【正文】 處理，得到了全球土壤覆蓋分類圖。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，總體分類精度達至94％。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]。因此，相關(guān)植被信息提取顯得極其重要。 Texture。 研究生簽名： 日 期： 論文使用和授權(quán)說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)保留并向國家有關(guān)部門或機構(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。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。本論文是利用遙感技術(shù)，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(zhǔn)確提取，為桉樹引種規(guī)范化和合理化提供技術(shù)支持。綠色植物體內(nèi)的葉綠素控制著植物在可見光波段區(qū)間的光譜特征。ZarcoTejado等（1999）綜合植被調(diào)查、植被光譜信息和陸地衛(wèi)星資料對地面覆蓋物和森林分布進行分類，分類精度有所提高[19]。袁林山等以江蘇省徐州市為研究區(qū)，采用多特征決策樹方法對CBERS02數(shù)據(jù)分類，并與最大似然法和支持向量機分類方法進行比較,結(jié)果表明,多特征決策樹分類方法在土地利用/覆蓋分類具有較好的分類效果[26]。并介紹了本文的研究內(nèi)容和技術(shù)路線。隨著遙感圖像解譯和分析的深入研究以及地物類型分布方式的復(fù)雜性，統(tǒng)計模式識別方法逐漸顯現(xiàn)了本身的一些不足之處，因為只考慮單一分類規(guī)則對影像進行分類,而不考慮其他因素，如空間位置、色調(diào)特征等構(gòu)成影像的多種因素，最終影響了傳統(tǒng)分類方法的精度，造成傳統(tǒng)分類方法不足，加上衛(wèi)星遙感光譜數(shù)據(jù)由于空間分辨率比較低(TM影像30米、SPOT5影像10米) ,存在綜合光譜信息如混合像元,致使計算機分類面臨著諸多模糊對象導(dǎo)致分類出現(xiàn)較多錯分、漏分，使得分類精度達不到要求。最大似然分類方法是根據(jù)有關(guān)概率判決函數(shù)的貝葉斯準(zhǔn)則對遙感圖像進行的識別分類。 傳統(tǒng)分類方法的不足傳統(tǒng)方法中的ISODATA法雖可自迭代由少到多地確定類數(shù)，但參數(shù)確定困難，一些距離參數(shù)要隨維數(shù)的變化作相應(yīng)的調(diào)整［3941］。近年來，不同學(xué)者提出或應(yīng)用BP網(wǎng)絡(luò)、三維Hopfield網(wǎng)絡(luò)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)等對遙感圖像進行監(jiān)督分類[4748]。引入核函數(shù)使解平面從線性擴展到非線性。使用決策樹進行事例決策的過程，就是通過對事例的屬性進行一系列的由數(shù)根節(jié)點向下經(jīng)內(nèi)部節(jié)點逐步判斷，直至葉節(jié)點產(chǎn)生最終決策結(jié)果[52]。所以，其總體分類精度優(yōu)于傳統(tǒng)的參數(shù)化統(tǒng)計分類方法[51]。s accuracy) 表示從分類結(jié)果中任意取一個隨機樣本，所具有的類型與地面實際類型相同的條件概率；使用者精度(user39。植被類型復(fù)雜多樣，主要有季節(jié)性雨林、季雨林、季風(fēng)常綠闊葉林和后期發(fā)展的杉木林、橡膠林、思茅松林、竹林、桉樹林等。32176。它是利用控制點對進行的幾何校正。雙線性內(nèi)插法的優(yōu)點是計算較為簡單，校正后的圖像亮度連續(xù)，精度明顯提高，特別是對亮度不連續(xù)現(xiàn)象或線狀特征的塊狀化現(xiàn)象有明顯的改善。此類草地一般水分條件較好，草被生長茂密32中覆蓋度草地指覆蓋度在20％～50％的天然草地和改良草地，此類草地一般水分不足，草被較稀疏33低覆蓋度草地指覆蓋度在5％～20％的天然草地。本實驗中的桉樹樣本，主要來源于金光公司提供的1：10萬20032005年西盟縣桉樹造林分布圖和野外實地采樣點GPS。但總體來說，還是有幾種多光譜衛(wèi)星遙感影像記錄了地物對電磁波的反射信息，以及地物自身的熱輻射信息。遙感圖像特征提取的實質(zhì)就是通過對原始特征光譜進行一定的變換或映射處理，找出最能準(zhǔn)確分出待分類別的特征光譜子集，使分散在波段之間的分類信息集中在少數(shù)幾個特征中，從而在對數(shù)據(jù)進行降維處理的同時增強分類性能、提高分類精度[63]。植被根據(jù)覆蓋度不同表現(xiàn)出深淺不同的紅色，橡膠、果園等園地多表現(xiàn)為綠色。結(jié)合遙感影像地面分辨率及野外考察的實際情況，將研究區(qū)地類劃分為耕地、林地（桉樹、其它林地）、建設(shè)用地、水域、其它。因此，需要根據(jù)輸出圖像上的各像元在輸入圖像中的位置，對原始圖像按一定規(guī)則重新采樣，進行亮度值的插值計算，建立新的圖像矩陣。一般來講，遙感圖像接收后由地面接收站先進行幾何粗校正，然后再將產(chǎn)品提供給客戶。02星(CBERS2)于2003年10月21日在中國太原衛(wèi)星發(fā)射中心成功發(fā)射。降雨隨大氣環(huán)流的季節(jié)更換，氣候變化十分明顯，具有“夏秋多雨、冬春干旱”的季風(fēng)氣候特點。57′之間，研究區(qū)位置見圖31。常用的精度評價方法是混淆矩陣。眾所周知，遙感圖像分類是一個多因素、多環(huán)節(jié)交織在一起的復(fù)雜過程，受到多種因素的影響，目前還沒有一種分類算法能達到完全實用的目的。其中每個內(nèi)部節(jié)點都包含一個父節(jié)點，一個或者幾個子節(jié)點。在每一個處理節(jié)點都進行求和以及變換運算。人工神經(jīng)網(wǎng)絡(luò)分類方法在分類時綜合考慮了地物的光學(xué)特性、空間特性和時相特性[4243]。條件概率p（wi |x）和p（x | wi）可以用貝葉斯定律表達：p（wi |x）= p（x | wi）p（wi）/ p（x） (21)式中：p（x | wi）x在類別wi出現(xiàn)的概率；p（wi） 類別wi在整個圖像中出現(xiàn)的概率，并且有p(x)=i=1M p（x |wi）p（wi） (22)p（wi）為先驗概率，p（x | wi）為后驗概率。(3)進行迭代運算，重新計算各項指標(biāo)，判別聚類結(jié)果是否符合要求。遙感圖像分類過程中可以利用計算機技術(shù)，通過數(shù)字處理的方法來增強和提取遙感圖像中的專題信息，從而提高分類精度。最后通過與傳統(tǒng)分類方法非監(jiān)督分類ISODATA法和監(jiān)督分類最大似然法在實驗區(qū)的分類結(jié)果對比評價，說明利用決策樹分類方法相對于傳統(tǒng)分類方法的優(yōu)勢所在。國內(nèi)申文明等以河北唐山為研究區(qū)，利用Landsat ETM+ 影像數(shù)據(jù)和GIS數(shù)據(jù),，得到?jīng)Q策樹分類方法與傳統(tǒng)自動分類相比,%, Kappa [23]。向娟采用面向?qū)ο蠓诸惙椒?，對桉樹信息提取進行研究，結(jié)果表明采用面向?qū)ο蠓诸惙椒ǚ诸惪偩葹?0%，桉樹的生產(chǎn)者精度為83%，分類精度較傳統(tǒng)分類方法大大提高[17]。遙感數(shù)據(jù)與GIS數(shù)據(jù)的復(fù)合，可視為信息復(fù)合的高級形式。目前需要解決的關(guān)鍵問題是科學(xué)合理地發(fā)展桉樹人工林，實現(xiàn)桉樹人工林的可持續(xù)發(fā)展。采用2009年12月28日中巴衛(wèi)星遙感影像，結(jié)合目前比較流行的決策樹方法與傳統(tǒng)分類方法對桉樹分布信息進行提取對比研究。做好桉樹森林資源調(diào)查是一項基礎(chǔ)性的工作，而傳統(tǒng)的森林資源調(diào)查費時、費力。我國自1890年引種桉樹以來，從零星種植到規(guī)模發(fā)展，現(xiàn)有桉樹人工林總面積達到170多萬hm178。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(guān)信息，但定位不準(zhǔn)確，時效性差，可重復(fù)性差，并存在個人差異[7]。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(guān)的圖像預(yù)處理和植被類型信息提取方法,利用IKONOS影像數(shù)據(jù)的紋理信息進行植被分類, 并將結(jié)果與用光譜信息、植被指數(shù)信息的分類結(jié)果比較。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(xué)習(xí)過程中使用者不必了解很多背景知識，因為提供的訓(xùn)練例子能夠用屬性——結(jié)論式的方式表達出來，就能以該算法來進行學(xué)習(xí)。通過研究現(xiàn)狀，我們可以看出利用遙感技術(shù)實現(xiàn)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(xiàn)對桉樹分布信息的提取研究，更是薄弱。新型傳感器的不斷出現(xiàn)，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(jié)合，為遙感圖像的解譯提供了多種途徑。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(biāo)分配給各個聚類中心。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(dāng)p（wi |x）最大時，像元屬于類別wi。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。中間層又叫做隱藏層。它是一種直觀的知識表示方法，以信息論為基礎(chǔ)，根據(jù)影像的不同特征，以樹型結(jié)構(gòu)表示分類或決策集合，實現(xiàn)復(fù)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。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(biāo)（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。用分類結(jié)果與實際地表之間的吻合程度來反映分類結(jié)果精度，分類結(jié)果的精度計算即可以用抽樣像元中分類正確的像元數(shù)和誤分的像元數(shù)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。18′～99176。(1968年),最少年降水量為1938mm(2000年)。其產(chǎn)品應(yīng)用比較廣泛，主要在農(nóng)業(yè)、林業(yè)、水利、海洋、國土資源、災(zāi)害監(jiān)測、氣象、交通選線等國民經(jīng)濟眾多領(lǐng)域。為便于數(shù)據(jù)處理，需將影像投影變換為高斯克呂格投影。本研究以已經(jīng)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(biāo)準(zhǔn)均方誤差(Root Means Squared Error RMS)控制在1個像元以內(nèi)，選取20個控制點進行研究區(qū)影像的精校正。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。在有了良好的采樣和可靠的樣本數(shù)據(jù)的基礎(chǔ)上，便可分別進行分類和驗證。特征提取是對分類精度和可靠性影響最大的因素之一[62]。本研究中為了有效地利用中巴衛(wèi)星數(shù)據(jù)進行信息提取和分類，首先對遙感數(shù)據(jù)的信息特征進行認(rèn)真分析。圖35為西盟縣野外調(diào)查GPS點；表35為西盟縣各地類訓(xùn)練樣本選取數(shù)量表；圖36為西盟縣訓(xùn)練樣本分布圖；表36為本次研究建立的CBERS02B（432）合成圖像各地類解譯標(biāo)志。樣本選擇不僅遵循樣區(qū)光譜特征均一,訓(xùn)練樣本足夠多，且需具有典型性和代表性 [32]。缺點就是對圖像中的幾何結(jié)構(gòu)損壞較大，且計算量大。一般來說，幾何校正中，所用地面控制點(GCP)數(shù)與校正精度成正相關(guān)，即GCP越多，校正精度就越高，計算的工作量也就越大。26B02～B03～B04～B05～高分辨率相機（HR）B06～27無104寬視場成像儀（WFI）B07～258890無5，雖然對于精確目視解譯較為困難，但CCD數(shù)據(jù)中的植被敏感波段近紅外波段，具有一定的紋理信息,對于植被的提取有重要意義。 中巴衛(wèi)星數(shù)據(jù)參數(shù)1998年，中國和巴西在中國資源一號原方案基礎(chǔ)上共同投資，聯(lián)合研制中巴地球資源衛(wèi)星（代號CBERS）。按地貌成因類型全區(qū)可劃分兩大地貌單元，即構(gòu)造侵蝕地貌和溶蝕地貌?？傮w精度、生產(chǎn)者精度或使用者精度的缺點是像元類別的小變動可能導(dǎo)致其百分比變化，運用這些指標(biāo)的客觀性取決于采樣樣本以及方法。決策樹方法相對于神經(jīng)元網(wǎng)絡(luò)方法，在訓(xùn)練樣本數(shù)據(jù)時速度更快，并且執(zhí)行效率要高，在輸入數(shù)據(jù)空間特征和分類標(biāo)識方面，相比神經(jīng)網(wǎng)絡(luò)方法具有更好的彈性。在二維空間的分布模式上看兩個模式類，若用傳統(tǒng)的分類方法進行分類，其決策邊界將會是一個十分復(fù)雜的二元函數(shù)式，而若用決策樹分類法，只想要兩個判別條件的聯(lián)合就輕易而又準(zhǔn)確地將兩個模式類別區(qū)別開來。如圖21所示，空心點和實心點代表兩類樣本。神經(jīng)網(wǎng)絡(luò)是人工智能的一種，可用于監(jiān)督分類也可用于非監(jiān)督分類。隨著遙感數(shù)據(jù)時空維數(shù)的不斷擴展，該方法開始暴露出一些缺點:、多維的遙感數(shù)據(jù)可能不具備正態(tài)分布特征。其基本思想是：地物類數(shù)據(jù)在空間中構(gòu)成一定的點群；每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上呈正態(tài)分布，該類的多維數(shù)據(jù)就構(gòu)成了一個多維正態(tài)分布；各類的多維正態(tài)分布模型各有其分布特征，如位置、形狀、密集或分散的程度等[37]。如目前比較流行的分類方法：人工神經(jīng)網(wǎng)絡(luò)方法、模糊數(shù)學(xué)方法、決策樹方法、專家系統(tǒng)方法、支持向量機方法等。研究區(qū)遙感圖像地類分類特征分析本章介紹了研究區(qū)的概況和數(shù)據(jù)源的預(yù)處理工作。美國的USGS、EPA 等部門聯(lián)合實施的“美國土地覆蓋數(shù)據(jù)庫”計劃(NLCD 2001) 中，利用決策樹進行了土地、城市密度信息、林冠密度信息的提取，結(jié)果表明,土地利用分類精度達到了73%～77%, 城市密度信息提取精度達到83%～91%, 樹冠精度在78% ～93%,完全能夠滿足大規(guī)模土地分類數(shù)據(jù)產(chǎn)品的生產(chǎn)要求。Knotes利用光譜和紋理信息進行土地覆蓋高一層次的分類。將光譜特征和非光譜形成的特征(如地形、紋理結(jié)構(gòu)等)結(jié)合對植被的提取也有很大的幫助。基于遙感技術(shù)的桉樹空間分布信息提取，在國內(nèi)外研究中，可以參考的文獻資料很少，但現(xiàn)有的采用遙感技術(shù)提取其它植被信息的研究積累為本論文的研究提供了借鑒。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 o