基于旋转森林算法的森林植被分类及影响因素分析的研究

摘要

森林资源对于全球的生态系统调节支撑、碳水循环、能量守恒以及人类的生态环境等十分重要。对森林资源的生长、分布情况进行科学的研究和监测，对于提高林业的生产发展以及带来可持续性的生态、经济等效益有极为重要的作用与意义，分辨率不断提高的影像和不断涌现的新算法推动了遥感图像植被分类研究的热度。旋转森林算法（Rotation Forest,RoF）是一个基于特征变换的集成分类算法，将旋转森林算法应用于森林植被的分类，对森林资源的发展和研究有一定的积极意义。
　　本研究以黑龙江省大兴安岭地区为研究区域，以2013年的Landsat8 OLI影像、2010年1008块固定样地数据、2001年森林资源二类调查数据、DEM以及2013年气象数据（包括平均降水量和平均温度）为数据源，首先在光谱特征的基础上增加归一化植被指数（Normalized Difference Vegetation Index,NDVI）、归一化建筑指数（Normalized Difference Build-up Index,NDBI）、纹理特征和地形特征，获得三种特征组合（F1：光谱特征和 NDVI、NDBI；F2：光谱特征、NDVI、NDBI和纹理特征结合；F3:光谱特征、NDVI、NDBI、纹理特征和地形特征结合），将旋转森林算法分别应用于三种特征组合下的森林植被分类，获得分类精度最高的特征组合，利用最佳特征组合将旋转森林与最大似然分类法（MLC）和支持矢量机（SVM）两种分类方法进行对比和精度验证分析。之后以旋转森林分类的植被分类图作为基础，用DEM提取海拔、坡度、坡向，将气象数据插值得到年平均降水量和年平均温度图，利用空间分析的统计分析工具，分析各种植被类型的空间分布情况，以及五种因子对植被空间分布的影响。
　　研究结果表明：利用旋转森林算法并结合光谱特征（NDBI、NDVI）、纹理特征和地形特征的特征组合（F3）分类精度最高，为86.85%，比 F1和 F2特征组合的精度分别提高了10.14%和2.99%。比较不同分类方法，旋转森林算法进行森林植被的分类精度比 MLC和 SVM方法的分类精度分别提高了12.71%和4.14%。由于旋转森林算法稳定性好，在植被分类中受山地阴影的影响较少，因此在分类图中“椒盐”现象最少，图像更加清晰，分类效果最好。
　　通过统计分析发现：大兴安岭各类森林植被的面积随着海拔的升高，先增加后减少，在海拔400-600m范围内，是最适宜森林植被生长的区间；坡度对植被生长环境也有一定的影响，各种植被类型都集中在平坡和缓坡上，随着坡度的增大，尤其是从陡坡开始，森林植被面积急剧下降；坡向对森林植被分布的影响不大，在四个坡向上，森林植被分布较为均匀，在阳坡和半阳坡上的森林植被要比阴坡半阴坡的多一点，树种更杂乱一些；大兴安岭降水集中在600-700mm之间，在这个区间森林植被分布面积最广。气温受地形和纬度的影响，由西北向西南递增，主要集中在-1℃左右。尤其是在-2--1℃之间，各种植被类型的面积比例都比较大。

目录

1绪论

1.1研究背景及意义

1.2国内外研究现状

1.3研究内容及技术路线

2研究区域概况及数据源

2.1研究区域概况

2.2数据选取

2.3数据预处理

3研究方法

3.1确定森林分类系统

3.2采集训练样本

3.3特征选择

3.4特征提取

3.5特征组合

3.6分类算法

3.7旋转森林算法

3.8 精度评价方法

3.9森林植被分布影响因子

4结果与分析

4.1分类结果及精度评价

5结论与讨论

5.1结论

5.2讨论

参考文献

攻读学位期间发表的学术论文

致谢

声明