【正文】 有效確定植被的分布、類型、長勢等信息以及對植被的生物量作出估算等[6]。本論文是利用遙感技術，采用遙感傳統(tǒng)分類方法與目前比較流行的決策樹分類方法，通過分析桉樹與其他土地利用類型的光譜、紋理信息等信息，對中巴遙感影像進行分類，從而實現(xiàn)對桉樹資源分布信息的準確提取，為桉樹引種規(guī)范化和合理化提供技術支持。桉樹作為外來樹種人工林中的一種，近20年來發(fā)展十分迅猛，規(guī)模不斷擴大，在林業(yè)上具有不可爭議的經(jīng)濟效能，而且桉樹生長迅速、輪伐期短、耐干旱、耐貧瘠、適應性廣、用途廣泛，因此桉樹成為我國南方包括云南在內(nèi)普遍使用的一種造林樹種。與傳統(tǒng)非監(jiān)督分類的ISODATA法和監(jiān)督分類的最大似然法相比，%，桉樹的生產(chǎn)者精度提高44%；%，桉樹的生產(chǎn)者精度提高28%；決策樹分類方法由于充分利用了各地類的光譜、植被指數(shù)、主成分變換、紋理等特征信息，提高了分類精度。云南作為桉樹種植大省之一，如何科學合理地經(jīng)營、管理桉樹人工林引起了人們的高度重視。 研究生簽名： 日 期： 論文使用和授權說明本人完全了解云南大學有關保留、使用學位論文的規(guī)定，即：學校有權保留并向國家有關部門或機構送交學位論文和論文電子版；允許論文被查閱或借閱；學?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以采用影印、縮印或其他復制手段保存論文。同時在分析不同地類的光譜、植被指數(shù)、主成分變換及紋理特征等信息的基礎上，構建了適合研究區(qū)特點的分類方法，可較準確地提取桉樹分布信息。 Texture。這就需要對桉樹進行調(diào)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。因此，相關植被信息提取顯得極其重要。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(xiàn)了很多新的方法。在國內(nèi)，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]。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。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％?？梢钥闯觯瑳Q策樹分類方法在一定程度上優(yōu)于傳統(tǒng)自動分類。Defries等（1984）通過對1984年AVHRR全球遙感數(shù)據(jù)的分類處理，得到了全球土壤覆蓋分類圖。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(xiàn)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(shù)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(shù)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?；跊Q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。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。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。(4)經(jīng)過多次迭代運算后，直到結果收斂，運算最終結束。然后根據(jù)這個判別函數(shù)集計算各待分像元的歸屬概率。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(shù)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(shù)。Bayes準則所要求的協(xié)方差矩陣將難以實現(xiàn)。人工神經(jīng)網(wǎng)絡由大量處理單元互相連接而形成的復雜的并行網(wǎng)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(wǎng)絡結構卻是高度復雜的非線性動力學系統(tǒng)[4445]。輸入層只是連接數(shù)據(jù)的界面，并不做任何處理。(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。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）。假如節(jié)點沒有子節(jié)點，則稱其為葉節(jié)點[51]。另外，目前決策樹在經(jīng)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。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。而支持向量機關于參數(shù)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(shù)問題、徑向基機器中的函數(shù)寬度，以及S型函數(shù)的寬度和偏移等。根據(jù)混淆矩陣能夠計算出總體精度和Kappa系數(shù)。因此Kappa系數(shù)指標應運而生。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?？h城駐地勐梭龍?zhí)断堤烊缓矗菟?06萬m3。是我省西部多雨區(qū)。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。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。不同平臺的遙感影像數(shù)據(jù)，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。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。與此同時，變換關系多項式的階數(shù)取值越高，所用地面控制點就越多，校正精度也就越高。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。 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(shù)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。見表34。樣本點的選取應該在各類地類面積較大的中心部分選擇，才能準確的代表整個區(qū)域內(nèi)每個類別的光譜特征差異，從而進行準確的分類。本次研究的桉樹呈現(xiàn)鮮紅色，由于桉樹是人工林，實行了精細化種植，桉林被種植得很整齊。同時在遙感圖像的分類處理過程中，雖然變量多、維數(shù)高，有利于分類精度的提高，卻并不是越多越高越好，因為這樣往往在增加了分類算法的復雜性與計算量，同時，由于不少變量之間往往有較高的相關性，也會造成更多的混淆和不確定，反而降低了分類精度，所以盡可能選取數(shù)量適當，又有助于體現(xiàn)所感興趣地物目標的聚類行為以及能夸大與其他類別間差異性的特征變量。遙感圖像中每個像元亮度，代表的是該像元中地物平均輻射值，它隨地物的成分、紋理、狀態(tài)、表面特征及所使用電磁波段的不同而變化。表37 西盟縣各地類樣本光譜值統(tǒng)計表地類桉樹其它林地耕地建設用地水域其它Band1最小值最大值均值方差Band2最小值最大值均值方差Band3最小值最大值均值方差Band4最小值最大值均值方差Band5最小值最大值均值方差 圖37 西盟縣各地類光譜曲線圖對每一種地類的各個波段光譜亮度值進行樣本統(tǒng)計，并用地類的各波段均值作出波譜響應曲線，如圖37。理論上來說，任何一種地物都有其唯一的光譜曲線，加上成像時間、光譜范圍不同，以及大氣衰減及不同傳感器的作用，使得各種地物的光譜較為復雜。為了便于有效地分析和研究圖像上不同地類類別，使之用簡單明確的數(shù)值、符號或圖形來表征圖像中的特征信息。野外采樣點主要為研究小組實地調(diào)查走訪獲得的第一手數(shù)據(jù)。訓練樣本主要用于訓練分類器，以制定分類規(guī)則識別其他未知像元，將其分類。包括用材林、經(jīng)濟林、防護林等成片林地22灌木林指郁閉度40％、高度在2米以下的矮林地和灌叢林地23疏林地指疏林地（郁閉度為10％～30％）24其他林地未成林造林地、跡地、苗圃及各類園地（果園、桑園、茶園、熱作林園地等）3草地——指以生長草本植物為主，覆蓋度在5％以上的各類草地，包括以牧為主的灌叢草地和郁閉度在10％以下的疏林草地31高覆蓋度草地指覆蓋度在50％的天然草地、改良草地和割草地。在數(shù)據(jù)處理中需要對兩景遙感圖像進行鑲嵌，見圖33。缺點是最大可產(chǎn)生半個像元的位置偏移，可能造成輸出圖像中某些地物的不連貫，表現(xiàn)為原來光滑的邊界出現(xiàn)鋸齒狀?？刂泣c應當均勻地分別在整個校正區(qū)域內(nèi)，并且控制點應選取圖像上易分辨且較精細的典型特征點。幾何精校正目的是改正原始圖像的幾何變形，產(chǎn)生一幅符合某種地圖投影或圖形表達要求的新圖像。因為使用的數(shù)據(jù)處于不同的坐標系下，為了作進一步的數(shù)據(jù)分析，需要將所有的遙感圖像和電子地圖統(tǒng)一到一個坐標系中。中巴衛(wèi)星的相關參數(shù)如表31所示： 表31 中巴衛(wèi)星的主要參數(shù)衛(wèi)星傳感器波段光譜范圍(um)空間分辨率（m）幅寬(km)側擺能力回歸周期(天)CBERS01/02CCD相機B01～113177。兩國政府堅持合作、克服困難，后來分別在1993年、1996年簽訂補充協(xié)議。森林覆蓋率為37%。主體屬南亞熱帶山地濕潤季風氣候，其特點為氣溫四季變化不大，垂直差異明顯，降水多而不均，冬春干旱，夏秋多雨，干濕季節(jié)分明。 Kappa系數(shù)充分利用了分類誤差矩陣的信息，它不僅考慮了對角線被正確分類的像素數(shù)量，而且考慮了不在對角線上的各種漏分和錯分誤差，所以被作為分類精度評估的綜合指標。誤差矩陣提供了三種精度指標：總體精度（overall accuracy)表示實際資料中的任意一個隨機樣本，分類專題圖像上同一地點的分類結果與其相一致的條件概率；生產(chǎn)者精度(producer39。 由于“同物異譜”或“異物同譜”現(xiàn)象在遙感圖像中的普遍存在，以及樣本選擇過程中的人為誤差等因素的影響，每一種分類器的分類結果都會存在不同程度的偶然性，即分類的結果不可能達到與地物的真實分布完全對應。決策樹分類法的樹狀分類結構由于不需要對數(shù)據(jù)特征空間分布預先假設某種參數(shù)化密度分布。然后將所有的P值和預設的界值相比較（），如果均小于界值，則選擇P值最小的一個作為分支變量；如果均大于界值，則當X為連續(xù)或有序變量時，分別使用Levene方差齊性檢驗計算P值，當有P值小于界值時則選擇P值最小的一個作為分枝變量。每個外部節(jié)點表示判斷后的最終結果，為一個判斷類別。SVM實現(xiàn)的過程是首先求出支持向量SV，然后求出最優(yōu)分類超平面。支持向量機(SVM)提出軟間隔的概念以解決線性不可分問題。在最簡單的情況下，他們就是訓練樣本像元的多光譜數(shù)據(jù)向量。人工神經(jīng)網(wǎng)絡是基于生物神經(jīng)系統(tǒng)的分布存儲、并行處理及自適應學習這些現(xiàn)象構造出具有一些低級智慧的人工神經(jīng)網(wǎng)絡系統(tǒng)。但是，假如特征空間數(shù)據(jù)分布比較復雜、離散，再加上如果采集的訓練樣本不夠充分、不具代表性，則通過直接手段來估計的最大似然函數(shù)的參數(shù)，極容易造成與實際分布存在較大偏差，從而導致分類結果精度下降。最大似然分類方法的計算量比較大，同時對不同類別的方差變化也比較敏感