论文部分内容阅读
树种的识别是森林资源监测中最为基础和关键的指标之一,在实际森林资源调查中具有重要意义。本文综合考虑机载高光谱影像和LiDAR数据在数据结构和特征中表现出来的优点和特点,将两者相结合应用在树种分类方面,评估两种数据源在复杂森林类型中进行树种精细识别的能力。选择广西高峰林场界牌分场树种种类丰富的区域作为研究区,结合机载高光谱影像与同步获取的LiDAR数据进行树种分类。首先对影像进行多尺度分割,利用ESP(Estimation of Scale Parameter)尺度评价工具获取最优分割尺度,结合地物实际特征,确定多层次最优分割参数。然后对机载高光谱数据和LiDAR数据进行特征提取,从机载高光谱影像中提取ICA(Independent component analysis)变换特征、植被指数,并分析树种的光谱特征构建新的指数,采用灰度共生矩阵方法提取纹理特征,同时从LiDAR数据中提取冠层高度模型CHM(Canopy height model)作为高度信息,构建多特征集合。利用面向对象和分层分类相结合的方法,在最优分割尺度下进行分层分类,区分非林地、其他林地和有林地。对有林地进行树种的精细分类,利用不同特征组合结合K邻近法、支持向量机和决策树三种分类器对研究区树种进行分类并做精度评价,比较不同特征组合和分类器对树种分类精度的影响。结果表明,多层次分割可以更好的区分不同地物边界,分割效果最符合实际地物轮廓,可在一定程度上提高分类精度。采用面向对象与分层分类相结合的方法,能够有效避免“椒盐”现象以及各树种与其他地物的混分现象。三种分类器中,支持向量机分类器分类效果最好,树种分类精度最高为94.20%,Kappa系数为0.9307。利用随机森林消除冗余特征,能够进一步提升分类器的性能和效率,同时在筛选的特征子集中,新构建的斜率光谱指数SL2作为优选特征,对提高树种分类精度具有一定作用。纹理信息和高度信息对提升树种分类精度作用较大,能够有效的区分具有相似光谱特征的树种,减少了“异物同谱,同物异谱”的干扰。因此应用多维特征,可以有效改善树种分类精度。结合两种数据源的分类方法对于南方复杂森林类型的树种精细识别是有效的,满足树种分类的精度需求。