论文部分内容阅读
植被作为地理国情监测中重要的监测对象，对人类的生态环境质量有着深远的影响。自然界的植被类型复杂多样，传统的利用人工进行实地调查的方法要耗费大量人力和物力，近年来日益成熟的遥感技术为植被的分类和识别提供了一条新的途径。遥感影像全面真实地记录了地表植被与环境的信息，不同的植被类型由于其波谱特性不同，这使得对它们的区分成为可能。随着遥感技术的提高，高分辨率影像使得影像的空间信息、地物几何结构和纹理信息更加明显，使得植被类型判读的精度大大提高。本文针对RapidEye高分辨率遥感影像光谱、纹理、结构等空间特征丰富的特点，以地物要素特征库为基础，结合不同时相不同传感器的影像和不同的分类方法，对植被类型进行提取。本文具体做了以下工作：（1）本文通过改进AdaBoost算法与决策树的结合方式以及最终的预测函数，构造了一种新的组合决策树算法AdaTree.WL。通过与SVM算法的对比，客观评价两种分类算法的优势和不足。研究表明，改进的决策树分类算法在总体分类精度上优于SVM算法，但对单一地类，两者各有优劣：AdaTree.WL算法在提取多数植被类型时效果较好，而SVM在提取建设用地等地物类型时效果优于AdaTree.WL算法。（2）针对高分辨率影像分类可选特征繁多，存在冗余的问题，本文构造了两种特征选择模型，首先使用决策树分类器CART（分类与回归树）计算特征对分类的贡献度，通过大量实验，初步筛选出一组特征；然后，采用基于相关性的特征选择模型，逐步剔除相关性大和干扰性大的冗余特征，并将筛选出的特征组用实例验证分类效果。实验表明，经过优化的特征组能大大提高植被类型的分类精度与速度。（3）本文研究了RapidEye影像特有的红边波段与植被分类的关系，实验表明红边波段的加入使GLC树分类和SVM分类精度分别提高了2.45%和10.12%。除此，本文还提出基于多时相特征和纹理特征的两种植被分类方法。基于多时相特征的方法使GLC树分类和SVM分类精度分别提高了7.47%和6.29%；结合纹理的分类方法使GLC树分类和SVM分类精度分别提高了3.91%和2.56%。