【正文】 地物的光譜特征不但是傳感器波段設計的依據(jù)，也是遙感數(shù)據(jù)分析解譯的基礎，同時也是現(xiàn)代遙感技術的重要組成部分。相對于其它林地而言，紋理要整齊光滑一點，建設用地為藍色且發(fā)亮，耕地則顯示為淺藍色或灰白色，水域顯示為深藍色，其它主要為山地陰影，呈藍黑色。 表33全國遙感監(jiān)測土地利用/覆蓋分類體系一級類型 二級類型含 義代碼名稱代碼名稱1耕地——指種植農(nóng)作物的土地，包括熟耕地、新開荒地、休閑地、輪歇地、草田輪作地；以種植農(nóng)作物為主的農(nóng)果、農(nóng)桑、農(nóng)林用地；耕種三年以上的灘地和灘涂11水田指有水源保證和灌溉設施，在一般年景能正常灌溉，用以種植水稻，蓮藕等水生農(nóng)作物的耕地，包括實行水稻和旱地作物輪種的耕地111山區(qū)水田112丘陵水田113平原水田114大于25度坡地水田12旱地指無灌溉水源及設施，靠天然降水生長作物的耕地；有水源和澆灌設施，在一般年景下能正常灌溉的旱作物耕地；以種菜為主的耕地，正常輪作的休閑地和輪歇地121山區(qū)旱地122丘陵旱地123平原旱地124大于25度坡地旱地2林地——指生長喬木、灌木、竹類、以及沿海紅樹林地等林業(yè)用地21有林地指郁閉度30％的天然木和人工林。最近鄰點法的優(yōu)點是輸出圖像仍然保持原來的像元值,簡單、處理速度快。由于研究所用的影像已經(jīng)進行了幾何粗校正和輻射校正，所以在此只做幾何精校正。2006年4月國防科工委公布了CBERS衛(wèi)星數(shù)據(jù)的免費分發(fā)政策，為國內(nèi)用戶免費提供數(shù)據(jù)產(chǎn)品，大大降低了國內(nèi)用戶的使用成本。植被特征：，%。全縣土壤偏酸，有機質(zhì)含量高，由于氣溫較低，有機質(zhì)分解較慢，缺磷、少鉀?；煜仃?也稱誤差矩陣)是表示精度評價的一種常用的標準格式，是指將分類數(shù)據(jù)(通常作為行)同參考數(shù)據(jù)(通常作為列)相比較而形成的矩陣表格，其中主對角線代表正確分類即一致的情況，非主對角線代表錯誤分類即不一致的情況[60]。決策樹是一種非參數(shù)、分層的分類方法，分類結(jié)構清晰，可重復性好，對數(shù)據(jù)分析與解釋更具有靈活性[55]。決策樹內(nèi)部節(jié)點對輸入數(shù)據(jù)的屬性特征進行相應的判斷，每個分支對判斷后的結(jié)果進行相應的輸出。它建立在統(tǒng)計學習理論的VC維和結(jié)構風險最小化原理基礎上，通過適當?shù)剡x擇函數(shù)子集，根據(jù)有限樣本信息在模型的復雜性和學習能力之間尋求最佳折中，使學習機的實際風險達到最小。能“自然地”實現(xiàn)各種非線性映射和求解各種分界面十分復雜和高度非線性的分類和模式識別問題[46]。在p（x |wi）服從多元正態(tài)分布的假設下，判別函數(shù)可改寫成gi (x)= lnP(Wi)－ln|Σi |－[ (x－Mi) T (Σi) 1 ( x－Mi)] (24)式中：Mi為類別中wi中像元的均值；Σi 為類別wi中像元的協(xié)方差矩陣；|Σi |表示矩陣Σi的范數(shù)；Mi和Σi可以從訓練數(shù)據(jù)中獲得。ISODATA法作為非監(jiān)督分類優(yōu)勢在于不需要事先對所要分類的區(qū)域有廣泛的了解認識，得到的類別只是按照自然光譜獲得，但是如果要想得到具體的分類就需要人工操作將每個類別劃分到相應的目標類中，這個過程往往需要對研究區(qū)有一些背景資料和認識。利用遙感數(shù)據(jù)的統(tǒng)計值特征與訓練樣本數(shù)據(jù)之間的統(tǒng)計關系來實現(xiàn)地物分類。利用中巴衛(wèi)星遙感影像，采用基于知識的決策樹分類方法，利用已構建的分類特征，對研究區(qū)主要地類進行分類識別，研究了一種最佳桉樹分布信息識別方法。汪金花等以河北省唐山市為研究區(qū)，采用CBERS1影像，運用決策樹分層處理結(jié)構思想, 構建了唐山市土地利用分類體系和數(shù)學模型[24]。LENNEY等（1996）對埃及的農(nóng)業(yè)土地進行了監(jiān)測，采用1984年和1993年的TM數(shù)據(jù)NDVI特征進行，％[18]。如原始波段合成法、植被指數(shù)提取法、NDVI與波段合成法、HIS融合法、分級分類提取法、基于知識庫提取法等[9]。傳統(tǒng)的森林資源調(diào)查費時、費力。研究發(fā)現(xiàn)，在決策樹分類過程中，基于光譜、植被指數(shù)、主成分變換和紋理特征的決策樹是最佳的分類方法，分類效果最好，%，桉樹的生產(chǎn)者精度為86%；該分類方法比基于光譜、%，桉樹的生產(chǎn)者精度提高3%；%，桉樹的生產(chǎn)者精度提高8%。研究生簽名： 導師簽名： 日 期： 摘要桉樹作為世界上三大速生林之一，因其具有很高的實用價值和經(jīng)濟效益，世界各地大量引種。 Information extraction目錄 1 1 1 2 4 5 5 6 72. 遙感圖像計算機分類技術 8 9 9 9 傳統(tǒng)分類方法的不足 11 計算機非傳統(tǒng)分類方法 11(ANN) 12(SVM) 13 14 16 17 Kappa分析 17 19 研究區(qū)概況 19 21 21 21 27 29 33 33 35 38 40 45 基于決策樹的桉樹分布信息提取 45 4植被指數(shù)和主成分特征的決策樹信息提取 4植被指數(shù)、主成分特征和紋理特征的決策樹信息提取 54 基于其它分類方法的桉樹分布信息提取 60 ISODATA分類方法 60 最大似然分類方法 61 62 67 67 68參考文獻： 70致謝 75VII本論文依托于國家自然科學基金項目——云南尾葉桉類林引種的環(huán)境影響與生態(tài)安全格局研究開展研究。因此植被信息的調(diào)查成為遙感的重要應用領域[35]。黃建文等利用TM數(shù)據(jù)對4個季節(jié)的帽兒山進行植被分類，同時輔助以物候特征和地面GIS專題信息，先利用基于光譜知識的林地提取模型提取林地邊界，再用監(jiān)督分類方法分別進行林地和非林地內(nèi)部類型信息的提取，生成多季相綜合分類圖，％[13]。決策樹一詞最早出現(xiàn)在1982年的模式識別領域中，十多年前作為一種數(shù)據(jù)挖掘技術引入遙感圖像處理，因此，模擬專家目視解譯，建立遙感圖像解譯的專家系統(tǒng)，實現(xiàn)圖像的自動解譯成為遙感圖像解譯的主要趨勢之一[22]。Joy等（2003）基于TM影像，采用決策樹方法對森林類型進行識別，也取得了較好的效果。結(jié)論和展望總結(jié)了本文的研究結(jié)果和結(jié)論，并且對其實際應用進行了展望。這是一種最常用的非監(jiān)督分類算法，它不需要通過訓練場地來確定判別函數(shù)集，而是根據(jù)像元間的相似度大小，進行合并歸類，也稱聚類[35]。假設一影像中的光譜類別表示為wi(i=1,…,M,M為總的類別個數(shù))當判別位于x的某一像元的類別時，使用條件概率p（wi |x）(i=1,…,M)位置矢量是一個多波段的反射值的矢量，它將像元表達為多維空間中的一個點。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(jié)果精度下降。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。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。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。 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(jié)果都會存在不同程度的偶然性，即分類的結(jié)果不可能達到與地物的真實分布完全對應。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。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。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。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?？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。在數(shù)據(jù)處理中需要對兩景遙感圖像進行鑲嵌，見圖33。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。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。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。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。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。 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。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。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。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?？h城駐地勐梭龍?zhí)断堤烊缓矗菟?06萬m3。因此Kappa系數(shù)指標應運而生。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。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。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）。輸入層只是連接數(shù)據(jù)的界面，并不做任何處理。Bayes準則所要求的協(xié)方差矩陣將難以實現(xiàn)。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。在傳統(tǒng)方法中人們最常使用的是以迭代為實質(zhì)的ISODATA法以及基于貝葉斯(Bayes)準則建立的最大似然法?；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。Defries等（1984）通過對1984年AVHRR全球遙感數(shù)據(jù)的分類