本文選題：Landsat　切入點：OLI　出處：《中國林業(yè)科學研究院》2017年博士論文　論文類型：學位論文

【摘要】：對森林植被類型信息的掌握,是合理管理和經(jīng)營森林行業(yè)的基本要求;根據(jù)科學的指導(dǎo)去保護森林植被,在不破壞森林生態(tài)的前提下對森林資源進行有效開發(fā)和利用,才可以實現(xiàn)國家和社會的全方位可持續(xù)發(fā)展。全面、系統(tǒng)、精準的對森林植被覆蓋類型的認識能夠加速實現(xiàn)林業(yè)可持續(xù)發(fā)展的戰(zhàn)略目標、為林業(yè)部門對森林資源的監(jiān)測提供科學的保障。為掌握林芝縣森林覆蓋類型及蓄積量的情況,研究利用Landsat OLI遙感影像對林芝縣的森林覆蓋類型進行提取,并探索了基于不同計算窗口下各紋理特征對研究區(qū)針、闊葉林蓄積量反演模型的影響。研究的主要工作如下:(1)林芝縣森林覆蓋類型提取研究文章首先選取三個不同的分類器對林芝縣的森林覆蓋進行分類,三個分類器分別是:最大似然(MLC)、馬氏距離(MaDC)和人工神經(jīng)網(wǎng)絡(luò)(ANNC)。分別根據(jù)上述的三個不同的分類器對研究區(qū)的遙感影像進行分類,分類結(jié)果的總體精度分別是:71.52%,67.23%和81.49%。觀察各個地物的分類結(jié)果發(fā)現(xiàn),不同分類器所得到各類的精度并沒有一個一致的走向,也就是不同的分類器的地物分類精度有高有低�；贒-S證據(jù)理論對前文提到的三個不同的單分類器進行組合研究,利用ENVI+IDL編程實現(xiàn)基于證據(jù)理論的不同分類器組合分類算法,該算法融合了不同的分類器的特點,實現(xiàn)不同分類器之間的優(yōu)勢互補,基于此實現(xiàn)研究區(qū)森林覆蓋類型的精確提取�；贒-S證據(jù)理論對上述的三個單分類器進行組合,一共能夠得到4種不同的組合方式,分別是:最大似然-馬氏距離,最大似然-人工神經(jīng)網(wǎng)絡(luò),人工神經(jīng)網(wǎng)絡(luò)-馬氏距離以及最大似然-馬氏距離-人工神經(jīng)網(wǎng)絡(luò)�；谏鲜鏊姆N組合方式分類結(jié)果總體精度依次是:71.12%,81.66%,80.98%和81.074%。比較發(fā)現(xiàn),隨著人工神經(jīng)網(wǎng)絡(luò)分類器的引入,最大似然和馬氏距離分類器以及最大似然-馬氏距離組合分類器的分類結(jié)果總體精度都有提高,說明人工神經(jīng)網(wǎng)絡(luò)對分類器組合分類能力的提高貢獻值較大。最大似然、馬氏距離和人工神經(jīng)網(wǎng)絡(luò)分類結(jié)果所有地物的平均精度分別是:78.53%,74.63%和76.81%,組合分類器最大似然-馬氏距離,最大似然-人工神經(jīng)網(wǎng)絡(luò),人工神經(jīng)網(wǎng)絡(luò)-馬氏距離和最大似然-人工神經(jīng)網(wǎng)絡(luò)-馬氏距離組合分類器分類結(jié)果所有地物的平均精度分別是:77.45%,77.23%,78.23%和78.75%�？梢园l(fā)現(xiàn),組合分類器中對分類精度低的單分類器的平均精度都有提升,平均精度以三個分類器共同結(jié)合最好。綜合考慮單個地物的分類精度、總體精度和平均精度,并經(jīng)過統(tǒng)計對比可以發(fā)現(xiàn),雖然總體精度以最大似然-人工神經(jīng)網(wǎng)絡(luò)組合分類器的精度最高,但是考慮到各個類別的精度之后,判定以基于最大似然-馬氏距離-人工神經(jīng)網(wǎng)絡(luò)組合分類器取得結(jié)果最好。研究結(jié)果表明,人工神經(jīng)網(wǎng)絡(luò)分類器在三個單分類器的精度最高,結(jié)果也說明如果證據(jù)源的精度高,那么組合分類器的分類精度也會隨之升高。森林資源二類調(diào)查數(shù)據(jù)的針、闊葉林面積分別約為:2728034 km2和464242 km2,基于三個分類器組合得到的針、闊葉林面積分別約為:3319302 km2和418815 km2,分別與二調(diào)數(shù)據(jù)相差21.76%和9.79%。(2)林芝縣森林蓄積量反演研究探討了 Landsat OLI遙感影像基于不同大小窗口計算生成的紋理特征和紋理改進指數(shù)對林芝縣針、闊葉林的蓄積量遙感反演的影響。經(jīng)過計算可以發(fā)現(xiàn)不同窗口計算得到的紋理特征及其改進指數(shù)對于林芝縣針、闊葉林蓄積量的反演精度的影響不一樣。針葉林最優(yōu)反演模型的修正復(fù)相關(guān)系數(shù)達到0.553,標準估計誤差為6.3049。反演的均方根誤差為2.7484,經(jīng)過對估算結(jié)果與實際值的配對樣本T檢驗的結(jié)果顯示,針葉林蓄積量反演的成對樣本檢驗的p值顯著性為0.891,該值遠大于0.05;闊葉林最優(yōu)反演模型的修正復(fù)相關(guān)系數(shù)為0.202,標準估計誤差為2.0023。闊葉林蓄積量反演的均方根誤差為1.8757,闊葉林蓄積量反演的成對樣本檢驗的p值顯著性為0.06,相對于構(gòu)建的針葉林蓄積量反演模型取得的結(jié)果稍差。但這兩個驗證結(jié)果說明針、闊葉林蓄積量反演回歸模型得到針、闊葉林蓄積量估測值與實際值之間沒有顯著性差異,基于紋理指數(shù)及其改進指數(shù)模型的蓄積量反演模型構(gòu)建較好,對研究區(qū)內(nèi)森林蓄積量的反演具有可靠性,對森林資源的監(jiān)測和管理具有重要指導(dǎo)意義。通過上述研究內(nèi)容,對林芝縣的森林覆蓋類型提取和森林蓄積量的研究方法和技術(shù)的創(chuàng)新點主要體現(xiàn)在以下三個方面:(1)基于證據(jù)理論組合器分類方式實現(xiàn)了西藏自治區(qū)林芝縣的地物覆蓋類型的有效區(qū)分,分類結(jié)果相對于各單分類器總體效果較好。(2)提出分類器對地物區(qū)分能力的貢獻值C,定義了一種分類器分類能力的定性指標。(3)提出基于原始紋理指數(shù)的改進指數(shù)波段紋理均值改進指數(shù)(分別是Average_Mean、Average_Variance、Average_Contrast、Average_Entropy、Average_Correlation、Average_Homogeneity、Average_Dissimilarity 和 Average_ASM)、紋理波段均值改進指數(shù)(AverageBlue、AverageGreen、AverageRed 和 AverageNIR)以及改進植被指數(shù)(Average_texture_NDVI、Average_texture_DVI 和 Average_texture_SRVI)。以改進指數(shù)為自變量對西藏林芝縣的森林的蓄積量進行反演,進一步改變了傳統(tǒng)的主要以光譜因子為自變量對森林蓄積量的反演研究。綜上,利用LandsatOLI遙感影像對林芝縣進行覆蓋類型提取,利用改進指數(shù)對林芝縣的森林蓄積量反演具有可行性和實際意義。
[Abstract]:......
【學位授予單位】：中國林業(yè)科學研究院
【學位級別】：博士
【學位授予年份】：2017
【分類號】：S771

【參考文獻】

相關(guān)期刊論文 前10條

1 郝瀧;陳永富;劉華;朱雪林;達哇扎西;李偉娜;;基于紋理信息CART決策樹的林芝縣森林植被面向?qū)ο蠓诸怺J];遙感技術(shù)與應(yīng)用;2017年02期

2 郝瀧;劉華;陳永富;吳云華;;耦合光譜、紋理信息的森林蓄積量估算研究[J];山地學報;2017年02期

3 胡博;鞠洪波;劉華;郝瀧;劉海;;基于遙感影像的大區(qū)域植被類型樣本快速提取方法研究——以寒溫帶針葉林區(qū)域為例[J];林業(yè)科學研究;2017年01期

4 陳小藝;王錚;;基于遙感技術(shù)的汪清縣森林資源動態(tài)監(jiān)測研究與實踐[J];測繪與空間地理信息;2016年03期

5 黃麗艷;閆巧玲;高添;朱教君;;基于ALOSPALSAR雷達影像的人工林蓄積量估算——以塞罕壩機械林場華北落葉松人工林為例[J];生態(tài)學雜志;2015年09期

6 王淑晴;孫翠羽;;基于Dempster-Shafer證據(jù)理論的礦山遙感分類[J];吉林師范大學學報(自然科學版);2015年02期

7 郝瀧;陳永富;張東升;高蘇善;;基于快鳥影像樹冠特征的天山云杉材積反演[J];東北林業(yè)大學學報;2014年12期

8 宋宏利;張曉楠;陳宜金;;基于證據(jù)理論的多源遙感產(chǎn)品土地覆被分類精度優(yōu)化[J];農(nóng)業(yè)工程學報;2014年14期

9 趙勇軍;;基于LSSVM和D-S的遙感圖像分類方法[J];華中師范大學學報(自然科學版);2014年01期

10 孫小添;邢艷秋;李增元;王蕊;尤號田;;基于MODIS影像的決策樹森林類型分類研究[J];西北林學院學報;2013年06期

相關(guān)博士學位論文 前5條

1 胡博;全國森林覆蓋信息快速提取技術(shù)研究[D];中國林業(yè)科學研究院;2016年

2 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(shù)研究[D];中國林業(yè)科學研究院;2016年

3 劉俊;基于ALOS遙感影像紋理信息的懷柔區(qū)針、闊葉林蓄積量反演模型研究[D];北京林業(yè)大學;2014年

4 王雪軍;基于多源數(shù)據(jù)源的森林資源年度動態(tài)監(jiān)測研究[D];北京林業(yè)大學;2013年

5 楊永恬;基于多源遙感數(shù)據(jù)的森林蓄積量估測方法研究[D];中國林業(yè)科學研究院;2010年

相關(guān)碩士學位論文 前2條

1 張輝;基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[D];山東師范大學;2013年

2 陳霞;輔助紋理特征的ALOS影像土地利用/覆蓋分類[D];浙江大學;2010年

，

本文編號：1624127