【摘要】：快速、準確的遙感森林制圖,為實時掌握森林資源現(xiàn)狀,森林資源空間配置、優(yōu)化調整與輔助決策提供技術支持。許多研究發(fā)現(xiàn),不同植被之間光譜特征差異小,單一時相提取的特征很難有效的提高植被分類精度,而時間維度比空間、光譜或輻射維度可提供更多的陸地覆蓋及狀況信息,因此物候信息的利用對植被類型具有有效的可區(qū)分性,有利于提高植被的分類精度,進而提高森林制圖的精度。論文以福建省將樂林場為研究區(qū),利用年內時間序列的Landsat-8 OLI遙感影像為數(shù)據(jù)源,進行植被分類研究。首先對時序數(shù)據(jù)進行精確的預處理,獲取反射率遙感數(shù)據(jù),而后提取不同時相各個植被類型的原始光譜、植被指數(shù)和紋理特征;通過隨機森林(Random Forest,RF)的特征重要性分析模塊,對單一時序影像特征和不同時序長度影像特征變量進行重要性排序;根據(jù)特征的排序結果,采用改進的轉換分離度(Transformed Divergence,TD)方法,分別判定單時序和多時序特征中,用于植被分類的最佳特征數(shù)及特征;對研究區(qū)圖像,采用分層分類的方法,利用光譜特征和NDVI植被指數(shù)將研究區(qū)劃分為植被和非植被類型,利用選定的單時序和多時相組合的最佳植被分類特征,分別采用支持向量機、決策樹和隨機森林的分類方法進行植被分類,而采用閾值的方法對非植被類型進行分類,從而實現(xiàn)對研究區(qū)尤其是植被類別高精度的分類。通過以上方法,本文得出以下結論:(1)對5期時序影像進行了精確的地形校正,并選定了相應的校正模型,對校正影像提取了不同時相的光譜和紋理特征,紋理特征包括灰度共生矩陣(Gray-level co-occurrence matrix,GLCM)紋理和局部二值模式(Local Binary Pattern,LBP)紋理。通過不同植被類別間光譜均值分析和光譜的箱型圖分析發(fā)現(xiàn),OLI-133(2015年5月13日)期影像具有更為豐富的植被區(qū)分信息;植被類別在近紅外波段(band5)和短波紅外(band6和band7)更容易區(qū)分,尤其是短波紅外波段具有可區(qū)分的潛力,但植被類別間的光譜多有重疊。(2)通過基于樣本的隨機森林(RF)模型預測誤差和預測精度兩方面的分析,確定了 RF模型的最佳參數(shù),模型中每個節(jié)點使用mtry=7個變量,模型決策樹數(shù)目ntree=1000。通過隨機森林的特征重要性分析模塊,對單一時相和不同時相組合的原始波段光譜、植被指數(shù)和紋理特征分別進行了重要性排序。波段光譜排序分析發(fā)現(xiàn),近紅外波段(band5)或短波紅外波段(band6)的波段光譜在所有單時相的分類中,都含有豐富的植被類別區(qū)分信息;多時相組合時,OLI-133(2015年5月13日)和OLI-191(2013年7月10日)期影像的特征具有更為豐富的植被區(qū)分信息,隨著時序長度的增加,相對重要的前10個特征幾乎都是OLI-133(2015年5月13日)和OLI-191(2013年7月10日)的光譜特征,尤其是OLI-191(2013年7月10日)影像的近紅外波段(band5)特征得分明顯高于其它任何影像波段光譜特征。植被指數(shù)排序結果分析發(fā)現(xiàn),單時序時,歸一化植被指數(shù)相對來說重要性較高且這些植被指數(shù)的數(shù)學模型,均包含近紅外(band5)或短波紅外波段(band6和band7),因此這些波段是重要的植被區(qū)分波段;不同時序長度組合時,最重要的植被類型區(qū)分特征始終是OLI-133和OLI-191期影像的植被指數(shù)。紋理特征排序分析發(fā)現(xiàn),無論單時序或多時序組合,9*9窗口的紋理特征始終是區(qū)分植被類型的主要窗口,而方差紋理(Variance)和熵(Entropy)紋理對于每個時相或不同時序組合而言,均是區(qū)分植被類別的重要紋理。(3)通過改進可分離性分析方法對RF的排序結果進行分析,確定了單時序影像和5期時序影像組合的參與分類的特征數(shù)和特征變量。對于單時序影像,研究選擇RF排序的植被指數(shù)和紋理特征參與分類,不同植被類別間的可分距離分析發(fā)現(xiàn),每個植被類型與其它類型在選定的植被指數(shù)和紋理特征的可分性,均高于其在原始光譜波段上的可分性,因此特征提取對植被類別的區(qū)分有重要意義;對于5期(OLI-034-133-191-290-354:2月-5月-7月-10月-12月圖像)多時序影像組合,本研究選擇RF排序的前12個植被指數(shù)和10個紋理特征參與分類,不同植被類別間的可分距離分析發(fā)現(xiàn),單時相時類間可分離值基本都小于1,而多時相特征的加入,類別間的可分離值均在1.5以上,因此時相特征的利用,可以有效提高植被類別可分性。而單時序特征和多時序特征的分類結果也表明,多時序特征參與的分類,研究區(qū)整體精度達到84.7%,相比單時序的整體分類精度提高了 15.4%,尤其提高了杉木、馬尾松和毛竹純林的分類精度,生產(chǎn)者精度分別提高25.44%,15.29%和19.54%,因此時相特征的加入有助于提高樹種的識別精度。本研究提出了應用考慮樣本先驗概率的轉換分離度(TD)分析方法和隨機森林(RF)重要性分析模塊結合的方法,快速從海量特征中確定了分類的最佳特征數(shù)目和最佳特征變量,對比分析了時相信息的加入對植被分類結果的影響,提出了基于多時相多特征的快速特征篩選方法,為研究區(qū)快速、精確森林制圖提供了可行方案。
【學位授予單位】：北京林業(yè)大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：S771.8
【圖文】：

圖１－１技術路線逡逑Ｆｉｇ．邋１－１邋Ｔｅｃｈｎｉｃａｌ邋ｒｏｕｔｅ逡逑１３逡逑

逡逑２．１．研究區(qū)域概況逡逑研宄區(qū)位于福建省將樂縣，如圖２－１所示。整體研宄區(qū)設在將樂林場，將樂林場逡逑屬于福建省三明市的主要林區(qū)。森林的發(fā)展是在大力保護天然林的基礎上，積極發(fā)展逡逑人工豐產(chǎn)林。其中天然林有相當一部分是受過重大的人為干擾后，自然恢復而形成，逡逑主要林分是馬尾松、黃山松和栲樹等；人工林主要包括馬尾松、杉木、桉樹、樟樹、逡逑泡桐、油桐及厚樸等。逡逑２．邋１．邋１．地理位置逡逑研究區(qū)域位于福建省三明市將樂縣中部的將樂國有林場，三明市位于福建省的中逡逑西部（如圖２－１），包括２個市轄區(qū)（梅列區(qū)，三元區(qū)）１個縣級市（永安市）９個縣逡逑（建寧、泰寧、將樂、沙縣、尤溪、明溪、寧化、清流和大田），地理位置是２５°２Ｔ？逡逑２７°０７＇Ｎ邋１１６°２２’？１１８。３９衛(wèi)，東西寬超２３０千米，南北長超１８０千米，東接福州，逡逑南鄰泉州，西連龍巖，北毗南平，西北靠贛州。境域以中低山及丘陵為主，北西部為逡逑武夷山脈

像采用相同的控制點，主要是道路交叉點，橋梁上的固定點和建筑的拐角等固定點，逡逑共選取了邋２３個同名控制點，校正模型采用二次多項式，雙線性法重采樣，將時序影逡逑像的校正誤差均控制在０．５個像元以內�？刂泣c分布如圖２－２，邋５景圖像校正精度及誤逡逑差如表２－５。逡逑２１逡逑

【參考文獻】

相關期刊論文 前10條

1 黎良財;張曉麗;鄧利;吳銳;;廣西巖溶地區(qū)植被覆蓋度與植被指數(shù)耦合模型研究[J];中南林業(yè)科技大學學報;2015年05期

2 陳玲;郝文乾;高德亮;;光學影像紋理信息在林業(yè)領域的最新應用進展[J];北京林業(yè)大學學報;2015年03期

3 高西寧;趙亮;尹云鶴;;氣候變化背景下森林動態(tài)模擬研究綜述[J];地理科學進展;2014年10期

4 王盼;陸寶宏;張瀚文;張巍;孫銀鳳;季妤;;基于隨機森林模型的需水預測模型及其應用[J];水資源保護;2014年01期

5 王修信;秦麗梅;羅玲;張曉朋;湯谷云;;遙感圖像森林林型SVM分類的多特征選擇[J];計算機工程與應用;2013年20期

6 李欣海;;隨機森林模型在分類與回歸分析中的應用[J];應用昆蟲學報;2013年04期

7 周峰;王文;王曉剛;;基于植被指數(shù)-地表溫度特征空間的伊河流域蒸散發(fā)量估算[J];地理與地理信息科學;2013年02期

8 夏雙;阮仁宗;顏梅春;;基于植被指數(shù)模型的淡水湖泊濕地景觀信息提取[J];地理空間信息;2012年06期

9 李正國;唐華俊;楊鵬;吳文斌;陳仲新;周清波;張莉;鄒金秋;;植被物候特征的遙感提取與農業(yè)應用綜述[J];中國農業(yè)資源與區(qū)劃;2012年05期

10 黃博;徐麗華;;基于改進型Minnaert地形校正模型的應用研究[J];遙感技術與應用;2012年02期

相關博士學位論文 前3條

1 任沖;中高分辨率遙感影像森林類型精細分類與森林資源變化監(jiān)測技術研究[D];中國林業(yè)科學研究院;2016年

2 夏瑜;基于結構的紋理特征及應用研究[D];中國科學技術大學;2014年

3 溫智婕;圖像紋理特征表示方法研究與應用[D];大連理工大學;2008年

相關碩士學位論文 前10條

1 魯奉軍;基于隨機森林算法的目標檢測與動作識別方法研究[D];吉林大學;2016年

2 王云;基于Landsat_OLI的壩上草原植被覆蓋度反演模型研究[D];河北師范大學;2016年

3 馮盼峰;基于隨機森林兩階段逐步變量選擇算法的研究及應用[D];福建農林大學;2016年

4 王龍;圖像紋理特征提取及分類研究[D];中國海洋大學;2014年

5 劉惠峰;基于時序NDVI的疏勒河流域植被覆蓋分類研究[D];蘭州大學;2014年

6 劉禮;SPOT影像植被指數(shù)與落葉松林LAI相關性分析[D];南京林業(yè)大學;2008年

7 徐慶玲;TM影像地形輻射校正的應用研究[D];南京林業(yè)大學;2008年

8 林曉峰;基于紋理特征的遙感圖像分類算法研究[D];大連理工大學;2007年

9 黃端瓊;多尺度紋理特征分析及其在遙感影像分類中的應用[D];福州大學;2006年

10 張鵬;Markov隨機場在圖像處理中應用的研究[D];華中科技大學;2005年

本文編號：2800070