论文部分内容阅读
遥感自动分类技术是遥感应用的基础,受到了许多学者的关注,其应用领域也越来越广泛。目前,在林业部门,森林资源的遥感调查借助传统的自动分类方法得到的结果精度都比较低,不能满足要求,因此一般都依靠人工目视解译。因此,研究如何利用遥感自动分类新技术提高森林植被的分类精度并满足用户要求,具有十分重要的意义。本文以不同时相的ETM+、SPOT5多光谱数据作为主要数据源,并辅以地形以及林相资料,应用人工神经网络中的三种网络模型(BP网络模型、SOM网络模型以及FUZZY-ARTMAP)对吉林省柳河县北部的森林植被进行了分类研究。在研究过程中,借用了分层分类的思想,综合考虑了适宜植被分类的时相要求与影像空间分辨率大小等因素,先提取林地边界,再对林地的植被进行分类。在林地边界提取过程中,首先采用5月份的ETM+计算出研究区的NDVI和RVI,并综合8月份的SPOT5波段3数据,分别利用基于植被指数和监督分类的方法对林地边界进行提取,通过林相数据的验证得知,后种方法的精度较高。在分类过程中采用基于监督分类方法得到的林地边界作为森林植被分类的基础,利用IDRISI软件提供的3种神经网络模型,把研究区的森林植被分成了6类,并对分类结果进行了简单的对比与分析。试验表明,三种基于人工神经网络的分类方法在森林植被的遥感分类中都具有很高的应用前景,总体上都具有复杂映射能力,其中,基于FYZZY-ARTMAP网络的分类方法精度相对较高,自适应性、可收敛性等方面也占有优势,kappa系数达到了0.8179。全文共分5个部分。第一部分阐述了该论文的选题依据,遥感自动分类技术在国内外的研究进展,以及本论文的研究内容、意义。第二部分主要对传统遥感分类方法和目前常用的遥感分类新技术的优缺点以及适用条件进行了分析和评价。第三部分介绍了研究区的概况以及GIS和遥感数据的预处理过程与方法,并通过遥感影像的特征分析确定用于分类的最佳波段。第四部分首先对本次研究的分类类别做了介绍,然后采用分层分类的思想,先提取森林植被的信息,再采用三种人工神经网络模型对研究区的森林植被进行分类研究,并对研究结果进行了对比与分析。第五部分是本文的结论和展望。