基于多源遥感数据的森林植被类型分类方法研究.docx
《基于多源遥感数据的森林植被类型分类方法研究.docx》由会员分享，可在线阅读，更多相关《基于多源遥感数据的森林植被类型分类方法研究.docx（29页珍藏版）》请在冰豆网上搜索。
基于多源遥感数据的森林植被类型分类方法研究
基于多源遥感数据的森林植被类型分类方法研究
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。
本文利用云南省迪庆藏族自治州五境乡、小中甸、上江乡的SPOT2.5米分辨率全色影像与10米分辨率多光谱影像融合后形成的多遥感数据对森林植被类型分类方法进行研究，利用ENVI图像处理软件分别进行了传统的监督分类中的最小距离法、最大似然法和基于专家知识的决策树分类法的实验，而且还尝试了面向对象的新的分类方法，对不同的分类方法进行了分类精度的对比，从而提出一个基于多遥感数据的森林植被类型分类方法的可行性建议。
关键词：
遥感；图像分类；SPOT5；最小距离法；最大似然法；面向对象
ClassificationofForestTypesBasedonMulti-sourceRemoteSensingData
Abstract:
Forestisthelargestterrestrialecosystemontheearth,itisanecessarybasisforhumanexistenceanddevelopment.Itisnotonlytoprovidepeoplewithrichtimberandforestby-products,butalsoplayanimportantroleinclimateregulation,waterconservationandprotectenvironment.Therefore,developingforestresourcesinvestigation,gettingthestatusandchangesofforestresources,forimprovingthelevelofdecision-makingtopromotetheforestrydevelopment,forestryandsocialeconomyandeventheglobalenvironmentsustainabledevelopmenthastheextremelyvitalsignificance
BasedonremotesensingdataacquiredbytheDiqingTibetanAutonomousPrefectureinYunnanProvincefiveJingXiang,Zhongdian,JiangXiangwhichisresearchedonthetypesofforestvegetationclassification,includingtheminimumdistancesupervisedclassificationinthetraditionalmethod,maximumlikelihoodmethodanddecisiontreebasedonexpertknowledgeclassificationexperimentsbyENVIandobject-orientedclassificationbyENVIEX，ondifferentclassificationmethodswerecomparedbytheclassificationaccuracy,andputforwardafeasiblesuggestionbasedonthetypesofforestvegetationclassificationmethod.
Keywords:
Remotesensing;Imageclassification;SPOT5;minimumdistanceclassifier;
maximumlikelihoodclassifier;object-orientedclassification.
目录
第一章绪论5
1.1研究背景5
1.2研究内容及意义6
1.3研究方法与技术路线6
第二章图像分类原理8
2.1遥感图像分类传统方法8
2.2.1监督分类8
2.3遥感图像分类新方法10
2.3.1基于专家知识的决策树分类10
2.3.2面向对象的分类13
2.3.3小结14
第三章数据分析15
3.1传感器波段特征分析15
3.2森林光谱特征分析15
第四章分类方法的应用与对比18
4.1监督分类18
4.1.1训练样本的选择18
4.2分类结果及分析19
4.3分类结果精度比较22
第五章结论和展望25
参考文献26
第一章绪论
1.1研究背景
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，是经济建设和生态环境建设中不可缺少的可再生资源。
作为陆地覆盖的重要组成部分，森林不仅给人类提供丰富的木材和林副产品，还具有调节气候、涵养水源、保护环境、减缓污染等生态护功能，对于保护生物多样性、维护大气平衡等极为重要。
据1983年美国宇航局统计得出，全球33％的土地覆盖来自森林，90％的生物量来自森林，65％的净初级生产力也来自森林[1]。
可以说，森林是人类的摇篮，是实现社会可持续发展的重要物质基础。
因此，开展森林资源调查，掌握森林资源现状和消长变化情况，预测其发展变化趋势，为国家制定重大林业生产规划和林业生产政策等提供科学依据，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。
传统的森林资源调查方法主要是基于地形图和实地调查，存在着工作量大、成本高、周期长、效率低、时效性差等问题，而且调查精度人为因素影响大，难以适应现代林业可持续发展的需要。
我国于上世纪七十年代开始应用航天遥感技术进行森林资源调查和监测，而航天遥感始于五十年代，遥感技术作为一种重要的资源监测手段，具有宏观性、综合性、短周期、可重复性和低成本等特点，已广泛应用于农业、林业、地质、环境等的调查和监测工作。
近三十多年来，国内外学者对遥感技术在森林资源调查和监测中的运用进行了大量的探讨与研究，取得了非常不错的成绩[2]。
基于遥感技术的森林资源监测技术与传统方法相比，具有监测范围大、工作量小、调查周期短、精度高、现势性强、调查成本低等优点，其在我国森林资源监测中具有广阔的应用前景。
但由于遥感图像的空间分辨率、光谱分辨率都比较有限，由此造成了森林区划最小面积过大，森林分类精度不高，遥感估测精度达不到林业生产的要求，这些问题在森林分布破碎、类型多样和结构复杂的南方地区尤为突出。
随着遥感技术的发展，遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要的信息来源，并在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用。
由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求，所以图像处理中重要的环节——图像分类也就显得尤为重要。
遥感图像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异。
这是区分不同图像地物的物理基础。
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感图像中与实际地物的对应信息，从而实现遥感图像的分类。
目前随着各种新理论新方法的相继涌现，遥感图像存在多种分类方法，所以本文主要是选取几种常用的监督分类方法和ENVIEX提供的面向对象分类方法用实验结果表明它们之间存在的差异。
1.2研究内容及意义
论文以云南省迪庆州森林种类分布为主要研究对象，开展不同种类森林的光谱特性及遥感信息提取的相关研究，通过对比分析不同地物的光谱特征，结合地形图、地面调查以及多源遥感数据，选择适合本研究的分类器，并通过分类参数的优化，获得理想的分类器，达到提高森林种类分类的精度。
为遥感技术在森林资源调查、森林资源监测和遥感信息提取有借鉴意义。
本文研究区域为云南省迪庆藏族自治州。
迪庆藏族自治州，藏语意为“吉祥如意的地方”，是云南省惟一的藏族自治州，位于云南省西北部，滇、藏、川三省区交界处，青藏高原伸延部分南北纵向排列的横断山脉，金沙江、澜沧江、怒江三江并流国家级风景名胜区腹地，澜沧江和金沙江自北向南贯穿全境，总面积23870平方千米，全州辖香格里拉县、德钦县和维西僳僳族自治县三县。
州府所在地香格里拉县建堂镇，距省城昆明市608千米。
本实验以云南省迪庆藏族自治州的森林为研究对象，以多遥感数据为基础，利用不同森林种类的光谱特征及纹理等特征，进行森林种类的分类，并对比各分类方法的分类精度，提出基于多遥感数据的森林植被类型分类方法的可行性建议。
1.3研究方法与技术路线
（1）研究数据
本文采用的影像数据为2012年4月份经过预处理的SPOT52.5米全色影像与10米分辨率的多光谱影像的融合影像，图像成像质量较好，影像格式为tif格式，投影方式为UTM，坐标系统为WGS84。
本文采用的分类数据为2008年迪庆藏族自治州林相图和二调数据，并且利用谷歌地球对问题区域的分类样本正确性进行了检验。
（2）技术路线
运用ENVI软件自带的监督分类方法中的最小距离法、最大似然法对同一区域采用同一ROI（感兴区域）样本进行土地利用分类。
并结合验证ROI利用混淆矩阵和Kappa系数对分类结果进行精度评价。
另外，利用ENVI面向对象空间特征提取模块—FeatureExtraction方法，对影像进行面向对象特征提取。
并采用基于图像信息综合评价方法,对该分类结果图像进行评价。
第二章图像分类原理
2.1遥感图像分类传统方法
监督分类方法，首先需要从研究区域选取有代表性的训练场地作为样本。
根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。
监督分类的关键是训练场地的选择，其选择的质量将直接影响到分类结果的可靠性[3]。
有时仅仅考虑在某特定时间和空间内选取训练样本还是不够的，为了提高分类的精度，所以有必要研究一些新的分类算法，比如：
基于专家知识的决策树分类、支持向量机、面向对象图特征提取等方法（本文主要应用第三种新分类方法）。
2.2.1监督分类
遥感图像监督分类大致流程如图2-1所示：
图2-1：
监督分类流程
遥感图像监督分类处理的基本过程，包括原始图像的预处理、训练样本的选择、特征的选择和特征提取、分类器设计、图像分类、结果输出以及结果检验等。
本实验选用基于最小距离和最大似然法的监督分类两种方法。
（1）基于最小距离法的监督分类
最小距离分类法是以特征空间中的距离作为像素分类的依据。
首先由训练样本数据得出每一类别的均值向量和协方差矩阵，然后以各类的均值向量作为该类在多维空间中的中心位置。
计算输入图像中的每个像元到各类的距离，到哪一类中心的距离最小，则该像元就归入哪一类别。
因此，在这类分类方法中距离就是一个判别函数[4]。
（2）基于最大似然法的监督分类
最大似然法因有严密的理论基础，对于呈正态分布的类别判别函数易于建立，综合应用了每个类别在各波段中的均值，方差以及各波段之间的协方差，有较好的统计特性，一直被认为是最先进的分类方法之一。
最大似然法是建立在贝叶斯准则基础上的，其分类错误概率较小，是监督分类方法中风险最小的判决分析，是典型的和应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训练样本数据在光谱空间服从高斯正态分布。
用最大似然法分类，具体分为三步：
首先确定各类的训练样本，再根据训练样本计算各类的统计特征值，建立分类判别函数，最后逐点扫描影像各像元，将像元特征向量代入判别函数求出其属于各类的概率，将待判断像元归属于判别函数概率最大的一组。
该分类法错误最小精度高，是较好的一种分类方法。
不足的是传统的人工采样方法工作量大，效率低，加上人为误差的干扰，使得分类结果的精度较差。
利用GIS数据来辅助最大似然法分类，可以提高分类精度，通过建立知识库指导分类的进行，可以减少分类的错误，这是提高最大似然法分类精度的有效途径[5]。
其分类步骤为：
1）确定需要分类的地区、使用的波段和特征分类数，检查所用各波段或特征分量的位置是否已经相互配准；
2）根据已掌握典型地区的地面情况，在图像上选择训练区；
3）根据选出的各类训练区的图像数据，确定先验概率；
4）分类，将训练区以外的图像像元逐个逐类地代入公式2.2，对于每个像元，分几类就计算几次，最后比较大小，选择最大值得出类别；
5）产生分类图，给每一类规定一个值，如分10类，就为1，2，…，10，分类后的像元值用类别值替代，最后得到分类专题图像，因最大灰阶值等于类别数，在监视器上显示时需要给各类加上不同彩色；
6）检验结果，如分类中错误较多，需重新选择训练区再走以上各步，直到结果满意为止。
即该像元在所有波段的灰度值都符合上述条件，就把像元x归入第i列，即Class（x）=i；否则不能归入已知类别，即Class（x）=0。
式中T为人为规定的一个阈值，相当于有概率分布触发，采用几个标准差作为可信的分类边界，T越大则一个类的范围越大。
（3）监督分类的主要特点
监督分类可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。
主要缺点：
人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分类结果（对土地覆盖类型复杂的地区需特别注意）。
2.3遥感图像分类新方法
2.3.1基于专家知识的决策树分类
决策树分类作为一种基于空间数据挖掘和知识发现的监督分类方法，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感知识先验确定、其结果往往与其经验和专业知识水平密切相关的问题，而是通过决策树学习过程得到分类规则并进行分类，分类样本属于严格“非参”，不需要满足正态分布，可以充分利用GIS数据库中的地学知识辅助分类，大大提高了分类精度。
决策树分类算法：
决策树（Decisiontree）是通过对训练样本进行归纳学习生成决策树或决策规则，然后使用决策树或决策规则对新数据进行分类的一种数学方法。
决策树是一个树型结构，它由一个根结点、一系列内部结点及叶结点组成每一结点只有一个父结点和两个或多个子结点，结点间通过分支相连。
决策树的每个内部结点对应一个非类别属性或属性的集合（也称为测试属性），每条边对应该属性的每个可能值。
决策树的叶结点对应一个类别属性值，不同的叶结点可以对应相同的类别属性值。
决策树除了以树的形式表示外，还可以表示为一组IF—THEN形式的产生式规则。
决策树中每条由根到叶的路径对应着一条规则，规则的条件是这条路径上所有结点属性值的舍取，规则的结论是这条路径上叶结点的类别属性。
与其它分类方法相比，规则更简洁、更便于人们理解、使用和修改，可以构成专家系统的基础。
因此在实际应用中更多的是使用规则[6]。
决策树分类流程图如图2-2所示：
图2-2：
决策树分类流程图
决策树技术应用于遥感影像的土地利分类过程中的优点：
决策树方法不需要假设先验概率分布，这种非参数化的特点使其具有更好的灵活性，因此，当遥感影像数据特征的空间分布很复杂，或者多源数据各维具有不同的统计分布和尺度时，用决策树分类法能获得理想的分类结果；决策树技术不仅可以利用连续实数或离散数值的样本，而且可以利用“语义数据”，比如离散的语义数值：
东、南、西、北、东南、东北、西南、西北；。
决策树方法生成的决策树或产生式规则集具有结构简单直观、容易理解、以及计算效率高的特点，可以供专家分析、判断和修正，也可以输入到专家系统中，而且对于大数据量的遥感影像处理更有优势；决策树方法能够有效地抑制训练样本噪音和解决属性缺失问题，因此可以解决由于训练样本存在噪声（可能由传感器噪声、漏扫描、信号混合、各种预处理误差等原因造成）使得分类精度降低的问题。
（1）决策树的规则分析
决策树的构建可以使特征集数据规则可视化，输出清晰，易于理解，决策树的构建方法很多，关键是要找到良好的分支和节点，产生有效的特征和特征集。
遥感影像的基础和原始特征信息时光谱特征，从基础原始信息到到理想的特征信息，一般需要经过复杂的非线性变换。
比如，植被指数的的产生就是红外和近红外波段经过非线性变换产生的特征。
对遥感影像的特征生成来说，如何由原始特征逐渐衍生出各种不同层次的特征。
特征选择是提取最佳的特征即既有最大区分能力的数据集进行分类。
不同地物在相同波段上表现得灰度值不一样，同时不同地物在多波段影像上呈现的灰度值也不一样。
表2-1各波段各类别平均灰度值
平均灰度值
松类
阔叶类
杉类
band1
46.29
-12.38
-35.19
band2
-34.101
-5.62
-6.44
band3
-107.69
-8.32
-9.39
band4
-29.763
2.01
0.41
band5
36
49.21
39.53
band6
28
42.48
32.04
band7
23
69.76
59.72
band8
19
52.61
37.75
band9
0.30
0.11
0.19
表2-2：
非植被各波段平均灰度值
水体
雪地
裸地
建筑用地
阴影
10.91
232.077
134.68
96.11
-70.33
-39.05
-160.264
1.59
1.002
-10.71
44.42
34.18
37.69
27.20
16.87
12.43
-3.54
-7.10
-1.74
3.80
96.76
226.17
107.28
94.012
38.06
83.55
234.28
141.24
113.81
26.94
45.63
197.65
104.53
93.40
21.46
47.90
85.167
150.33
126.36
16.24
-0.430
-0.076
-0.012
-0.008
-0.28
（2）决策树规则构建
通过对各波段各分类样本的平均灰度值进行对比，发现以下可行规则：
1）植被的NDVI波段最小值为0.112，而非植被的NDVI波段最大值为﹣0.0085，可以考虑以此波段进行第一步分类，将所有影像地物分为植被与非植被。
2）在非植被的各个类别中，以平均灰度值差值最大为最优波段，可以考虑选择PCA1波段将非植被进一步分类为水体、阴影和裸地、雪地及建筑用地。
3）在植被的各个类别中，也是以平均灰度值差值最大为最优波段，可以考虑选择PCA1波段将植被分为松柏类和阔叶类及杉类。
图2-3：
决策树分类规则图
2.3.2面向对象的分类
面向对象分类技术集合临近像元对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱的空间、纹理和光谱信息对图像分割和分类，以高精度的分类结果或者矢量输出。
它主要分为两部分过程：
影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。
比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阀值即完成图像的多尺度分割操作[7]。
影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。
这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。
基于知识分类也是根据影像对象的熟悉来设定规则进行分类。
表2-3为三大分类方法的一个大概对比。
表2-3：
传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比
类型
基本原理
影像的最小单元
适用数据源
缺陷
传统基于光谱的分类方法
地物的光谱信息特征
单个的影像像元
中低分辨率多光谱和高光谱影像
丰富的空间信息利用率几乎为零
基于专家知识的决策树
根据光谱特征、空间关系和其他上下文关系归类像元
单个的影像像元
多源数据
知识获取比较复杂
面向对象的分类方法
几何信息、结构信息以及光谱信息
一个个影像对象
中高分辨率多光谱和全色影像
速度比较慢
2.3.3小结
基于像元的分类方法，依据主要是利用像元的光谱特征，大多应用在中低分辨率遥感图像。
而高分辨率遥感图像的细节信息丰富，图像的局部异质性大，传统的基于像元的分类方法易受高分辨率影像局部异质性大的影响和干扰。
而面向对象分类方法可以利用高分辨率图像丰富的光谱、形状、结构、纹理、相关布局以及图像中地物之间的上下文信息，可以结合专家知识进行分类，可以显著提高分类精度，而且使分类后的图像含有丰富的语义信息，便于解译和理解。
对高分辨率影像来说，还是一种非常有效的信息提取方法，具有很好的应用前景。
第三章数据分析
3.1传感器波段特征分析
SPOT-5卫星由法国于2002年5月4日发射，空间分辨率最高可达2.5m，前后模式实时获得立体像对，运营性能有很大改善，在数据压缩、存储和传输等方面也均有显著提高。
表3-1：
SPOT5各波段信息
SPOT5波段
波段宽度
波段名称
Band1（XS1）
0.50-0.59μm
绿波段
Band2（XS2）
0.61-0.68μm
红波段
Band3（XS3）
0.79-0.89μm
近红外波段
Band4（SWIR）
1.58-1.75μm
短波红外
3.2森林光谱特征分析
地物本身的存在、变化和差异等特征是通过地物发射的波谱信息来反映的，遥感信息就是记录地表物体电磁波辐射数量与性质变化的数据，实际上它所获取的主要是地物的光谱特征值，属谱类，而地面的实际信息属信息类。
理论上光谱类和信息类应该具有一致性，同时相同的地物应该表现出相同的光谱特征，不同的地类具有不同的光谱特征值，据此遥感信息将地面上的复杂地类区别开来。
但由于遥感影像获取过程中受大气条件和传感器本身等因素的影响，地物周围环境的多变性，以及地物结构和成分的复杂性等，使得遥感影像上的地物光谱特征表现出复杂多变性，而且不同时相不同地域表现出不同的特点[10]。
同时，地物光谱特征又是大气校正、传感器波段选择、计算机自动分类以及用户判读、识别和分析等遥感过程的依据。
因此，深入分析不同地物的光谱特征是进行遥感影像信息提取的首要前提和必要工作。
通过ENVI自带的波段计算及主成分分析功能，得到5个新的波段，并将已经处理好的采样点矢量文件分别
升级会员 