森林类型高光谱遥感分类研究

摘要

森林、草原、湿地等陆地生态系统主要以大气和土壤为介质，为人类和动物提供了多种多样的生存环境及食物和衣着的主体部分，对人类的生存发展具有举足轻重的影响。在陆地生态资源调查中，树种、草种、和水体等都是调查的重点，许多生态参数都是依靠树种、草种和水体来进行定量估计的，因此，准确地识别出树种、草种和水体是获取生态系统资源信息的关键。利用遥感技术开展生态系统精细分类和目标识别研究，能为自然资源管理、环境保护与监测、生物多样性和野生动物生态状况调查等研究提供信息服务。星载高光谱遥感图像具有较高的光谱分辨率，是获取森林等陆地生态系统精细结构相关参数的主要技术手段。
　　本论文综合利用星载高光谱遥感影像的光谱信息、纹理信息及地形信息，基于Hyperion星载高光谱数据探究森林生态系统精细分类方法和模型;建立相应的森林生态系统的快速、精细分类系统。其中，面向森林生态系统的精细分类方法和模型，为我国GF-5号星载高光谱遥感数据在自然资源管理、环境保护与监测、生物多样性和野生动物生态状况调查等方面，提供稳健、高效的图像精细分类和目标提取技术。
　　论文的主要研究成果及结论如下:
　　(1)基于特征波段优选的降维方法中，自适应波段指数法选取的特征变量，在C5.0决策树算法森林类型分类中的表现优于随机森林特征选择方法，两种方法总体分类精度分别达到84.04％和78.11％;三种基于特征提取的降维策略中，独立主成分分析精度较高，主成分分析法和核主成分分析分别次之。
　　(2)应用C5.0决策树数据挖掘算法，采用分层分类策略，在综合影像的光谱特征基础上，加入相关的纹理特征及地形因子，可以有效提高森林类型精细分类精度，该方法森林类型精细分类达到优势树种（组）级别，可实现高光谱数据森林类型精细分类的半自动化。
　　(3)基于自适应权值多分类器组合模型，从像元级将支持向量机和随机森林两种机器学习算法相结合，有效地提升了森林类型精细分类的精度。

目录

声明

摘要

第一章 绪论

1．1 引言

1．1．1 研究背景

1．1．2 国内外研究现状及评述

1．2 研究目标和主要研究内容

1．2．1 关键的科学问题与研究目标

1．2．2 主要研究内容

1．3 研究技术路线

1．3．1 技术路线

1．3．2 结构安排

2．1 研究区概况

2．2 Hyperion高光谱数据

2．3 Hyperion数据预处理

2．4 外业调查数据及辅助数据

2．4．2 外业实验设计

2．4．3 外业实验的实施

2．4．4 外业数据处理

2．4．5 其他辅助数据获取

2．5 分类系统

2．6 小结

第三章 高光谱数据降维方法

3．1 基于波段选择的降维方法

3．1．1 自适应波段选择法

3．1．2 基于随机森林算法的波段选择

3．2 高光谱特征提取方法

3．2．1 主成分分析

3．2．2 独立主成分分析

3．2．3 核主成分分析

3．3 纹理信息提取

3．4 小结

第四章 C5．0决策树森林类型精细分类

4．1 样本选择

4．2 分类策略

4．3 分类特征选择

4．4 C5．0决策树算法

4．5 森林类型精细分类

4．6 精度评价及分析

4．7 纹理特征的应用

4．8 小结

第五章 多分类器组合森林类型精细分类

5．1 分类策略

5．2 分类方法

5．2．1 支持向量机

5．2．2 随机森林

5．2．3 自适应权值多分类组合模型

5．3 分类结果与精度评价

5．4 分析与结论

5．4．1 分类结果分析

5．4．2 结论

5．5 小结

第六章 讨论与展望

6．1 讨论

6．2 不足与展望

参考文献

在读期间的学术研究

致谢