论文部分内容阅读
森林植被信息提取是林业资源监测中的核心问题,而面向对象的树种分类作为森林植被信息提取的关键,是目前研究的重点。本文针对面向对象树种分类问题,以福建将乐国有林场为研究区域,ALOS影像为遥感数据源,探讨面向对象分类规则集的建立并进行树种分类。通过构建基于粗糙集规则提取的面向对象分类方法,建立分类规则集,对实验区影像进行分类。本研究初步形成了一套基于面向对象的森林植被信息提取方法与技术。本研究获得的主要结果为：(1)对研究区的实验数据进行了预处理。对遥感影像数据进行了几何校正、最佳波段选择、图像融合及裁剪。通过对不同波段组合进行评价选取最佳波段组合。同时,分析比较了多种影像融合方法并选择最适于ALOS影像融合方法。(2)对面向对象的分割方法进行了详细探讨,重点分析了基于边缘信息的多尺度分割算法并将其应用到研究区的影像分割中,构建不同尺度的影像信息等级结构,完成研究区域影像的分割。(3)在分割形成对象的基础上,运用粗糙集算法进行对象特征的属性约简,从对象的34个特征中约简出最能代表树种分类的13种参数,构建合适的特征空间,建立分类的规则集,来对研究区的树种进行分类。(4)对研究区面向对象分类结果进行了分类精度评价。通过基于粗糙集规则提取的面向对象分类结果与基于最邻近算法的面向对象分类、监督分类的分类结果进行对比,得出基于规则提取的面向对象分类精度最高,总体精度达到80.4509%,Kappa系数达0.7607；其次为基于标准最邻近法的面向对象分类,总体精度为77.2408%,Kappa系数为0.7256,而监督分类的总体精度仅为75.5068%,Kappa系数为0.7062。结果表明：应用粗糙集规则提取的面向对象分类进行森林植被信息提取时,所提取的树种信息与树种的实际分布之间具有较高的形状和属性的一致性,分类精度更高,并有效地避免了常规分类方法中所出现的“椒盐现象”,分类结果更易于解释和理解。