【正文】 根據(jù)地類選取樣本進(jìn)行各地類的光譜分析，各典型地類樣本統(tǒng)計(jì)見(jiàn)表37。但總體來(lái)說(shuō)，還是有幾種多光譜衛(wèi)星遙感影像記錄了地物對(duì)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(shí)質(zhì)就是通過(guò)對(duì)原始特征光譜進(jìn)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(gè)特征中，從而在對(duì)數(shù)據(jù)進(jìn)行降維處理的同時(shí)增強(qiáng)分類性能、提高分類精度[63]。圖像特征是圖像分析的重要依據(jù)。圖35 西盟縣地類野外考察GPS點(diǎn)分布圖表35 西盟縣各地類訓(xùn)練樣本選取數(shù)量表地類桉樹其它林地耕地建設(shè)用地水域其它樣本數(shù)15001400900700500600圖 36 西盟縣各地類訓(xùn)練樣本分布圖表36西盟縣CBERS02B影像各地類解譯標(biāo)志（432假彩色合成影像）地類典型影像影像特征色調(diào)形狀紋理桉樹鮮紅色邊界較清晰,成片狀影像結(jié)構(gòu)均一,平滑其它林地淡紅、紫紅、暗紅、綠色、部分發(fā)白不規(guī)則斑塊影像結(jié)構(gòu)混雜，多平滑，局部顆粒狀耕地淺藍(lán)色、灰白色不規(guī)則斑塊顆粒狀，質(zhì)感強(qiáng)建設(shè)用地亮藍(lán)色不規(guī)則斑塊，成片狀、簇狀影像結(jié)構(gòu)較均一,平滑水域深藍(lán)色邊界清晰、塊狀、線狀影像結(jié)構(gòu)均一其它藍(lán)黑色邊界清晰、塊狀、簇狀影像結(jié)構(gòu)均一遙感影像需要選取大量的分類特征來(lái)加以區(qū)分，因?yàn)槠洳坏嬖凇巴锂愖V”和“同譜異物”現(xiàn)象，而且影像上的光譜特征和空間特征對(duì)環(huán)境背景的依賴性較大。本實(shí)驗(yàn)中的桉樹樣本，主要來(lái)源于金光公司提供的1：10萬(wàn)20032005年西盟縣桉樹造林分布圖和野外實(shí)地采樣點(diǎn)GPS。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。驗(yàn)證樣本主要用來(lái)對(duì)分類結(jié)果的精度進(jìn)行評(píng)價(jià)，可靠的樣本數(shù)據(jù)將給計(jì)算統(tǒng)計(jì)量和進(jìn)行精度評(píng)價(jià)提供必要的基礎(chǔ)資料。也就是所含類型應(yīng)與研究地域所要區(qū)分的類別一致。此類草地一般水分條件較好，草被生長(zhǎng)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。結(jié)合遙感影像地面分辨率及野外考察的實(shí)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。（4）圖像裁剪圖像裁剪是在實(shí)際工作中，根據(jù)研究工作范圍對(duì)圖像進(jìn)行分幅裁剪，將研究范圍切割下來(lái)，這是一種用于抽提特定研究區(qū)域的方法。本研究中采用雙線性插值法進(jìn)行重采樣。雙線性內(nèi)插法的優(yōu)點(diǎn)是計(jì)算較為簡(jiǎn)單，校正后的圖像亮度連續(xù)，精度明顯提高，特別是對(duì)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。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(duì)原始圖像按一定規(guī)則重新采樣，進(jìn)行亮度值的插值計(jì)算，建立新的圖像矩陣。如道路交叉點(diǎn)、河流交叉處中心點(diǎn)、湖泊水岸線拐點(diǎn)、山脊轉(zhuǎn)折點(diǎn)等。與之相反，所用地面控制點(diǎn)數(shù)量越少，校正精度就越低，計(jì)算的工作量也就越小。它是利用控制點(diǎn)對(duì)進(jìn)行的幾何校正。一般來(lái)講，遙感圖像接收后由地面接收站先進(jìn)行幾何粗校正，然后再將產(chǎn)品提供給客戶。本研究所采用的CBERS影像數(shù)據(jù)采用橫軸墨卡托投影，WGS84坐標(biāo)系。因此本文主要采用2009年12月28日的CBERS02BCCD影像對(duì)研究區(qū)進(jìn)行桉樹分布信息提取分類研究。32176。02星(CBERS2)于2003年10月21日在中國(guó)太原衛(wèi)星發(fā)射中心成功發(fā)射。但由于合作的進(jìn)度推遲，使廣大用戶受到影響，也使衛(wèi)星趕超世界先進(jìn)水平的步伐滯后。它有效載荷艙有電荷耦合器件攝像機(jī)(CCD)、紅外多光譜掃描儀(IRMSS)和寬視場(chǎng)相機(jī)(WFI)三種傳感器。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。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(diǎn)?！?，最熱月(5月)℃,最冷月(1月)℃。水文特征：縣內(nèi)河流均屬怒江水系，境內(nèi)較大的河流有6條，東部有庫(kù)杏河與勐梭河匯合，中部有新廠河與勐梭河匯合而成南康河，西部有南錫河與南康河匯合為南卡江。57′之間，研究區(qū)位置見(jiàn)圖31。 研究區(qū)概況西盟縣位于云南省西南部，西與緬甸為鄰，地處東經(jīng)99176。由于總體精度只利用了誤差矩陣主對(duì)角線上的元素，沒(méi)有利用整個(gè)誤差矩陣的信息，使得全面衡量分類誤差缺乏整體性。s accuracy) 表示從分類結(jié)果中任意取一個(gè)隨機(jī)樣本，所具有的類型與地面實(shí)際類型相同的條件概率；使用者精度(user39。常用的精度評(píng)價(jià)方法是混淆矩陣。因此對(duì)分類的結(jié)果進(jìn)行分析與評(píng)價(jià)是整個(gè)分類過(guò)程中的一個(gè)重要的、必不可少的環(huán)節(jié)[59]。人工神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練數(shù)據(jù)時(shí)間很長(zhǎng)，并且網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的選擇也并非很直接[58]，因而神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不但費(fèi)時(shí)并且對(duì)訓(xùn)練結(jié)果的好壞事先缺乏判斷，這些都是不如決策樹分類的地方。所以，其總體分類精度優(yōu)于傳統(tǒng)的參數(shù)化統(tǒng)計(jì)分類方法[51]。眾所周知，遙感圖像分類是一個(gè)多因素、多環(huán)節(jié)交織在一起的復(fù)雜過(guò)程，受到多種因素的影響，目前還沒(méi)有一種分類算法能達(dá)到完全實(shí)用的目的。相反如果方差齊性檢驗(yàn)的P值均大于界值，則選擇在第一步中P值最小的變量作為分枝變量。圖 22 決策樹示意圖決策樹分類樹模型早期有CART和CHIAD兩種算法，1997年Loh和Shih對(duì)CHIAD算法加以改進(jìn)，提出了一種新的二叉樹算法QUEST（Quick，Unbiased，Efficient Statistical Tree的縮寫），該算法不但克服了CHIAD算法的某些缺點(diǎn)，在變量選擇上基本無(wú)偏，而且將變量選擇和分叉點(diǎn)選擇分開進(jìn)行，可以適用于任何類型的自變量。使用決策樹進(jìn)行事例決策的過(guò)程，就是通過(guò)對(duì)事例的屬性進(jìn)行一系列的由數(shù)根節(jié)點(diǎn)向下經(jīng)內(nèi)部節(jié)點(diǎn)逐步判斷，直至葉節(jié)點(diǎn)產(chǎn)生最終決策結(jié)果[52]。其中每個(gè)內(nèi)部節(jié)點(diǎn)都包含一個(gè)父節(jié)點(diǎn)，一個(gè)或者幾個(gè)子節(jié)點(diǎn)。決策樹算法是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法，它從一組無(wú)次序、無(wú)規(guī)則的事例中推理出決策樹表示的分類規(guī)則[4950]。如果這兩類樣本（訓(xùn)練集）是線性可分的，那么機(jī)器學(xué)習(xí)的結(jié)果是一個(gè)超平面（二維情況下是直線）或稱為判別函數(shù)，該超平面將訓(xùn)練樣本分為正負(fù)兩類。引入核函數(shù)使解平面從線性擴(kuò)展到非線性。在每一個(gè)處理節(jié)點(diǎn)都進(jìn)行求和以及變換運(yùn)算。其他特征數(shù)據(jù)，如像元的空間鄰域數(shù)據(jù)或多時(shí)相光譜向量數(shù)據(jù)也可以用做輸入。一個(gè)基本的神經(jīng)網(wǎng)可分為三層：輸入層、中間層和輸出層。近年來(lái)，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(duì)遙感圖像進(jìn)行監(jiān)督分類[4748]。人工神經(jīng)網(wǎng)絡(luò)分類方法在分類時(shí)綜合考慮了地物的光學(xué)特性、空間特性和時(shí)相特性[4243]。 計(jì)算機(jī)非傳統(tǒng)分類方法傳統(tǒng)的遙感圖像計(jì)算機(jī)分類方法是根據(jù)遙感數(shù)據(jù)的統(tǒng)計(jì)特征與訓(xùn)練樣本數(shù)據(jù)之間的統(tǒng)計(jì)關(guān)系來(lái)進(jìn)行地物分類，其分類結(jié)果精度差強(qiáng)人意。(如地面實(shí)測(cè)數(shù)據(jù))在很多情況下不具備統(tǒng)計(jì)意義。 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］。條件概率p（wi |x）和p（x | wi）可以用貝葉斯定律表達(dá)：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(gè)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(yàn)概率，p（x | wi）為后驗(yàn)概率。概率p（wi |x）給出了再光譜空間中點(diǎn)x的像元屬于類別wi的概率。最大似然分類法在多類別分類時(shí)，常采用統(tǒng)計(jì)學(xué)方法建立起一個(gè)判別函數(shù)集。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(duì)遙感圖像進(jìn)行的識(shí)別分類。(3)進(jìn)行迭代運(yùn)算，重新計(jì)算各項(xiàng)指標(biāo)，判別聚類結(jié)果是否符合要求。ISODATA法或迭代法聚類的實(shí)質(zhì)是先給出一個(gè)不的初始分類，然后用某種原則反復(fù)修改和調(diào)整分類，以逐步逼近一個(gè)正確的分類。本論文主要介紹比較典型人工神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法和決策樹分類法。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(jì)模式識(shí)別方法逐漸顯現(xiàn)了本身的一些不足之處，因?yàn)橹豢紤]單一分類規(guī)則對(duì)影像進(jìn)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(jì)算機(jī)分類面臨著諸多模糊對(duì)象導(dǎo)致分類出現(xiàn)較多錯(cuò)分、漏分，使得分類精度達(dá)不到要求。遙感圖像分類過(guò)程中可以利用計(jì)算機(jī)技術(shù)，通過(guò)數(shù)字處理的方法來(lái)增強(qiáng)和提取遙感圖像中的專題信息，從而提高分類精度。遙感（Remote sensing）是在不直接接觸研究對(duì)象的情況下，通過(guò)某種傳感器裝置，測(cè)量、分析并判定目標(biāo)性質(zhì)的一門科學(xué)和技術(shù)[2932]。并確定了土地利用/覆蓋分類類別，針對(duì)研究區(qū)進(jìn)行了各類別的典型樣本選擇，計(jì)算各對(duì)象的光譜、植被指數(shù)、主成分變換、紋理信息等特征，并對(duì)這些特征進(jìn)行分析。并介紹了本文的研究?jī)?nèi)容和技術(shù)路線。最后通過(guò)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(shí)驗(yàn)區(qū)的分類結(jié)果對(duì)比評(píng)價(jià)，說(shuō)明利用決策樹分類方法相對(duì)于傳統(tǒng)分類方法的優(yōu)勢(shì)所在。Yoshikawa Masanobu等(1995)用完全自動(dòng)構(gòu)造二叉決策樹對(duì)遙感數(shù)據(jù)進(jìn)行了土地覆蓋類型分類，并將這種算法與Bayesian分類器進(jìn)行了比較，結(jié)果表明在分類精度和所需要的訓(xùn)練樣本數(shù)量上，該模型都得到了比較滿意的結(jié)果。John Durkin(2005)利用決策樹對(duì)衛(wèi)星圖像進(jìn)行分析以估計(jì)落葉林和針葉林的基部面積值。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(duì)CBERS02數(shù)據(jù)分類，并與最大似然法和支持向量機(jī)分類方法進(jìn)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]。國(guó)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(dòng)分類相比,%, Kappa [23]。決策樹學(xué)習(xí)算法在信息提取問(wèn)題上呈現(xiàn)了非常巨大的優(yōu)勢(shì)，因?yàn)樗坏⑺俣瓤臁⒕雀?，而且可以生成可理解的?guī)則。Shefali等（2003）利用多時(shí)相的NDVI對(duì)中南亞地區(qū)的植被進(jìn)行分類，植被指數(shù)的加入使分類結(jié)果較好[20]。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(duì)地面覆蓋物和森林分布進(jìn)行分類，分類精度有所提高[19]。向娟采用面向?qū)ο蠓诸惙椒ǎ瑢?duì)桉樹信息提取進(jìn)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]。申廣榮等通過(guò)統(tǒng)計(jì)和小波分析的方法提取了SPOT影像的綠地紋理特征，并將其引入基于光譜分類的最大似然法進(jìn)行綠地信息的提取分類，相對(duì)于面向象元的監(jiān)督分類分類結(jié)果，%%, , [14]。即可以利用地物在不同地形(如高程、坡度、坡向)出現(xiàn)概率的不同建立判別函數(shù)實(shí)現(xiàn)植被的分類。綠色植物體內(nèi)的葉綠素控制著植物在可見(jiàn)光波段區(qū)間的光譜特征。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(jí)形式。植被遙感信息提取的目的是在遙感影像上有效確定植被的分布、類型、長(zhǎng)勢(shì)等信息以及對(duì)植被的生物量作出估算等[6]。植被不但是環(huán)境的重要組成因子，也是反映區(qū)域生態(tài)環(huán)境的最好標(biāo)志之一，同時(shí)也是土壤、水文等要素的解譯標(biāo)志[3]。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(guò)分析桉樹與其他土地利用類型的光譜、紋理信息等信息，對(duì)中巴遙感影像進(jìn)行分類，從而實(shí)現(xiàn)對(duì)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。目前需要解決的關(guān)鍵問(wèn)題是科學(xué)合理地發(fā)展桉樹人工林，實(shí)現(xiàn)桉樹人工林的可持續(xù)發(fā)展。桉樹作為外來(lái)樹種人工林中的一種，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，因此桉樹成為我國(guó)南方包括云南在內(nèi)普遍使用的一種造林樹種。 Remote Sensing。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。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(duì)桉樹分布信息進(jìn)行提取對(duì)比研究。云南作為桉樹種植大省之一，如何科學(xué)合理地經(jīng)營(yíng)、管理桉樹人工林引起了人們的高度重視。除了文中特別加以標(biāo)注和致謝的地方外，論文中不包含其他人或集體已經(jīng)發(fā)表或撰寫過(guò)的研究成果，對(duì)本文的研究做出貢獻(xiàn)的集體和個(gè)人均已在論文中作了明確的說(shuō)明并表示了謝意。 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。做好桉樹森林資源調(diào)查是一項(xiàng)基礎(chǔ)性的工作，而傳統(tǒng)的森林資源調(diào)查費(fèi)時(shí)、費(fèi)力。同時(shí)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(chǔ)上，構(gòu)建了適合研究區(qū)特點(diǎn)的分類方法，可較準(zhǔn)確地提取桉樹分布信息。本論文研究初步形成了一套基于決