类规则,最终完成最优尺度层次下的面向对象的土地覆被类型提取。结果显示:基于最优尺度层次的面向对象规则分类方法获得了比其他方法更好的分类结果,其总体精度达到了 88.8%,Kappa系数为0.861,而基于单一最优尺度的最邻近法分类总体精度81.4%,Kappa系数0.773,基于单一尺度的规则分类法总体精度为83.2%,Kappa系数为0.85。(2)单木树冠提取研究:以QuickBird影像和GF-2影像为研究对象,采用面向对象多尺度分割法对不同郁闭度的小班影像进行单木树冠提取,并将整体和局部的树冠勾绘效果图与种子点区域增长法、分水岭分割法的提取结果进行比较。根据目视分析,发现基于本文的最优尺度面向对象法的树冠提取结果要优于另外两种方法。我们结合样地实测的数据和GF-2影像的人工解译结果对基于最优尺度法的GF-2影像树冠提取结果开展了进一步的精度验证。通过对10个样地的验证,最终得到以下结论:①通过对平均株数提取精度的验证,发现自动提取样地林木株数和外业调查实测的株数存在一定的线性关系,其平均株数满足公式auto=0.9402manual-5.1476,相关系数为0.8483;②单株株数的精度验证结果表明,树冠总体分类精度良好,其中郁闭度为0.6的样地总体精度最高,达到85%,同时,随着样地郁闭度的增大,漏分现象和误判现象相应增加。③经过样地平均树冠直径的提取精度分析,发现自动提取的树冠直径总体上略小于样地实际树冠直径,其中有些郁闭度大的样地,因为树冠的误判较多,出现了提取树冠大于实际树冠的现象。