基于SVM的余杭生态公益林类型的遥感分类研究

摘要

生态公益林是指为人类生存、生活和社会经济持续稳定发展，创造优良生态环境为目的的森林。对生态公益林进行监测管理的实现是生态公益林建设科学化、规范化、精确化、现代化管理的基础工作。本文提出的基于SVM的遥感影像分类方法，结合空间特征等信息，对IKONOS高空间分辨率影像进行分类，实施对生态公益林的监测。并将此分类方法与传统分类方法进行比较分析。研究结果表明，基于SVM的遥感分类方法能够有效解决分类效果破碎、精度不高等问题，而且在学习速度、自适应能力、可表达性等方面具有优势。本文旨在探讨一种对高分辨率遥感影像的生态公益林类型的分类方法，为建立林业信息网络和“数字林业”的发展提供理论依据和数据支持。 支持向量机(SVM)是在Vapnik的统计学习理论基础上发展起来的一种新的模式识别方法。它以结构风险最小化(SRM)为原则，通过实现确定的非线性映射将输入向量映射到一个高维特征空问中，然后在此高维空间中构建最优分类超平面。SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广到函数拟合等其他机器学习问题中。目前，将SVM应用于模式识别领域，是当前SVM的一个研究热点。 最初SVM是用以解决两类分类问题，不能直接用于多类分类。因此如何有效地将其推广到多类分类问题还是一个正在研究的问题。当前已经有许多算法将SVM推广到多类分类问题，这些算法统称为“多类支持向量机”(Multi-category Support Vector Machime,M-SVM)。 本文最后表明了SVM算法具有较高的分类精度和泛化性能，并在遥感图像分类方面良好的应用前景。

目录

文摘

英文文摘

声明

致谢

第一章绪论

1.1论文研究背景及意义

1.2国内外研究现状和发展趋势

1.3研究目的及技术路线

第二章支持向量机及其分类性能

2.1 SVM的基本原理

2.1.1线性可分

2.1.2非线性可分

2.1.2核函数

2.2多类分类支持向量机原理及算法

2.2.1现有的多类支持向量机算法

2.2.2结合二叉决策树的多类支持向量机分类方法

2.3各种多类SVM性能的衡量指标

2.3.1分类精度比较

2.3.2训练速度比较

2.3.3分类速度比较

2.4支持向量机的特点

2.5支持向量机的推广

2.6本章小结

第三章研究区与实验数据

3.1研究区概况

3.1.1自然条件状况

3.1.2森林资源概况

3.2生态公益林资源

3.2.1公益林面积

3.2.2公益林群落结构

3.2.3公益林优势树种组结构

3.3实验工具及研究数据准备

3.3.1实验工具箱

3.3.2遥感影像预处理

3.4特征提取及分类体系的确定

3.4.1特征提取

3.4.2类别可分性准则

3.4.3最佳分类波段的选取

3.4.4分类体系的确定

3.6本章小结

第四章SVM在高分辨率遥感影像分类中的应用

4.1本实验流程

4.2不同遥感信息组合的分类实验

4.2.1常见多类支持向量机算法的实验结果

4.2.2结合二叉树的多类SVM分类的实验结果

4.3实验结果对比

4.4本章小结

第五章SVM与其他分类方法的比较

5.1其他分类方法介绍

5.1.1最小距离分类(min-distance classification)

5.1.2最大似然判别分类(maximum-likelihood classification)

5.1.3神经网络分类(neural networks classification)

5.3对比分析

5.4本章小结

第六章总结与展望

6.1结论

6.2展望

参考文献