【摘要】：快速、准确的遥感森林制图,为实时掌握森林资源现状,森林资源空间配置、优化调整与辅助决策提供技术支持。许多研究发现,不同植被之间光谱特征差异小,单一时相提取的特征很难有效的提高植被分类精度,而时间维度比空间、光谱或辐射维度可提供更多的陆地覆盖及状况信息,因此物候信息的利用对植被类型具有有效的可区分性,有利于提高植被的分类精度,进而提高森林制图的精度。论文以福建省将乐林场为研究区,利用年内时间序列的Landsat-8 OLI遥感影像为数据源,进行植被分类研究。首先对时序数据进行精确的预处理,获取反射率遥感数据,而后提取不同时相各个植被类型的原始光谱、植被指数和纹理特征;通过随机森林(Random Forest,RF)的特征重要性分析模块,对单一时序影像特征和不同时序长度影像特征变量进行重要性排序;根据特征的排序结果,采用改进的转换分离度(Transformed Divergence,TD)方法,分别判定单时序和多时序特征中,用于植被分类的最佳特征数及特征;对研究区图像,采用分层分类的方法,利用光谱特征和NDVI植被指数将研究区划分为植被和非植被类型,利用选定的单时序和多时相组合的最佳植被分类特征,分别采用支持向量机、决策树和随机森林的分类方法进行植被分类,而采用阈值的方法对非植被类型进行分类,从而实现对研究区尤其是植被类别高精度的分类。通过以上方法,本文得出以下结论:(1)对5期时序影像进行了精确的地形校正,并选定了相应的校正模型,对校正影像提取了不同时相的光谱和纹理特征,纹理特征包括灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)纹理和局部二值模式(Local Binary Pattern,LBP)纹理。通过不同植被类别间光谱均值分析和光谱的箱型图分析发现,OLI-133(2015年5月13日)期影像具有更为丰富的植被区分信息;植被类别在近红外波段(band5)和短波红外(band6和band7)更容易区分,尤其是短波红外波段具有可区分的潜力,但植被类别间的光谱多有重叠。(2)通过基于样本的随机森林(RF)模型预测误差和预测精度两方面的分析,确定了 RF模型的最佳参数,模型中每个节点使用mtry=7个变量,模型决策树数目ntree=1000。通过随机森林的特征重要性分析模块,对单一时相和不同时相组合的原始波段光谱、植被指数和纹理特征分别进行了重要性排序。波段光谱排序分析发现,近红外波段(band5)或短波红外波段(band6)的波段光谱在所有单时相的分类中,都含有丰富的植被类别区分信息;多时相组合时,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为丰富的植被区分信息,随着时序长度的增加,相对重要的前10个特征几乎都是OLI-133(2015年5月13日)和OLI-191(2013年7月10日)的光谱特征,尤其是OLI-191(2013年7月10日)影像的近红外波段(band5)特征得分明显高于其它任何影像波段光谱特征。植被指数排序结果分析发现,单时序时,归一化植被指数相对来说重要性较高且这些植被指数的数学模型,均包含近红外(band5)或短波红外波段(band6和band7),因此这些波段是重要的植被区分波段;不同时序长度组合时,最重要的植被类型区分特征始终是OLI-133和OLI-191期影像的植被指数。纹理特征排序分析发现,无论单时序或多时序组合,9*9窗口的纹理特征始终是区分植被类型的主要窗口,而方差纹理(Variance)和熵(Entropy)纹理对于每个时相或不同时序组合而言,均是区分植被类别的重要纹理。(3)通过改进可分离性分析方法对RF的排序结果进行分析,确定了单时序影像和5期时序影像组合的参与分类的特征数和特征变量。对于单时序影像,研究选择RF排序的植被指数和纹理特征参与分类,不同植被类别间的可分距离分析发现,每个植被类型与其它类型在选定的植被指数和纹理特征的可分性,均高于其在原始光谱波段上的可分性,因此特征提取对植被类别的区分有重要意义;对于5期(OLI-034-133-191-290-354:2月-5月-7月-10月-12月图像)多时序影像组合,本研究选择RF排序的前12个植被指数和10个纹理特征参与分类,不同植被类别间的可分距离分析发现,单时相时类间可分离值基本都小于1,而多时相特征的加入,类别间的可分离值均在1.5以上,因此时相特征的利用,可以有效提高植被类别可分性。而单时序特征和多时序特征的分类结果也表明,多时序特征参与的分类,研究区整体精度达到84.7%,相比单时序的整体分类精度提高了 15.4%,尤其提高了杉木、马尾松和毛竹纯林的分类精度,生产者精度分别提高25.44%,15.29%和19.54%,因此时相特征的加入有助于提高树种的识别精度。本研究提出了应用考虑样本先验概率的转换分离度(TD)分析方法和随机森林(RF)重要性分析模块结合的方法,快速从海量特征中确定了分类的最佳特征数目和最佳特征变量,对比分析了时相信息的加入对植被分类结果的影响,提出了基于多时相多特征的快速特征筛选方法,为研究区快速、精确森林制图提供了可行方案。
【学位授予单位】：北京林业大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：S771.8
【图文】：
图１－１技术路线逡逑Ｆｉｇ．邋１－１邋Ｔｅｃｈｎｉｃａｌ邋ｒｏｕｔｅ逡逑１３逡逑
逡逑２．１．研究区域概况逡逑研宄区位于福建省将乐县，如图２－１所示。整体研宄区设在将乐林场，将乐林场逡逑属于福建省三明市的主要林区。森林的发展是在大力保护天然林的基础上，积极发展逡逑人工丰产林。其中天然林有相当一部分是受过重大的人为干扰后，自然恢复而形成，逡逑主要林分是马尾松、黄山松和栲树等；人工林主要包括马尾松、杉木、桉树、樟树、逡逑泡桐、油桐及厚朴等。逡逑２．邋１．邋１．地理位置逡逑研究区域位于福建省三明市将乐县中部的将乐国有林场，三明市位于福建省的中逡逑西部（如图２－１），包括２个市辖区（梅列区，三元区）１个县级市（永安市）９个县逡逑（建宁、泰宁、将乐、沙县、尤溪、明溪、宁化、清流和大田），地理位置是２５°２Ｔ？逡逑２７°０７＇Ｎ邋１１６°２２’？１１８。３９卫，东西宽超２３０千米，南北长超１８０千米，东接福州，逡逑南邻泉州，西连龙岩，北毗南平，西北靠赣州。境域以中低山及丘陵为主，北西部为逡逑武夷山脉
像采用相同的控制点，主要是道路交叉点，桥梁上的固定点和建筑的拐角等固定点，逡逑共选取了邋２３个同名控制点，校正模型采用二次多项式，双线性法重采样，将时序影逡逑像的校正误差均控制在０．５个像元以内。控制点分布如图２－２，邋５景图像校正精度及误逡逑差如表２－５。逡逑２１逡逑
【参考文献】
相关期刊论文 前10条
1 黎良财;张晓丽;邓利;吴锐;;广西岩溶地区植被覆盖度与植被指数耦合模型研究[J];中南林业科技大学学报;2015年05期
2 陈玲;郝文乾;高德亮;;光学影像纹理信息在林业领域的最新应用进展[J];北京林业大学学报;2015年03期
3 高西宁;赵亮;尹云鹤;;气候变化背景下森林动态模拟研究综述[J];地理科学进展;2014年10期
4 王盼;陆宝宏;张瀚文;张巍;孙银凤;季妤;;基于随机森林模型的需水预测模型及其应用[J];水资源保护;2014年01期
5 王修信;秦丽梅;罗玲;张晓朋;汤谷云;;遥感图像森林林型SVM分类的多特征选择[J];计算机工程与应用;2013年20期
6 李欣海;;随机森林模型在分类与回归分析中的应用[J];应用昆虫学报;2013年04期
7 周峰;王文;王晓刚;;基于植被指数-地表温度特征空间的伊河流域蒸散发量估算[J];地理与地理信息科学;2013年02期
8 夏双;阮仁宗;颜梅春;;基于植被指数模型的淡水湖泊湿地景观信息提取[J];地理空间信息;2012年06期
9 李正国;唐华俊;杨鹏;吴文斌;陈仲新;周清波;张莉;邹金秋;;植被物候特征的遥感提取与农业应用综述[J];中国农业资源与区划;2012年05期
10 黄博;徐丽华;;基于改进型Minnaert地形校正模型的应用研究[J];遥感技术与应用;2012年02期
相关博士学位论文 前3条
1 任冲;中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D];中国林业科学研究院;2016年
2 夏瑜;基于结构的纹理特征及应用研究[D];中国科学技术大学;2014年
3 温智婕;图像纹理特征表示方法研究与应用[D];大连理工大学;2008年
相关硕士学位论文 前10条
1 鲁奉军;基于随机森林算法的目标检测与动作识别方法研究[D];吉林大学;2016年
2 王云;基于Landsat_OLI的坝上草原植被覆盖度反演模型研究[D];河北师范大学;2016年
3 冯盼峰;基于随机森林两阶段逐步变量选择算法的研究及应用[D];福建农林大学;2016年
4 王龙;图像纹理特征提取及分类研究[D];中国海洋大学;2014年
5 刘惠峰;基于时序NDVI的疏勒河流域植被覆盖分类研究[D];兰州大学;2014年
6 刘礼;SPOT影像植被指数与落叶松林LAI相关性分析[D];南京林业大学;2008年
7 徐庆玲;TM影像地形辐射校正的应用研究[D];南京林业大学;2008年
8 林晓峰;基于纹理特征的遥感图像分类算法研究[D];大连理工大学;2007年
9 黄端琼;多尺度纹理特征分析及其在遥感影像分类中的应用[D];福州大学;2006年
10 张鹏;Markov随机场在图像处理中应用的研究[D];华中科技大学;2005年
本文编号：
2800070
本文链接：https://www.wllwen.com/nykjlw/lylw/2800070.html
