基于多种统计方法对林分类型简单识别.docVIP

基于多种统计方法对林分类型简单识别 　　【摘要】林分类型信息的提取是遥感影像分类中的热点和难点，而大兴安岭地区又是我国重点林区和天然林主要分布区之一，植被类型丰富，种类繁多，为林分类型精确识别带来了很大的难度。本文采用的数据为黑龙江省大兴安岭地区塔河县塔河林业局盘古林场的SPOT-5影像和不同时相的RADARSAT-2全极化SAR影像组合而成的11个波段为变量，其数据为像元值，目视解译选取的训练样本分为落叶松（Larixgmelinii）、樟子松（Pinussylvestrisvarmongolica）、白桦（Betulaplatyphylla）、非林地、水体，五类共计1250个象元值。旨在通过分析五类总体的统计学性质，为提高林分类型的分类精度提供新思路 【关键词】林分类型 判别分析 主成分分析 多维标度法 一、多元正态分布均值向量和协方差阵的检验 （一）单一总体协方差阵Σ未知时均值向量的检验 选取白桦为总体 则H0：μ=μ0 H1：μ≠μ0 其中μ0为选取的为小兴安地区的白桦象元均值，目的考察不同地区同一树种象元值是否 μ0=（.244156192，.692591546，.041963218，.064344538，.1375 43219，.885053115，.090804954，.055939596，.097414752， 43 假设H0成立，检验统计量为 ■ 利用Spss求得样本离差阵S，并由matlab求解得：■0.1041*（250-11）/（250-1）*11）=0.01225 查表在0.01水平下F（11，239）=1.570.01225接受原假设μ=μ0均值检验说明不同地域之间的相同树种对应的像元值平均偏差不大，也就是说同种树种象元识别受地域影响不大 （二）单一总体协方差检验 检验假设：H0：Σ=Ip H1：Σ≠Ip 统计量为：■ 由一中的样本离差阵S计算-2lnλ=1.18426； 0.05水平下χ2（66）=48.305-2lnλ， 0.005水平下χ2（66）=40.158-2lnλ， 在?o定水平下均接受原假设，即说明选取的变量之间的相关程度不高，即波段之间相关性不强 二、判别分析 对新样本70个待定象元划入五个总体进行判别分析： （一）马氏距离判别法 则待判定样本到各组的马氏距离是：■ 判别规则为：若■，则X判别为第i类 可以设■，则：■，计算得到W后，可得： ■ 以X=（0.2444 0.6791 0.0395 0.0786 0.1146 0.9252 0.0643 0.0953 0.0848 0.3309 52.0485），分别计算得到五个马氏距离，其中■=2.005最小，故该样品用距离判定法得到的结果为第2类，即为落叶松 （二）贝叶斯判别法和费希尔判别法 费希尔判别： 在分析中使用第一个4规范判别式函数 1通过4的显著性为0.000，表示四个判别函数可以显著区分各类；2通过4与3通过4的显著性为0.00，表示除去一，二函数能将各类显著区分；4的显著性大于0.05，表示除了前三个函数不能区分各类 根据标准化系数和未标准化系数来分别判别计算每个个案的判别得分。利用计算得到的每类的重心在平面上的位置，可用于距离判别。下面计算各组先验概率，在此选择的是各组先验概率相等，进而计算每组的分类函数，用于贝叶斯判别分析 得到最终分类结果。分类结果对66.2%的个案进行了正确分类。分类结果精度较低，原因在于总体间的差异性较小，从专业角度分析由于树种对不同波段的反射特性基本差别不显著，导致象元值之间的差异也不显著，这点在组间差异检验中有所体现。但是就遥感分类来说，能达到期望精度要求 三、主成分分析 （一）利用主成分分析降维去相关 本章选取了20个行业15个经济指标做分析。自2011年起，统计口径为年主营业务收入2000万元及以上的工业企业。分别是：X1：流动资产合计，X2：应收帐款，X3：产成品，X4：资产合计，X5：负债合计，X6：主营业务收入，X7：主营业务成本，X8：主营业务税金及附加，X9：销售费用，X10：管理费用，X11：财务费用，X12：利息支出，X13：利润总额，X14亏损企业亏损额，X15：应交增值税，单位统一为亿元 数据采用15个经济指标对行业的发展情况进行评判，采用主成分分析减少指标个数。虽然变量单位相同，但是数据大小差异大，先对数据进行标准化。在软件计算时spss会自动标准化，所以输入原始数据就可以了。通过计算初始变量的相关系数矩阵表，可以看到多个变量之间的相