论文部分内容阅读
本研究以福建省顺昌县为研究区域,利用选取高空间分辨率遥感影像ALOS,构建了各树种的光谱特征、地形因子特征、植被指数特征和纹理特征,分析了研究区主要树种的光谱特征差异、植被指数值差异和纹理特征差异以及各树种在特定地形条件下的光谱差异,建立关于山地丘陵地区树种识别的知识,采用基于知识的决策树和基于小样本学习理论的支持向量机对研究区树种进行分类识别和精度比较,研究了一种适合山地丘陵的树种分类方法,得到如下结论:(1)通过分析各树种在野外实测光谱数据,ALOS影像、地形因子、植被指数、纹理特征图像上的差异,得出结论:在这样复杂的地形条件下,单单依靠光谱数据、植被指数或纹理特征中的任何一个特征,都不能得到高精度的树种分类结果。只有有效的利用适当的特征,才可能得到高精度的树种分类结果。(2)地形因子在丘陵山地复杂地貌条件下的树种分类识别中起着非常重要的作用,不同坡度坡向条件下的同种树种的光谱差异较大,在同一坡度坡向条件下不同树种的光谱差异较小。阳坡各树种与阴坡各树种的光谱差异都很大;阳坡毛竹和阴坡、半阴坡各树种的光谱差异都较大;半阳坡经济林与阴坡各树种的光谱差异较大;缓坡条件下的毛竹与斜坡条件下的毛竹、陡坡陡坡条件下各树种的光谱差异都较大。(3)基于光谱信息、植被指数和纹理特征的决策树分类比基于光谱信息和植被指数的决策树分类总精度提高了5.39 %,Kappa系数提高了0.0641;方差、反差、一致性和熵纹理特征变量可以使研究区毛竹的分类精度提高5.8 %;方差、反差、一致性、相异性和熵纹理特征变量可以使研究区马尾松的精度提高12.11 %;方差、反差和熵纹理特征变量可以使研究区经济林的分类精度提高10.89 %;方差和熵纹理特征变量可以使研究区非植被的分类精度提高7.39 %。(4)基于光谱信息、植被指数、纹理特征和地形因子的决策树分类比基于光谱信息、植被指数和纹理特征的决策树分类总精度提高了10.35 %,Kappa系数提高了0.1239;高程、坡度和坡向地形因子使毛竹精度提高了3.23 %,杉木精度提高了22.76 %,马尾松精度提高了14.85 %,阔叶林精度提高了20.69 %,经济林精度提高了8.17 %。(5)通过对基于决策树的三种分类结果与基于支持向量机的三种分类结果相比较,发现:基于光谱信息、植被指数、纹理特征和地形因子决策树的分类结果总精度和Kappa系数是最高的,分别为81.90 %和0.7772,由此可以得出结论:对于顺昌县这样的山地丘陵地形条件,基于光谱信息、植被指数、纹理特征和地形因子的决策树分类方法是最佳的树种分类识别方法,分类效果较好。