【正文】 有效確定植被的分布、類(lèi)型、長(zhǎng)勢(shì)等信息以及對(duì)植被的生物量作出估算等[6]。本論文是利用遙感技術(shù)，采用遙感傳統(tǒng)分類(lèi)方法與目前比較流行的決策樹(shù)分類(lèi)方法，通過(guò)分析桉樹(shù)與其他土地利用類(lèi)型的光譜、紋理信息等信息，對(duì)中巴遙感影像進(jìn)行分類(lèi)，從而實(shí)現(xiàn)對(duì)桉樹(shù)資源分布信息的準(zhǔn)確提取，為桉樹(shù)引種規(guī)范化和合理化提供技術(shù)支持。桉樹(shù)作為外來(lái)樹(shù)種人工林中的一種，近20年來(lái)發(fā)展十分迅猛，規(guī)模不斷擴(kuò)大，在林業(yè)上具有不可爭(zhēng)議的經(jīng)濟(jì)效能，而且桉樹(shù)生長(zhǎng)迅速、輪伐期短、耐干旱、耐貧瘠、適應(yīng)性廣、用途廣泛，因此桉樹(shù)成為我國(guó)南方包括云南在內(nèi)普遍使用的一種造林樹(shù)種。與傳統(tǒng)非監(jiān)督分類(lèi)的ISODATA法和監(jiān)督分類(lèi)的最大似然法相比，%，桉樹(shù)的生產(chǎn)者精度提高44%；%，桉樹(shù)的生產(chǎn)者精度提高28%；決策樹(shù)分類(lèi)方法由于充分利用了各地類(lèi)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(lèi)精度。云南作為桉樹(shù)種植大省之一，如何科學(xué)合理地經(jīng)營(yíng)、管理桉樹(shù)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(quán)說(shuō)明本人完全了解云南大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交學(xué)位論文和論文電子版；允許論文被查閱或借閱；學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容，可以采用影印、縮印或其他復(fù)制手段保存論文。同時(shí)在分析不同地類(lèi)的光譜、植被指數(shù)、主成分變換及紋理特征等信息的基礎(chǔ)上，構(gòu)建了適合研究區(qū)特點(diǎn)的分類(lèi)方法，可較準(zhǔn)確地提取桉樹(shù)分布信息。 Texture。這就需要對(duì)桉樹(shù)進(jìn)行調(diào)查研究，提取桉樹(shù)分布信息，從而快速準(zhǔn)確的得到桉樹(shù)資源空間分布信息，為研究區(qū)生物多樣性保護(hù)、生態(tài)功能維持和恢復(fù)提供支持。因此，相關(guān)植被信息提取顯得極其重要。隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展，遙感技術(shù)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(guó)內(nèi)，邸向紅等通過(guò)引入高程信息能很好地將林地與果園分開(kāi)[11]。ADAMS等(1995)采用1988年、1989年、1990年的TM影象對(duì)巴西AMZON盆地進(jìn)行土地覆蓋變化研究，其監(jiān)測(cè)精度可達(dá)到90％以上。Jason S．Walker等采用面向?qū)ο蟮姆椒◤母叻直媛实暮狡咸崛honeix市的植被信息，總體分類(lèi)精度達(dá)至94％?？梢钥闯觯瑳Q策樹(shù)分類(lèi)方法在一定程度上優(yōu)于傳統(tǒng)自動(dòng)分類(lèi)。Defries等（1984）通過(guò)對(duì)1984年AVHRR全球遙感數(shù)據(jù)的分類(lèi)處理，得到了全球土壤覆蓋分類(lèi)圖。在遙感信息提取時(shí)，桉樹(shù)的光譜信息和其它地類(lèi)光譜信息會(huì)出現(xiàn)一定的相似性，因此在特征選擇時(shí)，除了利用其光譜信息外，同時(shí)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(gòu)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(lèi)特征，建立研究區(qū)的各地類(lèi)識(shí)別知識(shí)。基于決策樹(shù)分類(lèi)的桉樹(shù)分布信息提取實(shí)驗(yàn)本章主要選取合適的特征組合構(gòu)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(shù)分布信息提取方案。傳統(tǒng)的遙感影像計(jì)算機(jī)分類(lèi)主要基于統(tǒng)計(jì)模式識(shí)別方法。在傳統(tǒng)方法中人們最常使用的是以迭代為實(shí)質(zhì)的ISODATA法以及基于貝葉斯(Bayes)準(zhǔn)則建立的最大似然法。(4)經(jīng)過(guò)多次迭代運(yùn)算后，直到結(jié)果收斂，運(yùn)算最終結(jié)束。然后根據(jù)這個(gè)判別函數(shù)集計(jì)算各待分像元的歸屬概率。分類(lèi)規(guī)則如下：如果對(duì)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(wú)關(guān)，被作為公共項(xiàng)刪去，為便于計(jì)算，設(shè)gi（x）= ln(p（x |wi）p（wi）)= lnp（x |wi）+lnp（wi） (23)則判別函數(shù)表達(dá)為如果對(duì)所有的j≠i,有g(shù)i(x)gj(x),則x∈wigi（x）被稱(chēng)為判別函數(shù)。Bayes準(zhǔn)則所要求的協(xié)方差矩陣將難以實(shí)現(xiàn)。人工神經(jīng)網(wǎng)絡(luò)由大量處理單元互相連接而形成的復(fù)雜的并行網(wǎng)絡(luò)結(jié)構(gòu)，雖然是簡(jiǎn)單的處理單元，而且完成的是簡(jiǎn)單的計(jì)算功能，但是其構(gòu)成的整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)卻是高度復(fù)雜的非線性動(dòng)力學(xué)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(jī)（Support Vector Machines，SVM）是20世紀(jì)90年代發(fā)展起來(lái)的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的有限樣本的模式分類(lèi)方法，建立在傳統(tǒng)統(tǒng)計(jì)學(xué)理論基礎(chǔ)之上，逐漸成為模式識(shí)別和機(jī)器學(xué)習(xí)領(lǐng)域中的一個(gè)研究熱點(diǎn)。圖21 線性可分情況下的超平面圖21中H為分類(lèi)線，HH2分別為過(guò)各類(lèi)中離分類(lèi)線最近的樣本且平行于分類(lèi)線的直線，它們之間的距離就叫做分類(lèi)間隔（margin）。假如節(jié)點(diǎn)沒(méi)有子節(jié)點(diǎn)，則稱(chēng)其為葉節(jié)點(diǎn)[51]。另外，目前決策樹(shù)在經(jīng)濟(jì)、金融、醫(yī)學(xué)等其它領(lǐng)域廣泛應(yīng)用的決策樹(shù)模型，算法大都為ID3，而諸如CART，CHAID，ExhaustiveCHAID，QUEST等決策樹(shù)算法，在森林遙感技術(shù)上都沒(méi)有深入的應(yīng)用。決策樹(shù)分類(lèi)中的運(yùn)算一般都是比較大小運(yùn)算，因此分類(lèi)計(jì)算量相對(duì)較小，在模式含混比較小、各類(lèi)別之間混迭不大時(shí)，不失為是一種很有效的分類(lèi)方法。而支持向量機(jī)關(guān)于參數(shù)選擇的問(wèn)題仍然有很多存在問(wèn)題，如多項(xiàng)式學(xué)習(xí)機(jī)器的階數(shù)問(wèn)題、徑向基機(jī)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(jì)算出總體精度和Kappa系數(shù)。因此Kappa系數(shù)指標(biāo)應(yīng)運(yùn)而生。地帶性土類(lèi)有磚紅壤、赤紅壤、紅壤、黃棕壤；非地帶性土類(lèi)有石灰土、水稻土、紫色土、沖積土。縣城駐地勐梭龍?zhí)断堤烊缓?，容水?06萬(wàn)m3。是我省西部多雨區(qū)。這是中國(guó)第一次在空間技術(shù)領(lǐng)域與國(guó)外進(jìn)行的全面國(guó)際合作。CBERS02B 中巴資源衛(wèi)星于2007年9月19日由長(zhǎng)征四號(hào)乙運(yùn)載火箭在太原衛(wèi)星發(fā)射中心發(fā)射升空。不同平臺(tái)的遙感影像數(shù)據(jù)，由于所采用的投影、坐標(biāo)系的有所不同，加之圖像存在畸變等等，在實(shí)際的影像分析和處理之前，有必要對(duì)遙感原始影像進(jìn)行預(yù)處理。但是由于各用戶(hù)使用目的的不同或者投影及比例尺的不同，通常還需要對(duì)遙感圖像進(jìn)行進(jìn)一步的幾何校正。與此同時(shí)，變換關(guān)系多項(xiàng)式的階數(shù)取值越高，所用地面控制點(diǎn)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(diǎn)(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(diǎn)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(diǎn)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(xué)基礎(chǔ)控制下，把多景相鄰遙感圖像拼接成一個(gè)大范圍、無(wú)縫的圖像過(guò)程。見(jiàn)表34。樣本點(diǎn)的選取應(yīng)該在各類(lèi)地類(lèi)面積較大的中心部分選擇，才能準(zhǔn)確的代表整個(gè)區(qū)域內(nèi)每個(gè)類(lèi)別的光譜特征差異，從而進(jìn)行準(zhǔn)確的分類(lèi)。本次研究的桉樹(shù)呈現(xiàn)鮮紅色，由于桉樹(shù)是人工林，實(shí)行了精細(xì)化種植，桉林被種植得很整齊。同時(shí)在遙感圖像的分類(lèi)處理過(guò)程中，雖然變量多、維數(shù)高，有利于分類(lèi)精度的提高，卻并不是越多越高越好，因?yàn)檫@樣往往在增加了分類(lèi)算法的復(fù)雜性與計(jì)算量，同時(shí)，由于不少變量之間往往有較高的相關(guān)性，也會(huì)造成更多的混淆和不確定，反而降低了分類(lèi)精度，所以盡可能選取數(shù)量適當(dāng)，又有助于體現(xiàn)所感興趣地物目標(biāo)的聚類(lèi)行為以及能夸大與其他類(lèi)別間差異性的特征變量。遙感圖像中每個(gè)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(lèi)樣本光譜值統(tǒng)計(jì)表地類(lèi)桉樹(shù)其它林地耕地建設(shè)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(lèi)光譜曲線圖對(duì)每一種地類(lèi)的各個(gè)波段光譜亮度值進(jìn)行樣本統(tǒng)計(jì)，并用地類(lèi)的各波段均值作出波譜響應(yīng)曲線，如圖37。理論上來(lái)說(shuō)，任何一種地物都有其唯一的光譜曲線，加上成像時(shí)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(fù)雜。為了便于有效地分析和研究圖像上不同地類(lèi)類(lèi)別，使之用簡(jiǎn)單明確的數(shù)值、符號(hào)或圖形來(lái)表征圖像中的特征信息。野外采樣點(diǎn)主要為研究小組實(shí)地調(diào)查走訪獲得的第一手?jǐn)?shù)據(jù)。訓(xùn)練樣本主要用于訓(xùn)練分類(lèi)器，以制定分類(lèi)規(guī)則識(shí)別其他未知像元，將其分類(lèi)。包括用材林、經(jīng)濟(jì)林、防護(hù)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(lèi)園地（果園、桑園、茶園、熱作林園地等）3草地——指以生長(zhǎng)草本植物為主，覆蓋度在5％以上的各類(lèi)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(duì)兩景遙感圖像進(jìn)行鑲嵌，見(jiàn)圖33。缺點(diǎn)是最大可產(chǎn)生半個(gè)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(lái)光滑的邊界出現(xiàn)鋸齒狀?？刂泣c(diǎn)應(yīng)當(dāng)均勻地分別在整個(gè)校正區(qū)域內(nèi)，并且控制點(diǎn)應(yīng)選取圖像上易分辨且較精細(xì)的典型特征點(diǎn)。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(dá)要求的新圖像。因?yàn)槭褂玫臄?shù)據(jù)處于不同的坐標(biāo)系下，為了作進(jìn)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(gè)坐標(biāo)系中。中巴衛(wèi)星的相關(guān)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(cè)擺能力回歸周期(天)CBERS01/02CCD相機(jī)B01～113177。兩國(guó)政府堅(jiān)持合作、克服困難，后來(lái)分別在1993年、1996年簽訂補(bǔ)充協(xié)議。森林覆蓋率為37%。主體屬南亞熱帶山地濕潤(rùn)季風(fēng)氣候，其特點(diǎn)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(lèi)誤差矩陣的信息，它不僅考慮了對(duì)角線被正確分類(lèi)的像素?cái)?shù)量，而且考慮了不在對(duì)角線上的各種漏分和錯(cuò)分誤差，所以被作為分類(lèi)精度評(píng)估的綜合指標(biāo)。誤差矩陣提供了三種精度指標(biāo)：總體精度（overall accuracy)表示實(shí)際資料中的任意一個(gè)隨機(jī)樣本，分類(lèi)專(zhuān)題圖像上同一地點(diǎn)的分類(lèi)結(jié)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(guò)程中的人為誤差等因素的影響，每一種分類(lèi)器的分類(lèi)結(jié)果都會(huì)存在不同程度的偶然性，即分類(lèi)的結(jié)果不可能達(dá)到與地物的真實(shí)分布完全對(duì)應(yīng)。決策樹(shù)分類(lèi)法的樹(shù)狀分類(lèi)結(jié)構(gòu)由于不需要對(duì)數(shù)據(jù)特征空間分布預(yù)先假設(shè)某種參數(shù)化密度分布。然后將所有的P值和預(yù)設(shè)的界值相比較（），如果均小于界值，則選擇P值最小的一個(gè)作為分支變量；如果均大于界值，則當(dāng)X為連續(xù)或有序變量時(shí)，分別使用Levene方差齊性檢驗(yàn)計(jì)算P值，當(dāng)有P值小于界值時(shí)則選擇P值最小的一個(gè)作為分枝變量。每個(gè)外部節(jié)點(diǎn)表示判斷后的最終結(jié)果，為一個(gè)判斷類(lèi)別。SVM實(shí)現(xiàn)的過(guò)程是首先求出支持向量SV，然后求出最優(yōu)分類(lèi)超平面。支持向量機(jī)(SVM)提出軟間隔的概念以解決線性不可分問(wèn)題。在最簡(jiǎn)單的情況下，他們就是訓(xùn)練樣本像元的多光譜數(shù)據(jù)向量。人工神經(jīng)網(wǎng)絡(luò)是基于生物神經(jīng)系統(tǒng)的分布存儲(chǔ)、并行處理及自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)。但是，假如特征空間數(shù)據(jù)分布比較復(fù)雜、離散，再加上如果采集的訓(xùn)練樣本不夠充分、不具代表性，則通過(guò)直接手段來(lái)估計(jì)的最大似然函數(shù)的參數(shù)，極容易造成與實(shí)際分布存在較大偏差，從而導(dǎo)致分類(lèi)結(jié)果精度下降。最大似然分類(lèi)方法的計(jì)算量比較大，同時(shí)對(duì)不同類(lèi)別的方差變化也比較敏感