【正文】 在遙感圖像土地分類(lèi)研究中，通常把多光譜信息作為特征進(jìn)行分類(lèi)。特征提取(Feature Extraction)是對(duì)若干個(gè)原特征或原波段圖像施以某種運(yùn)算，產(chǎn)生數(shù)目相等或數(shù)目較少的新特征或新圖像。充分考慮到南方丘陵地帶，地貌復(fù)雜，地形破碎的特點(diǎn)，使所選擇的樣本更有代表性，并盡量使每種樣本盡量均勻分布在整景圖像上。本研究中考慮到要對(duì)各地類(lèi)做光譜分析以及信息的完整性，所以充分利用5個(gè)波段的波譜信息作為研究數(shù)據(jù)。因此樣本的選擇至關(guān)重要。圖33 西盟縣涉及圖像鑲嵌圖 34 西盟縣原始影像裁剪圖研究區(qū)地類(lèi)獲取以衛(wèi)星影像為信息源。三次卷積插值法的優(yōu)點(diǎn)是有利于保持原始圖像中的灰級(jí)。西盟縣中巴衛(wèi)星影像校正點(diǎn)分布見(jiàn)圖32，西盟縣中巴衛(wèi)星影像校正誤差見(jiàn)表32。幾何校正可以使用的幾何校正模型有圖像仿射變換、多項(xiàng)式變換等，本研究采用多項(xiàng)式幾何校正模型對(duì)影像進(jìn)行校正，根據(jù)要求其最少控制點(diǎn)數(shù)的計(jì)算公式為(t+l)(t+2)/2，t表示次方數(shù)。這項(xiàng)工作在ARCGIS中進(jìn)行。32176。中巴地球資源衛(wèi)星沒(méi)有經(jīng)過(guò)試驗(yàn)星階段，首發(fā)即能有效使用，使國(guó)內(nèi)外同行專(zhuān)家認(rèn)為中巴地球資源衛(wèi)星的成功，代表中國(guó)衛(wèi)星研制水平上了一個(gè)新臺(tái)階。圖31 西盟縣交通位置圖（1）2005年9月20日高分辨率SPOT5影像：主要用于幾何校正和為研究區(qū)典型地類(lèi)訓(xùn)練樣本和驗(yàn)證樣本的選擇提供數(shù)據(jù)支持；（2）西盟縣行政邊界：主要用于研究區(qū)裁剪；（3）金光公司提供的1：10萬(wàn)20032005年西盟縣桉樹(shù)造林分布圖：主要為研究區(qū)桉樹(shù)的訓(xùn)練樣本和驗(yàn)證樣本的選擇提供數(shù)據(jù)支持；（4）2010年12月2011年1月野外實(shí)測(cè)各地類(lèi)GPS（160個(gè)）坐標(biāo)點(diǎn)：主要為研究區(qū)典型地類(lèi)訓(xùn)練樣本和驗(yàn)證樣本的選擇提供數(shù)據(jù)支持。降雨多集中在610月份，%，常年雨季歷時(shí)164天，歷年平均暴雨天數(shù)為8～10天。山脈水系大致南北延伸，地勢(shì)北高南低，最低點(diǎn)為各弄秧河與南卡江匯合處，海拔590m，地貌類(lèi)型以山地為主，%，僅在縣城駐地勐梭鎮(zhèn)有小面積的河谷平壩。43 ′北緯22176。對(duì)特定的分類(lèi)圖來(lái)說(shuō)，總體精度是由誤差矩陣中正確的樣本總數(shù)與所有樣本總數(shù)的比值而得；生產(chǎn)者精度是用某一類(lèi)別的正確的像元除以該類(lèi)總參考像元個(gè)數(shù)；使用者精度是用一個(gè)類(lèi)別的正確像元總數(shù)除以實(shí)際上被分到該類(lèi)像元的總數(shù)；他們的計(jì)算表達(dá)式分別為:總體精度=主對(duì)角線元素之和/誤差矩陣所有元素之和 （25）生產(chǎn)者精度=類(lèi)型對(duì)應(yīng)的主對(duì)角線元素/類(lèi)型所在的列總和 （26）使用者精度=類(lèi)型對(duì)應(yīng)的主對(duì)角線元素/類(lèi)型所在的行總和 （27） Kappa分析對(duì)誤差矩陣得出總體精度、生產(chǎn)者精度以及使用者精度后，我們?nèi)匀恍枰粋€(gè)更客觀的指標(biāo)來(lái)評(píng)價(jià)分類(lèi)質(zhì)量，比如兩幅圖像之間的吻合度。其中分類(lèi)精度矩陣是目前研究者使用較多的一種方法。近年來(lái)，利用決策樹(shù)技術(shù)進(jìn)行分類(lèi)方法盡管時(shí)間不長(zhǎng)，但是由于各種數(shù)據(jù)量不斷增大，建立在知識(shí)基礎(chǔ)上的規(guī)則判斷也越來(lái)越引起很多研究者的注意，并已得到成功應(yīng)用[5657]。假如Y為多分類(lèi)，則為每一Y取值的類(lèi)別計(jì)算X的均數(shù)，通過(guò)聚類(lèi)分析算法，把這些類(lèi)別合并為兩個(gè)大類(lèi)，從而多類(lèi)判別問(wèn)題簡(jiǎn)化為二類(lèi)判別。 決策樹(shù)分類(lèi)的算法原理就是以選定的樣本數(shù)據(jù)為對(duì)象逐級(jí)找到分類(lèi)樹(shù)的結(jié)點(diǎn)，并且在每個(gè)結(jié)點(diǎn)上記錄所選的空間數(shù)據(jù)圖層的編號(hào)以及相應(yīng)的判別函數(shù)參數(shù)，從而有可能反過(guò)來(lái)從“樹(shù)根”到“葉”按照生成的判別規(guī)則，逐級(jí)地在每個(gè)結(jié)點(diǎn)上對(duì)樣本數(shù)據(jù)以外的待分類(lèi)數(shù)據(jù)進(jìn)行分類(lèi)[53]。決策樹(shù)由一個(gè)根節(jié)點(diǎn)(Root nodes)、一系列內(nèi)部節(jié)點(diǎn)(Intenral nodes)(分支)及終節(jié)點(diǎn)(Terminal nodes)(葉)組成，類(lèi)似于流程圖的樹(shù)狀結(jié)構(gòu)(圖22決策樹(shù)示意圖)。標(biāo)準(zhǔn)的支持向量機(jī)算法是有監(jiān)督的學(xué)習(xí)方法，根據(jù)最優(yōu)分類(lèi)面情況可分為兩種：線性類(lèi)別（可分和不可分）和非線性類(lèi)別。每一層都包括許多節(jié)點(diǎn)。在遙感數(shù)字圖像分類(lèi)中得到越來(lái)越多的重視，并廣泛應(yīng)用于分類(lèi)研究中。近幾年，很多新的研究方法已經(jīng)應(yīng)用在了遙感圖像分類(lèi)上，比如有人工神經(jīng)網(wǎng)絡(luò)法(ANN)、決策樹(shù)分類(lèi)法以及支持向量機(jī)(SVM)等。然而，在很多實(shí)際的遙感圖像分類(lèi)問(wèn)題中取得先驗(yàn)知識(shí)很困難，這使得最大似然法取得的效果不理想。這是貝葉斯分類(lèi)的一個(gè)特例。最大似然法假設(shè)遙感圖像的每個(gè)波段數(shù)據(jù)都為正態(tài)分布。并計(jì)算各類(lèi)中央本的距離函數(shù)等指標(biāo)。尤其是近年來(lái)由于模式識(shí)別技術(shù)特別是人工智能的發(fā)展，人們發(fā)展了許多新方法和新技術(shù)來(lái)改善分類(lèi)效果或提高分類(lèi)精度。遙感技術(shù)具有覆蓋面廣, 成像迅速而且具有周期成像能力, 并且具有多波段、多時(shí)相、多應(yīng)用目標(biāo)以及多學(xué)科綜合的特點(diǎn)[22]。遙感圖像計(jì)算機(jī)分類(lèi)技術(shù)本章主要介紹了遙感圖像的計(jì)算機(jī)分類(lèi)技術(shù)，論述了非監(jiān)督分類(lèi)中的ISODATA法和監(jiān)督分類(lèi)中的最大似然法兩種最常用傳統(tǒng)分類(lèi)方法，以及目前非傳統(tǒng)分類(lèi)中比較流行的人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法和本次試驗(yàn)研究主要采用的決策樹(shù)分類(lèi)方法。為彌補(bǔ)上述不足，本文基于決策樹(shù)分類(lèi)技術(shù)，嘗試選擇不同的特征組合對(duì)遙感影像進(jìn)行分類(lèi)研究，并與傳統(tǒng)的ISODATA法和最大似然分類(lèi)法進(jìn)行比較，找到最佳決策樹(shù)分類(lèi)方法，實(shí)現(xiàn)對(duì)桉樹(shù)分布信息的準(zhǔn)確提取。高玉蓉利用SPOT5影像，引入植被指數(shù)、紋理、高程數(shù)據(jù)和坡度特征數(shù)據(jù)進(jìn)行信息提取，研究表明，其分類(lèi)相對(duì)于相對(duì)監(jiān)督分類(lèi)能明顯提高分類(lèi)精度[28]?；跊Q策樹(shù)的分類(lèi)決策樹(shù)分類(lèi)能夠按照一定的方式將多種信息(RS和非遙感數(shù)據(jù))有機(jī)地組合來(lái)提高分類(lèi)精度。Griffiths和Lee（2000）采用GIS技術(shù)結(jié)合地物的光譜信息，分類(lèi)精度在80%～85%[18]。研究表明紋理信息分類(lèi)的精度最高, 植被指數(shù)次之, 光譜信息中的非監(jiān)督分類(lèi)最低[15]。采用光學(xué)遙感手段進(jìn)行植被信息提取的方法已經(jīng)比較成熟[10]。之后的計(jì)算機(jī)自動(dòng)分類(lèi)比目視解譯進(jìn)了一步，后面又發(fā)展采用了遙感信息復(fù)合技術(shù)[8]。隨著航天遙感技術(shù)的快速發(fā)展, 遙感為地球科學(xué)研究提供數(shù)據(jù)的能力越來(lái)越強(qiáng), 已經(jīng)成為資源調(diào)查、環(huán)境監(jiān)測(cè)的重要技術(shù)手段[12]。已成為我國(guó)南方速生豐產(chǎn)林的戰(zhàn)略性樹(shù)種(鄭明鏡等，2003)。關(guān)鍵詞：桉樹(shù)；遙感；紋理；決策樹(shù)分類(lèi)；信息提取AbstractThe eucalyptus is one of the three fastgrowing forests in the world. Because of its high practical value and economic benefits, it is introduced by a large number of parts in the world. Yunnan is one of the largest provinces of planting eucalyptus, and how to scientifically and reasonably operate and manage for eucalyptus plantations has attracted much attention for people. Making eucalyptus forest resources survey is a basic work, but the traditional forest resources survey is timeconsuming and laborious. In recent years, with the further development of remote sensing technology, it has bee one possibility by use of remote sensing images for specific species information extraction.Ximeng County in Pu39。近年來(lái)，隨著遙感技術(shù)的進(jìn)一步發(fā)展，利用遙感影像進(jìn)行特定的樹(shù)種信息提取為我們提供了一種有效手段。碩士研究生學(xué)位論文題 目基于RS的桉樹(shù)分布信息提取方法研究 扉頁(yè)：獨(dú)創(chuàng)性聲明本人聲明所呈交的論文是我個(gè)人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。本文以云南省普洱市西盟縣為試驗(yàn)區(qū)。er City of Yunnan Province is used for the test area in paper. Based on December 28 2009 CMB satellite remote sensing images, the paper makes the study of extraction contrast for eucalypt with the more popular method of the decision tree and the traditional classification of information. At the same time, on the basis of spectral analysis of different land types, vegetation index, principal ponent transform features and texture information, the paper constructs classification of the characteristics of the study area to accurately extract the eucalyptus distribution information.The study finds that the decision tree based on the spectral information, vegetation index, principal ponent transform features and texture features is the best classification method and the best classification result in the decision tree classification process. The overall accuracy of that classification method is to reach %, Kappa coefficient is to reach , and eucalyptus producer’s accuracy is to reach 86%. The overall accuracy of that classification method is % higher than that based on spectral information, vegetation indices and principal ponent features. The Kappa coefficient is higher, and eucalyptus producer precision is 3%high. The overall accuracy of that classification method is % higher than that based on spectral information and vegetation indices. The Kappa coefficient is higher, and eucalyptus producer’s accuracy is 8% high. The study shows that texture features are helpful to improve the accuracy of eucalypt extract. Compared with the traditional IS0DATA and supervised classification maximum likelihood method, the overall accuracy of that classification method is % higher than that of the unsupervised classification IS0DATA Kappa coefficient is higher, and eucalypt producer’s accuracy is 44% high. The overall accuracy of that classification method is % higher than that of the supervised classification maximum likelihood Kappa coefficient is higher, and eucalyptus producer’s accuracy is 28% high. Because of full use of the spectrum of the surface features, the principal ponent transform characteristics, texture, and other information, decision tree classification improves the classification accuracy. In this study, the method and technique for automatic extraction of eucalypt resources based on decision tree is formed initially.Keyw