專利名稱：一種基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法
技術(shù)領(lǐng)域：
:本發(fā)明涉及地理信息系統(tǒng)、遙感、景觀生態(tài)學(xué)及森林生態(tài)學(xué)。
背景技術(shù)：
:森林是陸地最大的生態(tài)系統(tǒng)，是地球生命系統(tǒng)的支柱，是陸地生態(tài)平衡的調(diào)節(jié)中樞，是人類賴以生存的必要保障和發(fā)展的基礎(chǔ)，在支撐經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展中有不可替代的作用。森林是ー種可再生資源，在人為因素和自然力的共同作用下，自然生長(zhǎng)和死亡，人為采伐和更新，使森林生態(tài)系統(tǒng)無(wú)時(shí)不處于消長(zhǎng)交替的動(dòng)態(tài)過(guò)程之中。以森林、林木和林地為主體構(gòu)成的森林資源顯然是ー種動(dòng)態(tài)資源。開(kāi)展森林資源調(diào)查和監(jiān)測(cè)，對(duì)一定空間、時(shí)間內(nèi)森林資源狀態(tài)進(jìn)行連續(xù)性跟蹤調(diào)查，掌握其現(xiàn)狀和消長(zhǎng)變化情況，預(yù)測(cè)其發(fā)展變化趨勢(shì)，為制定林業(yè)方針、政策、中長(zhǎng)期規(guī)劃和林業(yè)生產(chǎn)經(jīng)營(yíng)計(jì)劃，檢驗(yàn)經(jīng)營(yíng)成果等提供科學(xué)依據(jù)，對(duì)于提高林業(yè)發(fā)展乃至經(jīng)濟(jì)社會(huì)發(fā)展科學(xué)決策水平，促進(jìn)林業(yè)和資源環(huán)境以及經(jīng)濟(jì)社會(huì)的可持續(xù)發(fā)展具有極為重要的意義。森林資源監(jiān)測(cè)體系是組織、建立、實(shí)施森林資源監(jiān)測(cè)的一整套方法。傳統(tǒng)的森林資源調(diào)查和監(jiān)測(cè)技術(shù)方法以地面測(cè)量為主，存在著工作量大、勞動(dòng)強(qiáng)度大、成本高、周期長(zhǎng)、效率低、時(shí)效性差等問(wèn)題，而且調(diào)查精度不高，難以滿足當(dāng)今林業(yè)發(fā)展的需要。研究表明，以
1: 10000地形圖為工作手圖實(shí)地勾繪小班,面積平均誤差為25.0%,中心位置平均位移77.1m,邊界平均位移9.3m。因此，長(zhǎng)期以來(lái)，眾多學(xué)者致力于研究探討新的適用的技術(shù)體系和方法。以遙感為主，包括地理信息系統(tǒng)和全球定位系統(tǒng)的3S技術(shù)及其集成，由于其具有傳統(tǒng)技術(shù)不可比擬的優(yōu)勢(shì)，成為當(dāng)前森林資源調(diào)查和監(jiān)測(cè)研究的重點(diǎn)和熱點(diǎn)。森林面積調(diào)查和監(jiān)測(cè)是森林資源監(jiān)測(cè)最基本、最關(guān)鍵的內(nèi)容。遙感技術(shù)用于森林資源監(jiān)測(cè)，必須首先研究解決森林面積估測(cè)問(wèn)題，亦即是解決遙感圖像的森林分類問(wèn)題。然而，當(dāng)今遙感技術(shù)在森林資源調(diào)查和監(jiān)測(cè)中的應(yīng)用還存在很多問(wèn)題需要深入研究解決:一是森林和土地分類問(wèn)題還未得到很好解決，能分離的類型個(gè)數(shù)和分類精度與相關(guān)技術(shù)標(biāo)準(zhǔn)的要求差距甚遠(yuǎn)。尤其在地形地貌復(fù)雜、森林分布破碎、種類和類型多祥、結(jié)構(gòu)復(fù)雜的南方林區(qū)，情況更是如此；ニ是森林區(qū)劃過(guò)于粗糙，最小成圖面積遠(yuǎn)大于技術(shù)標(biāo)準(zhǔn)要求。由于過(guò)往大多采用的中低空間分辨率遙感圖像，造成了森林區(qū)劃最小面積過(guò)大且成圖比例尺較小。森林分類是遙感技術(shù)在森林資源調(diào)查和監(jiān)測(cè)中應(yīng)用中最為關(guān)鍵的技木。本發(fā)明采用空間分辨率為2.5m的ALOS遙感數(shù)據(jù)，探索出一種基于面向?qū)ο蟮纳诌b感分類方法，旨在提高森林分類精度，為實(shí)現(xiàn)森林資源的快速準(zhǔn)確監(jiān)測(cè)提供一條有效途徑。

發(fā)明內(nèi)容
本發(fā)明將提供一種針對(duì)高分辨率遙感影像的，基于面向?qū)ο筮b感影像分類技術(shù)的森林分類方法。發(fā)明要解決的技術(shù)問(wèn)題:
傳統(tǒng)的分類方法在分類時(shí)僅依靠地物的光譜信息，基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法更多的是利用地物的幾何形態(tài)、結(jié)構(gòu)信息，如紋理、形狀、結(jié)構(gòu)和空間組合關(guān)系等，顧及更多的結(jié)構(gòu)、特征等信息，提高了分類精度；建立了面向遙感的森林ニ級(jí)分類體系，確保了森林遙感監(jiān)測(cè)數(shù)據(jù)的分類一致性和結(jié)果可比性；根據(jù)篩選出的關(guān)鍵指數(shù)，提出了一種便捷、準(zhǔn)確、高效的分層逐步分類提取法，方法具有較好的可操作性和可重復(fù)性，能夠?qū)崿F(xiàn)區(qū)域森林資源的快速準(zhǔn)確監(jiān)測(cè)。基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法，包括以下步驟:步驟1:數(shù)據(jù)源選擇。選擇的數(shù)據(jù)源為高分辨率衛(wèi)星遙感影像數(shù)據(jù)，如ALOS，SPOT，Quick Bird等數(shù)據(jù)，并輔以高程數(shù)據(jù)、林業(yè)調(diào)查數(shù)據(jù)等相關(guān)數(shù)據(jù)資料，同時(shí)結(jié)合實(shí)地調(diào)查數(shù)據(jù)進(jìn)行分析。步驟2:圖像預(yù)處理。圖像分類前，對(duì)遙感影像進(jìn)行預(yù)處理，包括大氣校正、幾何校正、投影轉(zhuǎn)換、剪裁拼接等，并對(duì)全色波段圖像及多光譜圖像進(jìn)行影像融合。步驟3:建立森林分類系統(tǒng)。根據(jù)遙感影像數(shù)據(jù)的信息可辨識(shí)性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級(jí)分類體系。ー級(jí)分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級(jí)分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常緑落葉、闊葉混交林及落葉闊葉林。步驟4:建立森林遙感分類標(biāo)志庫(kù)。通過(guò)實(shí)地考察，確定各森林類型的大體分布情況及分布規(guī)律，記錄典型分布點(diǎn)位，結(jié)合野外GPS定位，將各森林類型的實(shí)地考察點(diǎn)坐標(biāo)與遙感影像進(jìn)行空間匹配，獲取各森林類型的遙感影像特征。步驟5:建立森林遙感分類輔助數(shù)據(jù)集及集成影像。輔助數(shù)據(jù)集主要包括DEM數(shù)字高程數(shù)據(jù)及其衍生出來(lái)的坡度、坡向數(shù)據(jù)、NDVI (Normalized Difference VegetationIndex，歸ー化植被指數(shù))數(shù)據(jù)(通過(guò)遙感影像波段計(jì)算得到)等。將各輔助數(shù)據(jù)分別作為ー個(gè)波段疊加到遙感影像波段中，組合成用于遙感影像分類的集成影像。步驟6:基于面向?qū)ο蟮纳址诸?。在ENVI ZOOM軟件平臺(tái)下進(jìn)行森林遙感分類，首先通過(guò)調(diào)試，確定圖像分割系數(shù)，生成集成圖像的對(duì)象圖層。然后，采用專家知識(shí)分類法，利用對(duì)象圖層中各對(duì)象的空間、光譜和紋理特征構(gòu)建各森林類型的信息提取知識(shí)規(guī)則。最后，將獲取的特征信息輸出為矢量文件，獲得初歩的森林分類數(shù)據(jù)。在制定各森林類型的信息提取知識(shí)規(guī)則的過(guò)程中，本發(fā)明篩選出了區(qū)分森林類型的關(guān)鍵指數(shù)，主要包括DEM、NDVI及intensity等。根據(jù)這些關(guān)鍵指數(shù),提出了一種便捷、準(zhǔn)確、高效的分層逐步分類提取法:I)根據(jù)NDVI指數(shù)劃分植被與非植被；2)根據(jù)光譜特征與色調(diào)差異區(qū)分草地與森林(草本植物比較低矮，受陰影影響較小，在高分辨率遙感影像上表現(xiàn)為均勻的淺色調(diào))；3)根據(jù)紋理特征及時(shí)相差異區(qū)分耕地與森林(采用農(nóng)作物播種期或收割期時(shí)段的影像，與成熟期時(shí)段的影像進(jìn)行比較，提取耕地信息)；4)根據(jù)Color Space and BandRatio Attributes特征選項(xiàng)中的intensity指數(shù)劃分針葉林、闊葉林及針闊葉混交林；5)根據(jù)DEM高程數(shù)據(jù),將針葉林劃分為暖性針葉林和溫性針葉林；6)根據(jù)NDVI指數(shù)，結(jié)合多時(shí)相遙感數(shù)據(jù)，將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。步驟7:將分類結(jié)果導(dǎo)入ArcGIS中，對(duì)照遙感影像，參考地形圖和其他相關(guān)專題圖件，結(jié)合實(shí)地調(diào)查情況，對(duì)錯(cuò)誤的分類結(jié)果進(jìn)行目視解譯修訂，以確保分類精度。步驟8:實(shí)地調(diào)查驗(yàn)證。對(duì)初步的森林分類數(shù)據(jù)采用分層隨機(jī)采樣的方法進(jìn)行精度分析。通過(guò)野外實(shí)地調(diào)研，確定驗(yàn)證樣點(diǎn)的真實(shí)屬性，與初歩的分類結(jié)果進(jìn)行比較，確定分類結(jié)果的精度。本發(fā)明的有益效果:1、本發(fā)明所選取的面向?qū)ο蟮膱D像分類方法在分類時(shí)不僅依靠地物的光譜信息，更多的是利用地物的幾何形態(tài)、結(jié)構(gòu)信息，如紋理、形狀、結(jié)構(gòu)和空間組合關(guān)系等，與傳統(tǒng)的分類方法相比，該方法由于顧及了更多的結(jié)構(gòu)、特征等信息，避免了同一地物內(nèi)部異質(zhì)性增強(qiáng)導(dǎo)致的“椒鹽現(xiàn)象”的產(chǎn)生，提高了分類精度。2、本發(fā)明所選取的遙感影像具有高分辨率、高精度的特點(diǎn)，能夠保證森林分類的精確度。3、本發(fā)明建立了面向遙感的森林ニ級(jí)分類體系，確保了森林遙感監(jiān)測(cè)數(shù)據(jù)的分類一致性和結(jié)果可比性。在實(shí)際應(yīng)用中，可以根據(jù)不同的森林調(diào)整森林劃分的種類。4、本發(fā)明創(chuàng)建了森林遙感分類輔助數(shù)據(jù)集及集成影像，實(shí)現(xiàn)了對(duì)遙感影像數(shù)據(jù)的信息補(bǔ)充。5、本發(fā)明篩選出了區(qū)分森林類型的關(guān)鍵指數(shù)，井根據(jù)這些關(guān)鍵指數(shù)，提出了ー種便捷、準(zhǔn)確、高效的分層逐步分類提取法，用以制定各森林類型的信息提取知識(shí)規(guī)則，其處理流程適合于區(qū)域中小尺度森林資源遙感監(jiān)測(cè)，方法具有較好的可操作性和可重復(fù)性，能夠?qū)崿F(xiàn)區(qū)域森林資源的快速準(zhǔn)確監(jiān)測(cè)。


圖1本發(fā)明森林遙感分類流程2本發(fā)明實(shí)施例井岡山自然保護(hù)區(qū)各森林類型信息提取知識(shí)規(guī)則的流程3本發(fā)明實(shí)施例的森林信息提取結(jié)果圖
具體實(shí)施例方式(一 )實(shí)施例選擇選擇井岡山國(guó)家級(jí)自然保護(hù)區(qū)為實(shí)施例，該保護(hù)區(qū)位于中國(guó)江西省西南部(E114。04' 16'，N26。38' 40'，)，總面積214.99km2，屬森林生態(tài)系統(tǒng)類型自然保護(hù)區(qū)，是目前世界上同緯度保存最完整的中亞熱帶天然常綠闊葉林保護(hù)區(qū)。保護(hù)區(qū)內(nèi)森林區(qū)系成份古老、復(fù)雜，是距今約6千萬(wàn)年前遺留下來(lái)的古老而又比較完整的新生代第三紀(jì)森林生態(tài)系統(tǒng)。區(qū)域內(nèi)地形復(fù)雜，山體巍蛾，溝壑縱橫，地勢(shì)西、南高，東、北低。氣候溫暖濕潤(rùn)，年均溫為14 17°C，年降水量為1865.5毫米，無(wú)霜期為250天，屬亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)。保護(hù)區(qū)地處中亞熱帶的典型地帯，區(qū)域內(nèi)森林植被以中亞熱帶常綠闊葉林為主，主要植被類型有針葉林、常綠闊葉林、落葉闊葉林、常緑落葉闊葉混交林、針闊葉混交林等。保護(hù)區(qū)內(nèi)土壌具有顯著的中亞熱帶山地森林土壌的性質(zhì)，成土母巖主要為板巖、花崗巖、石英巖、石英質(zhì)砂巖等，森林土壤類型有山地紅壤、山地黃壤、山地暗黃棕壤、山地草甸土等。( ニ)數(shù)據(jù)源選擇本實(shí)施例選擇ALOS(Advanced Land Observation Satellite)高分辨率遙感影像數(shù)據(jù)為數(shù)據(jù)源。ALOS是日本的對(duì)地觀測(cè)衛(wèi)星，于2006年I月24日發(fā)射升空。ALOS衛(wèi)星載有三個(gè)傳感器:全色遙感立體測(cè)繪儀(PRISM)，先進(jìn)可見(jiàn)光與近紅外輻射計(jì)_2 (AVNIR-2)，相控陣型L波段合成孔徑雷達(dá)(PALSAR)。ALOS衛(wèi)星全色影像具有較高的空間分辨率(2.5m)，多光譜影像空間分辨率為10m，光譜信息豐富。波長(zhǎng)范圍為0.52-0.77 iim，共包含藍(lán)、緑、紅和近紅外4個(gè)波段。本實(shí)施例所選用的ALOS影像成像時(shí)間為2008年11月29日。本實(shí)施例收集了一系列輔助數(shù)據(jù)資料，主要包括:2009年井網(wǎng)山市森林ニ類調(diào)查小班數(shù)據(jù)；I: 50000井岡山自然保護(hù)區(qū)地形圖；I: 25000井岡山自然保護(hù)區(qū)林相圖(2004);井岡山森林小班因子屬性表(2004);交通、水系、行政區(qū)劃、居民點(diǎn)等基礎(chǔ)信息數(shù)據(jù)。(三)遙感影像預(yù)處理遙感影像預(yù)處理過(guò)程主要包括對(duì)ALOS遙感影像的全色圖像及多光譜圖像進(jìn)行大氣校正、幾何校正、投影轉(zhuǎn)換、采用井網(wǎng)山保護(hù)區(qū)邊界矢量數(shù)據(jù)對(duì)圖像進(jìn)行裁剪，并采用ISH法對(duì)ALOS影像的全色波段圖像及多光譜圖像進(jìn)行影像融合。(四)建立森林分類系統(tǒng)。根據(jù)遙感影像數(shù)據(jù)的信息可辨識(shí)性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級(jí)分類體系。ー級(jí)分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級(jí)分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。(五)建立森林遙感分類標(biāo)志庫(kù)。通過(guò)對(duì)井R山保護(hù)區(qū)的實(shí)地考察，記錄各森林類型的分布情況、分布規(guī)律及外相特征，同時(shí)記錄每個(gè)森林類型的典型分布地點(diǎn)的地理坐標(biāo)，將各森林類型的實(shí)地考察點(diǎn)坐標(biāo)與遙感影像進(jìn)行空間匹配，獲取各森林類型的遙感影像特征。本實(shí)施例中共記錄森林標(biāo)志點(diǎn)204個(gè)，平均每個(gè)森林類型記錄標(biāo)志點(diǎn)30個(gè)以上，同時(shí)，記錄了 64個(gè)非林地標(biāo)志點(diǎn)，用以比較區(qū)分易于林地相混淆的地物類型。(六)建立森林遙感分類輔助數(shù)據(jù)集及集成影像。本實(shí)施例的輔助數(shù)據(jù)集主要包括空間分辨率為30m的DEM數(shù)字高程數(shù)據(jù)(由NASA官方網(wǎng)站下載得到)及其衍生出來(lái)的坡度、坡向數(shù)據(jù)(坡度及坡向數(shù)據(jù)在ArcGIS軟件平臺(tái)中生成)、NDVI (Normalized DifferenceVegetation Index,歸ー化植被指數(shù))數(shù)據(jù)(通過(guò)遙感影像波段計(jì)算得到)等。再ENVI軟件平臺(tái)下，將各輔助數(shù)據(jù)分別作為ー個(gè)波段疊加到遙感影像波段中，組合成用于遙感影像分類的集成影像。(七)基于面向?qū)ο蟮纳址诸?。在ENVIZOOM軟件平臺(tái)下進(jìn)行森林遙感分類，首先通過(guò)調(diào)試，確定圖像分割系數(shù)(兩個(gè)關(guān)鍵系數(shù)Segment Scale Level及Merge Level分別設(shè)置為60.0及90.0)，生成集成圖像的對(duì)象圖層。然后，采用專家知識(shí)分類法，利用對(duì)象圖層中各對(duì)象的空間、光譜和紋理特征構(gòu)建各森林類型的信息提取知識(shí)規(guī)則。最后，將獲取的特征信息輸出為矢量文件，獲得初歩的森林分類數(shù)據(jù)。在制定各森林類型的信息提取知識(shí)規(guī)則的過(guò)程中，本實(shí)施例篩選出了區(qū)分森林類型的關(guān)鍵指數(shù)，主要包括DEM、NDVI及intensity等。根據(jù)這些關(guān)鍵指數(shù),采用分層逐步分類提取法對(duì)森林進(jìn)行分類，1)NDVI指數(shù)劃分植被與非植被；2)根據(jù)光譜特征與色調(diào)差異區(qū)分草地與森林(草本植物比較低矮，受陰影影響較小，在高分辨率遙感影像上表現(xiàn)為均勻的淺色調(diào))；3)根據(jù)紋理特征及時(shí)相差異區(qū)分耕地與森林(采用農(nóng)作物播種期或收割期時(shí)段的影像，與成熟期時(shí)段的影像進(jìn)行比較，提取耕地信息)；4)根據(jù)Color Space and Band Ratio Attributes特征選項(xiàng)中的intensity指數(shù)劃分針葉林、闊葉林及針闊葉混交林；5)根據(jù)DEM高程數(shù)據(jù),將針葉林劃分為暖性針葉林和溫性針葉林；6)根據(jù)NDVI指數(shù)，結(jié)合多時(shí)相遙感數(shù)據(jù)，將闊葉林劃分為常綠闊葉林、常緑落葉、闊葉混交林及落葉闊葉林。最終確定各森林類型的信息提取知識(shí)規(guī)則如下:各森林類型信息提取知識(shí)規(guī)則
權(quán)利要求
1.一種基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法，其特征在于以高分辨率遙感影像為基礎(chǔ)，采用面向?qū)ο蟮膱D像分類方法，建立了面向遙感的森林ニ級(jí)分類系統(tǒng)，創(chuàng)建了森林遙感分類輔助數(shù)據(jù)集及集成影像，篩選出區(qū)分森林類型的關(guān)鍵指數(shù)，井根據(jù)關(guān)鍵指數(shù)提出了一種分層逐步分類提取法用以制定各森林類型的信息提取知識(shí)規(guī)則。具體包括以下步驟: 步驟1:數(shù)據(jù)源選擇。選擇的數(shù)據(jù)源為高分辨率衛(wèi)星遙感影像數(shù)據(jù)，如ALOS，SPOT,Quick Bird等數(shù)據(jù)，并輔以高程數(shù)據(jù)、林業(yè)調(diào)查數(shù)據(jù)等相關(guān)數(shù)據(jù)資料，同時(shí)結(jié)合實(shí)地調(diào)查數(shù)據(jù)進(jìn)行分析。
步驟2:圖像預(yù)處理。圖像分類前，對(duì)遙感影像進(jìn)行預(yù)處理，包括大氣校正、幾何校正、投影轉(zhuǎn)換、剪裁拼接等，并對(duì)全色波段圖像及多光譜圖像進(jìn)行影像融合。
步驟3:建立森林分類系統(tǒng)。根據(jù)遙感影像數(shù)據(jù)的信息可辨識(shí)性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級(jí)分類體系。ー級(jí)分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級(jí)分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。
步驟4:建立森林遙感分類標(biāo)志庫(kù)。通過(guò)實(shí)地考察，確定各森林類型的大體分布情況及分布規(guī)律，記錄典型分布點(diǎn)位，結(jié)合野外GPS定位，將各森林類型的實(shí)地考察點(diǎn)坐標(biāo)與遙感影像進(jìn)行空間匹配，獲取各森林類型的遙感影像特征。
步驟5:建立森林遙感分類輔助數(shù)據(jù)集及集成影像。輔助數(shù)據(jù)集主要包括DEM數(shù)字高程數(shù)據(jù)及其衍生出來(lái)的坡度、坡向數(shù)據(jù)、NDVI (Normalized Difference Vegetation Index,歸ー化植被指數(shù))數(shù)據(jù)(通過(guò)遙感影像波段計(jì)算得到)等。將各輔助數(shù)據(jù)分別作為ー個(gè)波段疊加到遙感影像波段中，組合 成用于遙感影像分類的集成影像。
步驟6:基于面向?qū)ο蟮纳址诸?。在ENVI ZOOM軟件平臺(tái)下進(jìn)行森林遙感分類，首先通過(guò)調(diào)試，確定圖像分割系數(shù)，生成集成圖像的對(duì)象圖層。然后，采用專家知識(shí)分類法，利用對(duì)象圖層中各對(duì)象的空間、光譜和紋理特征構(gòu)建各森林類型的信息提取知識(shí)規(guī)則。最后，將獲取的特征信息輸出為矢量文件，獲得初歩的森林分類數(shù)據(jù)。
步驟7:將分類結(jié)果導(dǎo)入ArcGIS中，對(duì)照遙感影像，參考地形圖和其他相關(guān)專題圖件，結(jié)合實(shí)地調(diào)查情況，對(duì)錯(cuò)誤的分類結(jié)果進(jìn)行目視解譯修訂。
步驟8:實(shí)地調(diào)查驗(yàn)證。對(duì)初步的森林分類數(shù)據(jù)采用分層隨機(jī)采樣的方法進(jìn)行精度分祈。通過(guò)野外實(shí)地調(diào)研，確定驗(yàn)證樣點(diǎn)的真實(shí)屬性，與初歩的分類結(jié)果進(jìn)行比較，確定分類結(jié)果的精度。
2.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于以高分辨率遙感影像為數(shù)據(jù)源。高分辨率遙感影像具有高分辨率、高精度的特點(diǎn)，能夠保證森林分類的精確度。
3.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于采用面向?qū)ο蟮膱D像分類方法對(duì)森林進(jìn)行遙感分類。面向?qū)ο蟮膱D像分類方法在分類時(shí)不僅依靠地物的光譜信息，更多的是利用地物的幾何形態(tài)、結(jié)構(gòu)信息，如紋理、形狀、結(jié)構(gòu)和空間組合關(guān)系等，與傳統(tǒng)的分類方法相比，該方法由于顧及了更多的結(jié)構(gòu)、特征等信息，避免了同一地物內(nèi)部異質(zhì)性增強(qiáng)導(dǎo)致的“椒鹽現(xiàn)象”的產(chǎn)生，提高了分類精度。
4.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于根據(jù)高分辨率遙感影像數(shù)據(jù)的信息可辨識(shí)性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級(jí)分類體系。ー級(jí)分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級(jí)分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常緑落葉、闊葉混交林及落葉闊葉林。
5.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于在制定各森林類型的信息提取知識(shí)規(guī)則的過(guò)程中，篩選出區(qū)分森林類型的關(guān)鍵指數(shù):DEM、NDVI, intensity等，井根據(jù)關(guān)鍵指數(shù)提出了一種分層逐步分類提取法用以制定各森林類型的信息提取知識(shí)規(guī)則，即:1)根據(jù)NDVI指數(shù)劃分植被與非植被；2)根據(jù)光譜特征與色調(diào)差異區(qū)分草地與森林(草本植物比較低矮，受陰影影響較小，在高分辨率遙感影像上表現(xiàn)為均勻的淺色調(diào))；3)根據(jù)紋理特征及時(shí)相差異區(qū)分耕地與森林(采用農(nóng)作物播種期或收割期時(shí)段的影像，與成熟期時(shí)段的影像進(jìn)行比較，提取耕地信息)；4)根據(jù)Color Space and Band Ratio Attributes特征選項(xiàng)中的intensity指數(shù)劃分針葉林、闊葉林及針闊混交林；5)根據(jù)DEM高程數(shù)據(jù)，將針葉林劃分為暖性針葉林和溫性針葉林；6)根據(jù)NDVI指數(shù)，結(jié)合多時(shí)相遙感數(shù)據(jù)，將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。
6.根據(jù)權(quán)利要求1所述的森林分類方法，其特征是在于對(duì)照遙感影像，參考地形圖和其他相關(guān)專題圖件，結(jié)合實(shí)地調(diào)查情況，對(duì)錯(cuò)誤的分類結(jié)果進(jìn)行目視解譯修訂，以確保分類精度。
7.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于數(shù)據(jù)源選擇、圖像預(yù)處理、建立森林分類系統(tǒng)、建立森林遙感分類標(biāo)志庫(kù)、建立森林遙感分類輔助數(shù)據(jù)集及集成影像、基于面向?qū)ο蟮纳址诸?、目視解譯修訂、實(shí)地調(diào)查驗(yàn)證這樣順序的高分辨率遙感影像森林分類方法流程。
全文摘要
本發(fā)明公開(kāi)了一種基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法。該方法以高分辨率遙感影像為基礎(chǔ)，采用面向?qū)ο蟮膱D像分類方法，建立了面向遙感的森林二級(jí)分類系統(tǒng)，創(chuàng)建了森林遙感分類輔助數(shù)據(jù)集及集成影像，篩選出區(qū)分森林類型的關(guān)鍵指數(shù)，并根據(jù)關(guān)鍵指數(shù)提出了一種分層逐步分類提取法用以制定各森林類型的信息提取知識(shí)規(guī)則。本發(fā)明處理流程適合于區(qū)域中小尺度森林資源遙感監(jiān)測(cè)，方法具有較好的可操作性和可重復(fù)性，能夠有效提高區(qū)域森林遙感監(jiān)測(cè)的效率和精度。
文檔編號(hào)G06K9/62GK103093233SQ201210506579
公開(kāi)日2013年5月8日 申請(qǐng)日期2012年12月3日 優(yōu)先權(quán)日2012年12月3日
發(fā)明者張林波, 張繼平, 沃笑, 徐翠, 張海博 申請(qǐng)人:中國(guó)環(huán)境科學(xué)研究院