【正文】 策樹的桉樹分布信息資源自動提取的方法與技術。 Texture。我國自1890年引種桉樹以來，從零星種植到規(guī)模發(fā)展，現有桉樹人工林總面積達到170多萬hm178。這就需要對桉樹進行調查研究，提取桉樹分布信息，從而快速準確的得到桉樹資源空間分布信息，為研究區(qū)生物多樣性保護、生態(tài)功能維持和恢復提供支持。繼1972年美國實施地球資源衛(wèi)星計劃以來，衛(wèi)星遙感技術以迅猛的速度在全球范圍內發(fā)展，隨著新的遙感平臺陸續(xù)升空，遙感儀器也不斷的進行更新換代。因此，相關植被信息提取顯得極其重要。最開始的植被分類主要采用人工目視解譯，它可充分利用判讀人員的知識，具有很好的靈活性，擅長提取空間相關信息，但定位不準確，時效性差，可重復性差，并存在個人差異[7]。隨著計算機技術的迅速發(fā)展，遙感技術的不斷日益創(chuàng)新，遙感植被信息提取也不斷的出現了很多新的方法。、。在國內，邸向紅等通過引入高程信息能很好地將林地與果園分開[11]。顏梅春以南京市鐘山景區(qū)為試驗區(qū)，探討了植被類型信息提取相關的圖像預處理和植被類型信息提取方法,利用IKONOS影像數據的紋理信息進行植被分類, 并將結果與用光譜信息、植被指數信息的分類結果比較。ADAMS等(1995)采用1988年、1989年、1990年的TM影象對巴西AMZON盆地進行土地覆蓋變化研究，其監(jiān)測精度可達到90％以上。（2000）以圖斑為單元結合紋理信息的人工神經網絡方法，使該區(qū)域的土地覆蓋分類能夠達到的精度最大為89%。Jason S．Walker等采用面向對象的方法從高分辨率的航片上提取Phoneix市的植被信息，總體分類精度達至94％。更重要的是計算量不是很大，能夠處理連續(xù)值和離散值屬性，能夠直觀的顯示重要屬性，并且在學習過程中使用者不必了解很多背景知識，因為提供的訓練例子能夠用屬性——結論式的方式表達出來，就能以該算法來進行學習。可以看出，決策樹分類方法在一定程度上優(yōu)于傳統(tǒng)自動分類。陳君穎等對IKONOS衛(wèi)星影像，利用決策樹分類算法對植被進行了分類，研究表明，充分利用高分辨力影像的紋理信息，能有效實現植被分類并且精度較高，為實現植被的自動化提取提供了理論依據和方法途徑[27]。Defries等（1984）通過對1984年AVHRR全球遙感數據的分類處理，得到了全球土壤覆蓋分類圖。通過研究現狀，我們可以看出利用遙感技術實現桉樹分布信息提取，很少有文獻涉及，而利用決策樹分類方法實現對桉樹分布信息的提取研究，更是薄弱。在遙感信息提取時，桉樹的光譜信息和其它地類光譜信息會出現一定的相似性，因此在特征選擇時，除了利用其光譜信息外，同時還利用了植被指數特征、主成分變換特征和紋理信息特征，構建了基于光譜信息、植被指數信息、主成分變換信息和紋理信息等分類特征，建立研究區(qū)的各地類識別知識。同時對全文的整體結構作了詳細安排。基于決策樹分類的桉樹分布信息提取實驗本章主要選取合適的特征組合構建特征空間，然后利用不同特征組合信息提取研究最優(yōu)桉樹分布信息提取方案。新型傳感器的不斷出現，能獲得不同空間分辨率、時間分辨率和光譜分辨率的遙感圖像，并與全球定位系統(tǒng)（Global Position System，簡稱GPS）、地理信息系統(tǒng)（Geographical Information System，簡稱GIS）等相結合，為遙感圖像的解譯提供了多種途徑。傳統(tǒng)的遙感影像計算機分類主要基于統(tǒng)計模式識別方法。為此專家學者不斷研究和探索新方法。在傳統(tǒng)方法中人們最常使用的是以迭代為實質的ISODATA法以及基于貝葉斯(Bayes)準則建立的最大似然法。ISODATA算法的一般步驟如下:(l)首先選擇一些初始值作為初始聚類中心，然后將帶分類像元按照一定指標分配給各個聚類中心。(4)經過多次迭代運算后，直到結果收斂，運算最終結束。具有嚴密的理論基礎，判別函數對呈正態(tài)分布的類別易于建立，能綜合應用每個類別在各波段中的均值，方差以及各波段之間的協(xié)方差，充分利用了遙感數據的統(tǒng)計特征，被認為是至今應用比較廣泛、比較成熟的一種監(jiān)督分類方法[36]。然后根據這個判別函數集計算各待分像元的歸屬概率。分類按以下規(guī)則進行[38]：如果對所有j≠i,有p（wi |x） p（wj |x）,則x∈wi也就是說，當p（wi |x）最大時，像元屬于類別wi。分類規(guī)則如下：如果對所有j≠i,有p（x | wi）p（wi） p（x j）p（wj）,則x∈wi這里由于p（x ）與判別無關，被作為公共項刪去，為便于計算，設gi（x）= ln(p（x |wi）p（wi）)= lnp（x |wi）+lnp（wi） (23)則判別函數表達為如果對所有的j≠i,有gi(x)gj(x),則x∈wigi（x）被稱為判別函數。最大似然法是以經典統(tǒng)計學為基礎，分類器的分類精度很到程度上依賴有關樣本的先驗知識。Bayes準則所要求的協(xié)方差矩陣將難以實現。因此為了提高分類精度，人們不斷研究和嘗試新方法，以圖改善。人工神經網絡由大量處理單元互相連接而形成的復雜的并行網絡結構，雖然是簡單的處理單元，而且完成的是簡單的計算功能，但是其構成的整個網絡結構卻是高度復雜的非線性動力學系統(tǒng)[4445]。神經網絡方法具有很多特性：能夠并行分布處理、具有非線性映射特性、通過訓練進行學習、適應與集成；有自學習、自適應和自組織的能力，對外不但表現為可以適應多種不同的問題空間，也能很好地抑制噪聲和信息缺失對最優(yōu)解的影響；對內則表現為很好的容錯性，即可以通過自適應與自組織來消除壞神經元的影響[33]。輸入層只是連接數據的界面，并不做任何處理。中間層又叫做隱藏層。(SVM)支持向量機（Support Vector Machines，SVM）是20世紀90年代發(fā)展起來的一種基于統(tǒng)計學習理論的有限樣本的模式分類方法，建立在傳統(tǒng)統(tǒng)計學理論基礎之上，逐漸成為模式識別和機器學習領域中的一個研究熱點。支持向量機是基于從線性可分情況下的最優(yōu)分類超平面（OHP，Optimal Hyper Plane）提出的，通過非線性變換將輸入空間變換到一個高維的特征空間，繼而在這個新的高維特征空間中求取最優(yōu)分類超平面，該最優(yōu)分類超平面能夠將所有的訓練樣本正確分類，而且使訓練樣本中離分類面最近的點到分類面的距離最大，也就是實現分類間隔最大。圖21 線性可分情況下的超平面圖21中H為分類線，HH2分別為過各類中離分類線最近的樣本且平行于分類線的直線，它們之間的距離就叫做分類間隔（margin）。它是一種直觀的知識表示方法，以信息論為基礎，根據影像的不同特征，以樹型結構表示分類或決策集合，實現復雜的決策形成過程抽象成易于理解和表達的規(guī)則或判斷。假如節(jié)點沒有子節(jié)點，則稱其為葉節(jié)點[51]。此方法也就是利用信息論中的信息增益尋找示例數據庫中具有最大信息量的屬性字段，形成一條規(guī)則以此建立決策樹的一個節(jié)點，依據這條規(guī)則對指定遙感影像進行運算，所產生的邏輯值（真或假）派生出兩類結果，即形成兩個分支，或根據屬性的不同取值形成多個分支，該過程可向下繼續(xù)拓展，直至圖像分出類別，即葉節(jié)點[14]。另外，目前決策樹在經濟、金融、醫(yī)學等其它領域廣泛應用的決策樹模型，算法大都為ID3，而諸如CART，CHAID，ExhaustiveCHAID，QUEST等決策樹算法，在森林遙感技術上都沒有深入的應用。但是假如選出的分支變量為無序分類變量，則將其變換為啞變量組Z，并計算其最大判別坐標（1argest discriminant coordinate），也就是通過變換，使得不同X取值時因變量Y取值的差異最大化。決策樹分類中的運算一般都是比較大小運算，因此分類計算量相對較小，在模式含混比較小、各類別之間混迭不大時，不失為是一種很有效的分類方法。并且，決策樹分類方法能夠重點突出植被的空間分布，尤其是稀疏植被的空間分布，因此在分類時能提高分類精度。而支持向量機關于參數選擇的問題仍然有很多存在問題，如多項式學習機器的階數問題、徑向基機器中的函數寬度，以及S型函數的寬度和偏移等。用分類結果與實際地表之間的吻合程度來反映分類結果精度，分類結果的精度計算即可以用抽樣像元中分類正確的像元數和誤分的像元數來表示，也可以用實際類型與分類類型的二維表(分類精度矩陣)來表示。根據混淆矩陣能夠計算出總體精度和Kappa系數。s accuracy)表述的是對每一個隨機樣本，所分類的結果所對應區(qū)域的實際類型相一致的概率，是具有概率意義的一個統(tǒng)計量。因此Kappa系數指標應運而生。18′～99176。地帶性土類有磚紅壤、赤紅壤、紅壤、黃棕壤；非地帶性土類有石灰土、水稻土、紫色土、沖積土。 地形地貌：西盟縣地處怒山山脈南段的阿佤山中心區(qū)，屬中山峽谷地帶?？h城駐地勐梭龍?zhí)断堤烊缓?，容水?06萬m3。(1968年),最少年降水量為1938mm(2000年)。是我省西部多雨區(qū)。樹種類有40多料100多種、以殼斗科樹種為主，其他還有山茶科、楝科、榆科、太戟科等[61]。這是中國第一次在空間技術領域與國外進行的全面國際合作。其產品應用比較廣泛，主要在農業(yè)、林業(yè)、水利、海洋、國土資源、災害監(jiān)測、氣象、交通選線等國民經濟眾多領域。CBERS02B 中巴資源衛(wèi)星于2007年9月19日由長征四號乙運載火箭在太原衛(wèi)星發(fā)射中心發(fā)射升空。26B02～B03～B04～B05～紅外多光譜掃描儀（IRMSS）B06～78no26B07～78B08～78B09～156寬視場成像儀（WFI）B10～258890no5B11～258CBERS02BCCD相機B01～113177。不同平臺的遙感影像數據，由于所采用的投影、坐標系的有所不同，加之圖像存在畸變等等，在實際的影像分析和處理之前，有必要對遙感原始影像進行預處理。為便于數據處理，需將影像投影變換為高斯克呂格投影。但是由于各用戶使用目的的不同或者投影及比例尺的不同，通常還需要對遙感圖像進行進一步的幾何校正。這種校正是用一種數學模型來近似描述遙感圖像的幾何畸變過程，利用畸變的遙感圖像和標準地圖之間的一些對應點求得幾何畸變的模型，從而通過該模型進行幾何畸變的校正。與此同時，變換關系多項式的階數取值越高，所用地面控制點就越多，校正精度也就越高。本研究以已經校正過的2005年9月20日的SPOT5遙感圖像作為校正參考，采用二次多項式校正模型，校正模型的標準均方誤差(Root Means Squared Error RMS)控制在1個像元以內，選取20個控制點進行研究區(qū)影像的精校正。在ENVI軟件下共有三種重采樣方法:最近鄰點(Nearest Neighbor)插值法、雙線性(Bilinear)插值法和三次卷積(Cubic Convolution)插值法。缺點是改變了原始圖像的光譜信息，易造成邊緣等高頻成分的損失，從而插值后圖像變得模糊。 圖 32 西盟縣中巴衛(wèi)星影像幾何校正點分布圖表 32 西盟縣中巴衛(wèi)星影像幾何校正誤差表控制點BaseXBaseYWarpXWarpYPredictXPredictYErrorXErrorYRMS1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 （3）圖像鑲嵌圖像鑲嵌是指在一定數學基礎控制下，把多景相鄰遙感圖像拼接成一個大范圍、無縫的圖像過程。在ArcGIS中獲取西盟縣的行政邊界矢量Shapefile文件，用ENVI軟件將該矢量文件另存為ROI文件格式，然后對鑲嵌影像進行裁剪，得到西盟縣縣域范圍影像，見圖34。見表34。此類草地水分缺乏，草被稀疏，牧業(yè)利用條件差4水域——指天然陸地水域和水利設施用地41河渠指天然形成或人工開挖的河流及主干渠常年水位以下的土地，人工渠包括堤岸42湖泊指天然形成的積水區(qū)常年水位以下的土地43水庫坑塘指人工修建的蓄水區(qū)常年水位以下的土地44永久性冰川雪地指常年被冰川和積雪所覆蓋的土地45灘涂指沿海大潮高潮位與低潮位之間的潮侵地帶46灘地指河、湖水域平水期水位與洪水期水位之間的土地5城鄉(xiāng)、工礦、居民用地——指城鄉(xiāng)居民點及縣鎮(zhèn)以外的工礦、交通等用地51城鎮(zhèn)用地指大、中、小城市及縣鎮(zhèn)以上建成區(qū)用地52農村居民點指農村居民點53其他建設用地