土地利用与土地覆盖变化是全球变化研究的重要内容,及时准确地获取土地覆盖信息对政府决策部门和科学研究都具有重要意义。随着遥感平台的多样化和图像分辨率的提高,遥感技术已成为土地利用与土地覆盖变化研究中不可或缺的手段。解译标志,作为联系图像信息和土地覆盖/土地利用的生态学特征之间的纽带,成为目前制约遥感图像分类精度的提高和实现图像自动化分类的主要因素之一。定量化分析评价各种解译特征的重要性以及多种解译特征的综合作用,是实现高精度、智能化遥感信息提取的前提条件。 本文以2000年6月获取的Landsat TM图像作为主信息源,根据目前土地利用/土地覆盖调查过程中沿用的3级分类系统,在研究区内按面积优势制定了一个14种类型的分类系统,从而在此基础上实现了: 1) 采用目前成熟的监督分类流程依次实现了对原始光谱以及变换特征、纹理特征的分类能力进行了系统的分析与评价。结果表明:光谱特征源是起主导作用的特征源,分类能力以5-6维波段组合为佳;纹理特征仅次于光谱特征,同样地,纹理特征的多波段复合取得了最好的分类精度;变换特征作用在本研究中相对较差; 2) 在分割的基础上,实现了景观指数的提取,并将其与其它基于对象的特征进行了复合分析,结果表明:基于对象的光谱特征与纹理特征之间的关系与基于像素的结果一致;形状特征与景观指数本身的分类能力较差,两者只能作为分类的辅助信息,而且景观指数要明显优于形状特征。 3) 在分析景观特征的过程中,提出并验证了一种面向对象的像素分类法,即基于对象特征的基础上而采用逐像素的分类方法。研究结果表明这种方法可以综合两种分类方法的优点。 4) 对三种常用的分类器:最小距离、最大似然、Fisher线性分类器在高维特征组合与不同特征源复合分析过程中的可靠性进行了分析与评价。研究表明:最小距离的分类器只适合在1-2维特征下的分类研究;不但精度与其它两类相当而且分类速度是最快的;最大似然整体分类精度最高,但在由不同特征源构成的高维特征空间下其计算出现问题,而且分类的时间是三者中最长的;Fisher线性分类器虽然分类精度上稍逊于最大似然方法,但从分类的速度和对特征源的兼容性等方面评价可以说它的应用潜力最好。