论文部分内容阅读
快速、准确的遥感森林制图,为实时掌握森林资源现状,森林资源空间配置、优化调整与辅助决策提供技术支持。许多研究发现,不同植被之间光谱特征差异小,单一时相提取的特征很难有效的提高植被分类精度,而时间维度比空间、光谱或辐射维度可提供更多的陆地覆盖及状况信息,因此物候信息的利用对植被类型具有有效的可区分性,有利于提高植被的分类精度,进而提高森林制图的精度。论文以福建省将乐林场为研究区,利用年内时间序列的Landsat-8 OLI遥感影像为数据源,进行植被分类研究。首先对时序数据进行精确的预处理,获取反射率遥感数据,而后提取不同时相各个植被类型的原始光谱、植被指数和纹理特征;通过随机森林(Random Forest,RF)的特征重要性分析模块,对单一时序影像特征和不同时序长度影像特征变量进行重要性排序;根据特征的排序结果,采用改进的转换分离度(Transformed Divergence,TD)方法,分别判定单时序和多时序特征中,用于植被分类的最佳特征数及特征;对研究区图像,采用分层分类的方法,利用光谱特征和NDVI植被指数将研究区划分为植被和非植被类型,利用选定的单时序和多时相组合的最佳植被分类特征,分别采用支持向量机、决策树和随机森林的分类方法进行植被分类,而采用阈值的方法对非植被类型进行分类,从而实现对研究区尤其是植被类别高精度的分类。通过以上方法,本文得出以下结论:(1)对5期时序影像进行了精确的地形校正,并选定了相应的校正模型,对校正影像提取了不同时相的光谱和纹理特征,纹理特征包括灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)纹理和局部二值模式(Local Binary Pattern,LBP)纹理。通过不同植被类别间光谱均值分析和光谱的箱型图分析发现,OLI-133(2015年5月13日)期影像具有更为丰富的植被区分信息;植被类别在近红外波段(band5)和短波红外(band6和band7)更容易区分,尤其是短波红外波段具有可区分的潜力,但植被类别间的光谱多有重叠。(2)通过基于样本的随机森林(RF)模型预测误差和预测精度两方面的分析,确定了 RF模型的最佳参数,模型中每个节点使用mtry=7个变量,模型决策树数目ntree=1000。通过随机森林的特征重要性分析模块,对单一时相和不同时相组合的原始波段光谱、植被指数和纹理特征分别进行了重要性排序。波段光谱排序分析发现,近红外波段(band5)或短波红外波段(band6)的波段光谱在所有单时相的分类中,都含有丰富的植被类别区分信息;多时相组合时,OLI-133(2015年5月13日)和OLI-191(2013年7月10日)期影像的特征具有更为丰富的植被区分信息,随着时序长度的增加,相对重要的前10个特征几乎都是OLI-133(2015年5月13日)和OLI-191(2013年7月10日)的光谱特征,尤其是OLI-191(2013年7月10日)影像的近红外波段(band5)特征得分明显高于其它任何影像波段光谱特征。植被指数排序结果分析发现,单时序时,归一化植被指数相对来说重要性较高且这些植被指数的数学模型,均包含近红外(band5)或短波红外波段(band6和band7),因此这些波段是重要的植被区分波段;不同时序长度组合时,最重要的植被类型区分特征始终是OLI-133和OLI-191期影像的植被指数。纹理特征排序分析发现,无论单时序或多时序组合,9*9窗口的纹理特征始终是区分植被类型的主要窗口,而方差纹理(Variance)和熵(Entropy)纹理对于每个时相或不同时序组合而言,均是区分植被类别的重要纹理。(3)通过改进可分离性分析方法对RF的排序结果进行分析,确定了单时序影像和5期时序影像组合的参与分类的特征数和特征变量。对于单时序影像,研究选择RF排序的植被指数和纹理特征参与分类,不同植被类别间的可分距离分析发现,每个植被类型与其它类型在选定的植被指数和纹理特征的可分性,均高于其在原始光谱波段上的可分性,因此特征提取对植被类别的区分有重要意义;对于5期(OLI-034-133-191-290-354:2月-5月-7月-10月-12月图像)多时序影像组合,本研究选择RF排序的前12个植被指数和10个纹理特征参与分类,不同植被类别间的可分距离分析发现,单时相时类间可分离值基本都小于1,而多时相特征的加入,类别间的可分离值均在1.5以上,因此时相特征的利用,可以有效提高植被类别可分性。而单时序特征和多时序特征的分类结果也表明,多时序特征参与的分类,研究区整体精度达到84.7%,相比单时序的整体分类精度提高了 15.4%,尤其提高了杉木、马尾松和毛竹纯林的分类精度,生产者精度分别提高25.44%,15.29%和19.54%,因此时相特征的加入有助于提高树种的识别精度。本研究提出了应用考虑样本先验概率的转换分离度(TD)分析方法和随机森林(RF)重要性分析模块结合的方法,快速从海量特征中确定了分类的最佳特征数目和最佳特征变量,对比分析了时相信息的加入对植被分类结果的影响,提出了基于多时相多特征的快速特征筛选方法,为研究区快速、精确森林制图提供了可行方案。