基于Landsat OLI的西藏林芝县森林类型提取方法和蓄积量反演模型研究

摘要

对森林植被类型信息的掌握，是合理管理和经营森林行业的基本要求;根据科学的指导去保护森林植被，在不破坏森林生态的前提下对森林资源进行有效开发和利用，才可以实现国家和社会的全方位可持续发展。全面、系统、精准的对森林植被覆盖类型的认识能够加速实现林业可持续发展的战略目标、为林业部门对森林资源的监测提供科学的保障。 为掌握林芝县森林覆盖类型及蓄积量的情况，研究利用Landsat OLI遥感影像对林芝县的森林覆盖类型进行提取，并探索了基于不同计算窗口下各纹理特征对研究区针、阔叶林蓄积量反演模型的影响。研究的主要工作如下: (1)林芝县森林覆盖类型提取研究 文章首先选取三个不同的分类器对林芝县的森林覆盖进行分类，三个分类器分别是:最大似然(MLC)、马氏距离(MaDC)和人工神经网络(ANNC)。分别根据上述的三个不同的分类器对研究区的遥感影像进行分类，分类结果的总体精度分别是:71.52％，67.23％和81.49％。观察各个地物的分类结果发现，不同分类器所得到各类的精度并没有一个一致的走向，也就是不同的分类器的地物分类精度有高有低。基于D-S证据理论对前文提到的三个不同的单分类器进行组合研究，利用ENVI+IDL编程实现基于证据理论的不同分类器组合分类算法，该算法融合了不同的分类器的特点，实现不同分类器之间的优势互补，基于此实现研究区森林覆盖类型的精确提取。 基于D-S证据理论对上述的三个单分类器进行组合，一共能够得到4种不同的组合方式，分别是:最大似然-马氏距离，最大似然-人工神经网络，人工神经网络-马氏距离以及最大似然-马氏距离-人工神经网络。基于上述四种组合方式分类结果总体精度依次是:71.12％，81.66％，80.98％和81.074％。比较发现，随着人工神经网络分类器的引入，最大似然和马氏距离分类器以及最大似然-马氏距离组合分类器的分类结果总体精度都有提高，说明人工神经网络对分类器组合分类能力的提高贡献值较大。最大似然、马氏距离和人工神经网络分类结果所有地物的平均精度分别是:78.53％，74.63％和76.81％，组合分类器最大似然-马氏距离，最大似然-人工神经网络，人工神经网络-马氏距离和最大似然-人工神经网络-马氏距离组合分类器分类结果所有地物的平均精度分别是:77.45％，77.23％，78.23％和78.75％。可以发现，组合分类器中对分类精度低的单分类器的平均精度都有提升，平均精度以三个分类器共同结合最好。综合考虑单个地物的分类精度、总体精度和平均精度，并经过统计对比可以发现，虽然总体精度以最大似然-人工神经网络组合分类器的精度最高，但是考虑到各个类别的精度之后，判定以基于最大似然-马氏距离-人工神经网络组合分类器取得结果最好。研究结果表明，人工神经网络分类器在三个单分类器的精度最高，结果也说明如果证据源的精度高，那么组合分类器的分类精度也会随之升高。森林资源二类调查数据的针、阔叶林面积分别约为:2728034km2和464242km2，基于三个分类器组合得到的针、阔叶林面积分别约为:3319302km2和418815km2，分别与二调数据相差21.76％和9.79％。 (2)林芝县森林蓄积量反演研究 探讨了Landsat OLI遥感影像基于不同大小窗口计算生成的纹理特征和纹理改进指数对林芝县针、阔叶林的蓄积量遥感反演的影响。经过计算可以发现不同窗口计算得到的纹理特征及其改进指数对于林芝县针、阔叶林蓄积量的反演精度的影响不一样。针叶林最优反演模型的修正复相关系数达到0.553，标准估计误差为6.3049。反演的均方根误差为2.7484，经过对估算结果与实际值的配对样本T检验的结果显示，针叶林蓄积量反演的成对样本检验的p值显著性为0.891，该值远大于0.05;阔叶林最优反演模型的修正复相关系数为0.202，标准估计误差为2.0023。阔叶林蓄积量反演的均方根误差为1.8757，阔叶林蓄积量反演的成对样本检验的p值显著性为0.06，相对于构建的针叶林蓄积量反演模型取得的结果稍差。但这两个验证结果说明针、阔叶林蓄积量反演回归模型得到针、阔叶林蓄积量估测值与实际值之间没有显著性差异，基于纹理指数及其改进指数模型的蓄积量反演模型构建较好，对研究区内森林蓄积量的反演具有可靠性，对森林资源的监测和管理具有重要指导意义。 通过上述研究内容，对林芝县的森林覆盖类型提取和森林蓄积量的研究方法和技术的创新点主要体现在以下三个方面:(1)基于证据理论组合器分类方式实现了西藏自治区林芝县的地物覆盖类型的有效区分，分类结果相对于各单分类器总体效果较好。(2)提出分类器对地物区分能力的贡献值C，定义了一种分类器分类能力的定性指标。(3)提出基于原始纹理指数的改进指数波段纹理均值改进指数（分别是Average_Mean、Average_Variance、Average_Contrast、Average_Entropy、Average_Correlation、Average_Homogeneity、Average_Dissimilarity和Average_ASM）、纹理波段均值改进指数（AverageBlue、AverageGreen、AverageRed和AverageNIR）以及改进植被指数（Average_texture NDVI、Average_texture_DVI和Average_texture_SRVI）。以改进指数为自变量对西藏林芝县的森林的蓄积量进行反演，进一步改变了传统的主要以光谱因子为自变量对森林蓄积量的反演研究。综上，利用Landsat OLI遥感影像对林芝县进行覆盖类型提取，利用改进指数对林芝县的森林蓄积量反演具有可行性和实际意义。

目录

声明

摘要

第一章绪论

1．1研究背景

1．2国内外研究现状

1．2．1遥感技术在森林资源监测中应用

1．2．2森林覆盖遥感分类

1．2．3分类器组合遥感影像分类

1．2．4森林蓄积量遥感反演

1．3目前存在的问题及研究趋势

1．4研究内容和技术路线

1．4．1研究内容

1．4．2技术路线

1．5项目支持

1．6论文组织结构

第二章林芝县概况与试验数据获取

2．1试验区概况

2．1．1地理位置概况

2．1．2地形地貌

2．1．3气候特征

2．1．4水文特征

2．1．5土壤

2．1．6植被

2．2数据获取及预处理

2．2．1 Landsat OLI数据的获取及预处理

2．2．2西藏自治区森林资源二类调查数据及样地调查数据

2．2．3地形图及DEM数据

2．3本章小结

第三章林芝县森林覆盖分类

3．1 Landsat OLI影像特征的分析

3．2分类方案的选择及训练样本的选择

3．3单分类器监督分类实验

3．3．1最大似然分类法

3．3．2人工神经网络分类法

3．3．3马氏距离分类法

3．4分类结果及比较

3．4．1分类结果及精度评价

3．4．2单分类器优缺点评价

3．5基于D-S证据理论的林芝县遥感多分类器组合分类

3．5．1证据理论的概念原理

3．5．2基于D-S证据理论的多分类器组合林芝县森林遥感分类

3．6基于D-S证据理论多分类器组合分类

3．6．1基于D-S证据理论的最大似然与马氏距离组合分类

3．6．2基于D-S证据理论的最大似然与人工神经网络组合分类

3．6．3基于D-S证据理论的马氏距离与人工神经网络组合分类

3．6．4基于D-S证据理论的最大似然、马氏距离与人工神经网络组合分类

3．7基于D-S理论的分类器组合得到的结果对比

3．7．2基于D-S理论的分类器组合得到的阔叶林结果对比

3．7．3基于D-S理论的分类器组合得到的灌木林结果对比

3．7．4基于D-S理论的分类器组合得到的水体结果对比

3．7．5基于D-S理论的分类器组合得到的非林地结果对比

3．8各分类器及分类器组合精度评价及统计

3．8．1三个单分类器的精度评价

3．8．2基于D-S证据理论分类器组合的精度评价

3．9各分类器分类提取森林面积对比

3．10本章小结

第四章基于遥感的针、阔叶林蓄积量反演模型研究

4．1 Landsat OLI影像纹理特征

4．1．1基于灰度共生矩阵的纹理特征提取

4．1．2基于Landsat OLI遥感影像纹理特征的改进植被指数

4．1．3回归分析

4．1．4精度评价

4．2基于Landsat OLI影像的改进指数的蓄积量反演研究

4．2．1针叶林蓄积量反演模型构建

4．2．2阔叶林蓄积量反演模型构建

4．3本章小结

第五章结论与讨论

5．1结论

5．1．1林芝县森林覆盖遥感分类

5．1．2基于遥感的针、阔叶林蓄积量反演模型研究

5．2创新点

5．3讨论与展望

参考文献

在读期间的学术研究

致谢