基于RapidEye影像的典型植被要素提取.pdf

1、植被作為地理國情監(jiān)測中重要的監(jiān)測對象,對人類的生態(tài)環(huán)境質(zhì)量有著深遠(yuǎn)的影響。自然界的植被類型復(fù)雜多樣,傳統(tǒng)的利用人工進(jìn)行實(shí)地調(diào)查的方法要耗費(fèi)大量人力和物力,近年來日益成熟的遙感技術(shù)為植被的分類和識別提供了一條新的途徑。遙感影像全面真實(shí)地記錄了地表植被與環(huán)境的信息,不同的植被類型由于其波譜特性不同,這使得對它們的區(qū)分成為可能。隨著遙感技術(shù)的提高,高分辨率影像使得影像的空間信息、地物幾何結(jié)構(gòu)和紋理信息更加明顯,使得植被類型判讀的精度大大提高。

2、
　　本文針對RapidEye高分辨率遙感影像光譜、紋理、結(jié)構(gòu)等空間特征豐富的特點(diǎn),以地物要素特征庫為基礎(chǔ),結(jié)合不同時(shí)相不同傳感器的影像和不同的分類方法,對植被類型進(jìn)行提取。本文具體做了以下工作:
　　(1)本文通過改進(jìn)AdaBoost算法與決策樹的結(jié)合方式以及最終的預(yù)測函數(shù),構(gòu)造了一種新的組合決策樹算法AdaTree.WL。通過與SVM算法的對比,客觀評價(jià)兩種分類算法的優(yōu)勢和不足。研究表明,改進(jìn)的決策樹分類算法在總體分類精

3、度上優(yōu)于SVM算法,但對單一地類,兩者各有優(yōu)劣:AdaTree.WL算法在提取多數(shù)植被類型時(shí)效果較好,而SVM在提取建設(shè)用地等地物類型時(shí)效果優(yōu)于AdaTree.WL算法。
　　(2)針對高分辨率影像分類可選特征繁多,存在冗余的問題,本文構(gòu)造了兩種特征選擇模型,首先使用決策樹分類器CART(分類與回歸樹)計(jì)算特征對分類的貢獻(xiàn)度,通過大量實(shí)驗(yàn),初步篩選出一組特征;然后,采用基于相關(guān)性的特征選擇模型,逐步剔除相關(guān)性大和干擾性大的冗余特征

4、,并將篩選出的特征組用實(shí)例驗(yàn)證分類效果。實(shí)驗(yàn)表明,經(jīng)過優(yōu)化的特征組能大大提高植被類型的分類精度與速度。
　　(3)本文研究了RapidEye影像特有的紅邊波段與植被分類的關(guān)系,實(shí)驗(yàn)表明紅邊波段的加入使GLC樹分類和SVM分類精度分別提高了2.45％和10.12%。除此,本文還提出基于多時(shí)相特征和紋理特征的兩種植被分類方法?；诙鄷r(shí)相特征的方法使GLC樹分類和SVM分類精度分別提高了7.47%和6.29%;結(jié)合紋理的分類方法使GLC