学位论文 > 优秀研究生学位论文题录展示

中高分辨率遥感影像阔叶林信息提取研究

作　者: 严恩萍
导　师: 林辉
学　校: 中南林业科技大学
专　业: 森林经理学
关键词: 遥感信息提取决策树 ALOS数据阔叶林
分类号: S771.8
类　型: 硕士论文
年　份: 2011年
下　载: 111次
引　用: 0次
阅　读: 论文下载

内容摘要

森林是地球上最大的陆地生态系统,是人类赖以生存和发展的必要基础,它不仅给人类提供丰富的木材和林副产品,而且在调节气候、涵养水源、保护环境等方面均起到重要作用。因此,开展森林资源调查,掌握森林资源现状及其变化,对于提高林业发展决策水平,促进林业和社会经济乃至全球环境的可持续发展等具有极为重要的意义。与传统方法相比,遥感影像智能解译因其宏观性、短周期性、可重复性等优点,被广泛应用于森林资源监测中。现有遥感影像解译算法很多,并已成功应用于诸多领域,特别是地物光谱特征和多源遥感数据相结合进行分类已成为研究热点。本文使用ALOS遥感数据,通过单波段、多波段统计方法分析波段数据特征,获得对影像的整体认识；运用归一化植被指数、主成分分析以及最佳指数法计算不同植被类型的光谱特征,通过与最大似然法对比,结合实地调查数据,构造出理想的决策树算法规则,研究广西壮族自治区平南县内的植被分类问题,同时还将调整的算法应用于TM、SPOT5遥感数据,旨在为中低分辨率森林类型信息的快速提取提供参考。主要研究结论如下：(1)由相关性水平和信息量统计可知,ALOS数据4个波段中,波段1、2、3的相关性显著,而波段4与其他波段相关性较低,说明其具有很大的独立性,在进一步遥感信息提取中是必选波段,其次是3、2、1波段。(2)最佳指数分析表明,ALOS数据理论最佳RGB合成为1-3-5(NDVI)波段,但考虑信息量、地类可区分度和色彩丰富度,其效果均不如4-3-2波段组合。(3)通过分析ALOS影像原始波段发现,各植被类型在部分波段上走势相近,不易区分。但加入NDVI及主成分分析后,植被类型间的区分度显著增强,从而为构造阔叶林遥感信息提取的波段组合提供参考。(4)对于ALOS数据,决策树分类算法总体精度达89.94%,kappa系数为0.8787,与最大似然法相比,分类精度显著提高,其中阔叶林制图精度为88.14%,用户精度为88.89%,说明根据ALOS影像光谱特征规律,采用决策树算法选择合适的阈值提取植被信息是可行的。(5)基于ALOS的最大似然法阔叶林提取精度达到83.90%,但竹林、灌木林、农田等类型提取误差较大,依然存在错分和漏分现象,而决策树算法可以在很大程度上克服混合分类现象,提高阔叶林提取的精度。(6)误差矩阵分析表明,基于TM和SPOT5数据的决策树算法分类质量较理想,总体精度分别为86.05%,90.61%,说明决策树分类算法不仅可以对植被进行分类与识别,而且对于不同数据源的植被分类具有一定的普适性,为实现植被类型的自动化提取提供理论依据和方法。本文得到了“林分结构与生长模拟技术研究(201104028)”项目的支持。

全文目录

摘要  5-7
ABSTRACT  7-13
1 绪论  13-25
  1.1 选题背景及意义  13-14
    1.1.1 研究背景  13-14
    1.1.2 研究目的及意义  14
    1.1.3 课题来源  14
  1.2 遥感在森林资源监测中的应用  14-16
  1.3 遥感信息提取研究概述  16-21
    1.3.1 目视解译  16
    1.3.2 基于像元的分类方法  16-19
    1.3.3 其他的一些新方法  19-21
  1.4 研究内容与技术路线  21-24
    1.4.1 研究内容  21
    1.4.2 研究方法  21-22
    1.4.3 拟解决的关键问题  22
    1.4.4 技术路线  22-24
  1.5 论文结构  24-25
2 研究区概况  25-29
  2.1 自然条件概况  25-27
    2.1.1 地理位置  25
    2.1.2 地形地貌  25-26
    2.1.3 气候  26
    2.1.4 植被  26
    2.1.5 土壤  26-27
  2.2 社会经济概况  27-29
    2.2.1 人口概况  27
    2.2.2 财政收入  27
    2.2.3 交通条件  27-29
3 数据获取及预处理  29-39
  3.1 数据获取  29-32
    3.1.1 遥感数据  29-30
    3.1.2 其他数据  30-32
  3.2 数据预处理  32-39
    3.2.1 辐射校正  32-33
    3.2.2 几何校正  33-35
    3.2.3 图像镶嵌与裁剪  35-36
    3.2.4 影像增强和变换  36-39
4 ALOS影像特征分析  39-55
  4.1 影像波段特征分析  39-44
    4.1.1 传感器波段特征分析  39-40
    4.1.2 单波段统计分析量  40-41
    4.1.3 多波段统计分析量  41-44
  4.2 影像光谱特征分析  44-55
    4.2.1 植被指数  44-45
    4.2.2 主成分分析  45-46
    4.2.3 最佳波段合成  46-49
    4.2.4 森林分类体系的确定  49-50
    4.2.5 典型地物光谱特征分析  50-55
5 阔叶林遥感信息提取  55-73
  5.1 监督分类  55-58
    5.1.1 训练样本的选择  55-56
    5.1.2 基于最大似然法的阔叶林信息提取  56-58
  5.2 决策树分类  58-66
    5.2.1 决策树分类原理  58-60
    5.2.2 决策树的构建  60-65
    5.2.3 决策树分类结果与分析  65-66
  5.3 阔叶林遥感信息提取精度评价  66-73
    5.3.1 精度评价原理  66-69
    5.3.2 精度评价分析  69-73
6 试验研究  73-87
  6.1 试验一  73-84
    6.1.1 Landsat-5 TM数据介绍  73
    6.1.2 Landsat-5 TM影像波段特征分析  73-76
    6.1.3 TM影像光谱特征分析  76-81
    6.1.4 基于TM的阔叶林遥感信息提取  81-84
  6.2 试验二  84-87
    6.2.1 试验区介绍  84
    6.2.2 试验方法  84-85
    6.2.3 结果分析  85-87
7 结论与讨论  87-89
  7.1 结论  87
  7.2 创新点  87-88
  7.3 讨论与展望  88-89
参考文献  89-101
附录攻读硕士学位期间的主要学术成果  101-103
致谢  103

中高分辨率遥感影像阔叶林信息提取研究

内容摘要

全文目录

相似论文