论文部分内容阅读
森林植被的分类提取是基于遥感技术的森林资源监测体系中的基础和关键环节。森林植被分类提取的结果不仅关系到森林面积、空间位置、森林类别等定性监测指标精度,还直接影响到森林植被的蓄积量、生物量、碳储量、生物多样性、生态服务功能等定量监测的精度。我国高分系列遥感卫星和资源系列卫星的成功发射,使高分辨率遥感数据极大丰富,亟需以国产高分遥感数据为依托,研究森林植被分类提取中涉及的遥感影像预处理流程、图像分割方法、最优分割尺度选择、分类模型构建方式等系列关键技术环节,构建较为完善森林植被分类提取体系,以及进行将多时相遥感数据、DEM数据、多分辨率影像数据有效综合应用于森林植被分类提取中的研究,为国产高分遥感数据在森林资源监测中的高效应用提供参考。本研究以延庆县松山国家自然保护区及周边99km2的区域为研究区,以GF-2影像为遥感数据源,以森林植被的分类提取为主线,构建基于面向对象高分辨率遥感的森林植被分类提取体系框架,研究了GF-2号数据的数据处理流程与地物的光谱可分性;尝试改进了基于Mean Shift、区域合并算法和地形分区算法的多尺度分割方法,提出了基于先验知识的最优尺度选择方法;根据不同地物表现形式下的影像对象特征的分析统计结果,实现了多时相遥感数据和影像特征指标的选取;应用CART决策树算法在四种不同的多尺度分割结果基础上获取了四个森林植被分层提取规则集;应用混淆矩阵对各规则集提取的分类结果进行了精度验证。主要研究结果如下:(1)通过目视与定量评价方法,分析基于PCA、GS、Pansharp与SFIM等4种融合方法的GF-2全色和多光谱影像数据的融合结果,得出Pansharp融合算法得到的影像在清晰度和地物空间辨识度方面优于其他三种方法,是在应用GF-2号影像对地物边界需要较高精度提取时的最佳融合方法。(2)应用J-M距离定量对比分析了GF-2号遥感影像与WorldView-2多光谱遥感影像的地物光谱可分性,得出GF-2号遥感影像在地物大类的区分中具有较好的光谱可分性,林地与其他地类间均具有较高的区分度,且在该研究区获取的GF-2号多光谱遥感影像在多个地类问的光谱可分性与基于四个常见的波段组合的WorldView-2多光谱遥感影像相近。(3)研究构建了基于Mean Shift算法、区域合并算法和地形分区方法的多尺度分割方法,该分割方法结合本文提出的基于先验知识的最优尺度选择方法获取了研究区的分割结果。通过与采用eCogniton软件中的多尺度分割算法并结合ESP尺度评价工具进行的多尺度分割结果进行对比得出,基于本文改进的多尺度分割方法和基于先验知识的最优尺度选择方法下的分割结果,其分割效果更符合森林植被分类中的应用。(4)应用CART决策树算法构建了基于FNEA多尺度分割方法、基于Mean Shift和区域合并算法的多尺度分割方法、基于地形分区的Mean Shift和区域合并算法的多尺度分割方法、基于改进分层提取的高分辨率森林植被分类方法等四种方法分割结果下的分类规则集。根据分类规则集获取了研究区的分类结果,并应用混淆矩阵验证了各方法下的分类精度,结果表明:基于改进分层提取的高分辨率森林植被分类方法分类精度最高,总体分类精度为82.24%,KAPPA系数为82.67%;基于地形分区的Mean Shift和区域合并算法的多尺度分割方法分类精度次之,总体分类精度为79.51%,KAPPA系数为79.99%;基于FNEA多尺度分割方法和基于Mean Shift和区域合并算法的多尺度分割方法分类精度较差,总体分类精度分别为77.32%和77.05%,KAPPA系数分别为77.84%和77.38%。