森林植被遥感分类研究.doc

1999 年 6 月 第 23 卷 第 2 期 河北师范大学学报 (自然科学版) Jo u rna l o f H ebe i N o rm a l U n ive r sity (N a tu ra l Sc ience) J un. 1999 V o l. 23 N o. 2 文章编号: 100025854 (1999) 0220274204 森林植被遥感分类研究 Ξ ΞΞ 袁 金 国 ( 河北师范大学 资源与环境科学学院, 河北 石家庄 050016) 摘 要: 首先对森林植被类型识别方法的研究概况进行了综述, 在总结国内外研究成果 的基础上, 提出采用植被指数进行植被分类. 根据长春净月潭地区植被冠层反射率数据以及 土壤线方程 N IR = 1. 506 R + 0. 00 786, 通过对多种植被指数的计算与分析, 得出植被指数与 植被类型的关系: 最易于区分阔叶林与针叶林的是 PV I, 其次为 T SA V I 和M SA V I, 但后者计 算较为复杂; 不同针叶树种间的 RV I 差值较大, 因此采用 RV I 来区分各针叶树种. 不同的植 被类型可用 PV I 和 RV I 相结合来识别. 关键词: 森林植被; 遥感分类; 植被指数 中图分类号: T P 7 文献标识码: A 地物波谱特征是遥感技术的基础之一, 尤其森林植被的波谱特征更是世界各国争先 研究的课题, 因为森林的消亡与存在直接影响人类的生存环境. 研究森林植被群落波谱特 征, 就可以根据不同来源 (航片、卫片)、不同形式 (图像、数据) 的遥感信息提取出森林专题 信息, 为划分森林类型、绘制林相图、清查森林资源、预测预报森林病虫害及森林火灾、合 理利用和保护森林资源奠定理论基础. 目前对于森林植被类型的判别方法很多, 但从植被 指数的角度进行森林植被分类的研究尚不多见, 本文试图利用植被指数进行森林植被分 类, 因为不同的植被类型对可见光红波段的强吸收和对近红外波段的高反射之间的对比 是植被遥感分析的理论基础, 植被指数与植被叶面积指数, 有效光合吸收辐射 (A PA R ) 和 覆盖度等有很好的相关关系, 反映了植物光合作用强度和生活力的大小, 是森林植被类型 差异的一种表现. 1 研究概况 最早的植被分类采用人工目视解译, 之后计算机自动分类比目视解译前进了一步, 但 由于各树种相互搀杂, 且受土壤湿度, 地形阴影, 异物同谱的影响, 单纯对遥感数据进行监 督或非监督分类的结果精度不高. 之后采用了遥感信息复合技术1 . 信息复合的内容和方 式包括: 同种遥感信息多波段多时相信息复合; 多平台遥感数据复合; 遥感与非遥感信息 的复合, 如与专题地图信息或数字地形模型 (D TM ) 的复合; 遥感数据加入 G IS 数据, 可视 为信息复合的高级形式. 章杨清基于 B P 神经网络, 并将分维作为反映类别数据纹理特征 的附加波段向量, 明显提高了分类精度 ( 针叶林为 81. 85% ) 2 . 靳文戟等, 利用多层神经 网络对遥感图象数据进行监督分类, 再将网络输出作为非监督分类的输入, 可提高识别的 类数3 . 吴炳方结合辅助数据 ( 地形图, 行政区划图, 植被图, 道路图, 水系图) 和应用 G IS 模型, 采用最大似然分类方法对遥感数据进行分类4 , 表明用 SPO T 数据进行山区植被分 收稿日期: 1998 12 10; 修回日期: 1999 03 25 Ξ ΞΞ 作者简介: 袁金国 ( 1972 ) , 女, 河北故城人, 河北师范大学硕士.  类的效果比 TM 数据好, 精度从 37. 41% 提高到 71. 67% (SPO T 数据, 非监督分类) 或从 50. 07% 提高到 61. 5% (TM 数据, 监督分类). F r ied l 和 B ro d ley 采用单变量、多变量、混 合3种决策树分类算法对土地覆盖遥感数据 (TM 和 N DV I) 进行分类, 结果表明决策树算 法分类精度高于最大概率和线性判别函数分类机, 尤其是混合树产生最高的分类精度, 如 采用1°分辨率的 N DV I 数据对常绿阔叶林和落叶林分类精度在96% 以上. 决策树遥感应 用的优点是简单、明确、直观的分类结构, 算法不需要关于输入数据分布的假设, 而且处理 特征与类别间的非线性关系, 允许值的缺失. 由于在 TM 各波段间光谱值有一定相关性, 需要进行波段选择组合, 使3波段组合不仅对森林植被分类的敏感度较高, 而且波段间信 息重复最少, 因此可选择波段4, 5, 3合成. 并且在几何校正基础上, 进行直方图线性扩展, 即