專利名稱：一種基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法
技術(shù)領(lǐng)域：
:本發(fā)明涉及地理信息系統(tǒng)、遙感、景觀生態(tài)學及森林生態(tài)學。
背景技術(shù)：
:森林是陸地最大的生態(tài)系統(tǒng)，是地球生命系統(tǒng)的支柱，是陸地生態(tài)平衡的調(diào)節(jié)中樞，是人類賴以生存的必要保障和發(fā)展的基礎(chǔ)，在支撐經(jīng)濟社會可持續(xù)發(fā)展中有不可替代的作用。森林是ー種可再生資源，在人為因素和自然力的共同作用下，自然生長和死亡，人為采伐和更新，使森林生態(tài)系統(tǒng)無時不處于消長交替的動態(tài)過程之中。以森林、林木和林地為主體構(gòu)成的森林資源顯然是ー種動態(tài)資源。開展森林資源調(diào)查和監(jiān)測，對一定空間、時間內(nèi)森林資源狀態(tài)進行連續(xù)性跟蹤調(diào)查，掌握其現(xiàn)狀和消長變化情況，預測其發(fā)展變化趨勢，為制定林業(yè)方針、政策、中長期規(guī)劃和林業(yè)生產(chǎn)經(jīng)營計劃，檢驗經(jīng)營成果等提供科學依據(jù)，對于提高林業(yè)發(fā)展乃至經(jīng)濟社會發(fā)展科學決策水平，促進林業(yè)和資源環(huán)境以及經(jīng)濟社會的可持續(xù)發(fā)展具有極為重要的意義。森林資源監(jiān)測體系是組織、建立、實施森林資源監(jiān)測的一整套方法。傳統(tǒng)的森林資源調(diào)查和監(jiān)測技術(shù)方法以地面測量為主，存在著工作量大、勞動強度大、成本高、周期長、效率低、時效性差等問題，而且調(diào)查精度不高，難以滿足當今林業(yè)發(fā)展的需要。研究表明，以
1: 10000地形圖為工作手圖實地勾繪小班,面積平均誤差為25.0%,中心位置平均位移77.1m,邊界平均位移9.3m。因此，長期以來，眾多學者致力于研究探討新的適用的技術(shù)體系和方法。以遙感為主，包括地理信息系統(tǒng)和全球定位系統(tǒng)的3S技術(shù)及其集成，由于其具有傳統(tǒng)技術(shù)不可比擬的優(yōu)勢，成為當前森林資源調(diào)查和監(jiān)測研究的重點和熱點。森林面積調(diào)查和監(jiān)測是森林資源監(jiān)測最基本、最關(guān)鍵的內(nèi)容。遙感技術(shù)用于森林資源監(jiān)測，必須首先研究解決森林面積估測問題，亦即是解決遙感圖像的森林分類問題。然而，當今遙感技術(shù)在森林資源調(diào)查和監(jiān)測中的應(yīng)用還存在很多問題需要深入研究解決:一是森林和土地分類問題還未得到很好解決，能分離的類型個數(shù)和分類精度與相關(guān)技術(shù)標準的要求差距甚遠。尤其在地形地貌復雜、森林分布破碎、種類和類型多祥、結(jié)構(gòu)復雜的南方林區(qū)，情況更是如此；ニ是森林區(qū)劃過于粗糙，最小成圖面積遠大于技術(shù)標準要求。由于過往大多采用的中低空間分辨率遙感圖像，造成了森林區(qū)劃最小面積過大且成圖比例尺較小。森林分類是遙感技術(shù)在森林資源調(diào)查和監(jiān)測中應(yīng)用中最為關(guān)鍵的技木。本發(fā)明采用空間分辨率為2.5m的ALOS遙感數(shù)據(jù)，探索出一種基于面向?qū)ο蟮纳诌b感分類方法，旨在提高森林分類精度，為實現(xiàn)森林資源的快速準確監(jiān)測提供一條有效途徑。

發(fā)明內(nèi)容
本發(fā)明將提供一種針對高分辨率遙感影像的，基于面向?qū)ο筮b感影像分類技術(shù)的森林分類方法。發(fā)明要解決的技術(shù)問題:
傳統(tǒng)的分類方法在分類時僅依靠地物的光譜信息，基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法更多的是利用地物的幾何形態(tài)、結(jié)構(gòu)信息，如紋理、形狀、結(jié)構(gòu)和空間組合關(guān)系等，顧及更多的結(jié)構(gòu)、特征等信息，提高了分類精度；建立了面向遙感的森林ニ級分類體系，確保了森林遙感監(jiān)測數(shù)據(jù)的分類一致性和結(jié)果可比性；根據(jù)篩選出的關(guān)鍵指數(shù)，提出了一種便捷、準確、高效的分層逐步分類提取法，方法具有較好的可操作性和可重復性，能夠?qū)崿F(xiàn)區(qū)域森林資源的快速準確監(jiān)測?；诿嫦?qū)ο蟮母叻直媛蔬b感影像森林分類方法，包括以下步驟:步驟1:數(shù)據(jù)源選擇。選擇的數(shù)據(jù)源為高分辨率衛(wèi)星遙感影像數(shù)據(jù)，如ALOS，SPOT，Quick Bird等數(shù)據(jù)，并輔以高程數(shù)據(jù)、林業(yè)調(diào)查數(shù)據(jù)等相關(guān)數(shù)據(jù)資料，同時結(jié)合實地調(diào)查數(shù)據(jù)進行分析。步驟2:圖像預處理。圖像分類前，對遙感影像進行預處理，包括大氣校正、幾何校正、投影轉(zhuǎn)換、剪裁拼接等，并對全色波段圖像及多光譜圖像進行影像融合。步驟3:建立森林分類系統(tǒng)。根據(jù)遙感影像數(shù)據(jù)的信息可辨識性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級分類體系。ー級分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常緑落葉、闊葉混交林及落葉闊葉林。步驟4:建立森林遙感分類標志庫。通過實地考察，確定各森林類型的大體分布情況及分布規(guī)律，記錄典型分布點位，結(jié)合野外GPS定位，將各森林類型的實地考察點坐標與遙感影像進行空間匹配，獲取各森林類型的遙感影像特征。步驟5:建立森林遙感分類輔助數(shù)據(jù)集及集成影像。輔助數(shù)據(jù)集主要包括DEM數(shù)字高程數(shù)據(jù)及其衍生出來的坡度、坡向數(shù)據(jù)、NDVI (Normalized Difference VegetationIndex，歸ー化植被指數(shù))數(shù)據(jù)(通過遙感影像波段計算得到)等。將各輔助數(shù)據(jù)分別作為ー個波段疊加到遙感影像波段中，組合成用于遙感影像分類的集成影像。步驟6:基于面向?qū)ο蟮纳址诸悺Ｔ贓NVI ZOOM軟件平臺下進行森林遙感分類，首先通過調(diào)試，確定圖像分割系數(shù)，生成集成圖像的對象圖層。然后，采用專家知識分類法，利用對象圖層中各對象的空間、光譜和紋理特征構(gòu)建各森林類型的信息提取知識規(guī)則。最后，將獲取的特征信息輸出為矢量文件，獲得初歩的森林分類數(shù)據(jù)。在制定各森林類型的信息提取知識規(guī)則的過程中，本發(fā)明篩選出了區(qū)分森林類型的關(guān)鍵指數(shù)，主要包括DEM、NDVI及intensity等。根據(jù)這些關(guān)鍵指數(shù),提出了一種便捷、準確、高效的分層逐步分類提取法:I)根據(jù)NDVI指數(shù)劃分植被與非植被；2)根據(jù)光譜特征與色調(diào)差異區(qū)分草地與森林(草本植物比較低矮，受陰影影響較小，在高分辨率遙感影像上表現(xiàn)為均勻的淺色調(diào))；3)根據(jù)紋理特征及時相差異區(qū)分耕地與森林(采用農(nóng)作物播種期或收割期時段的影像，與成熟期時段的影像進行比較，提取耕地信息)；4)根據(jù)Color Space and BandRatio Attributes特征選項中的intensity指數(shù)劃分針葉林、闊葉林及針闊葉混交林；5)根據(jù)DEM高程數(shù)據(jù),將針葉林劃分為暖性針葉林和溫性針葉林；6)根據(jù)NDVI指數(shù)，結(jié)合多時相遙感數(shù)據(jù)，將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。步驟7:將分類結(jié)果導入ArcGIS中，對照遙感影像，參考地形圖和其他相關(guān)專題圖件，結(jié)合實地調(diào)查情況，對錯誤的分類結(jié)果進行目視解譯修訂，以確保分類精度。步驟8:實地調(diào)查驗證。對初步的森林分類數(shù)據(jù)采用分層隨機采樣的方法進行精度分析。通過野外實地調(diào)研，確定驗證樣點的真實屬性，與初歩的分類結(jié)果進行比較，確定分類結(jié)果的精度。本發(fā)明的有益效果:1、本發(fā)明所選取的面向?qū)ο蟮膱D像分類方法在分類時不僅依靠地物的光譜信息，更多的是利用地物的幾何形態(tài)、結(jié)構(gòu)信息，如紋理、形狀、結(jié)構(gòu)和空間組合關(guān)系等，與傳統(tǒng)的分類方法相比，該方法由于顧及了更多的結(jié)構(gòu)、特征等信息，避免了同一地物內(nèi)部異質(zhì)性增強導致的“椒鹽現(xiàn)象”的產(chǎn)生，提高了分類精度。2、本發(fā)明所選取的遙感影像具有高分辨率、高精度的特點，能夠保證森林分類的精確度。3、本發(fā)明建立了面向遙感的森林ニ級分類體系，確保了森林遙感監(jiān)測數(shù)據(jù)的分類一致性和結(jié)果可比性。在實際應(yīng)用中，可以根據(jù)不同的森林調(diào)整森林劃分的種類。4、本發(fā)明創(chuàng)建了森林遙感分類輔助數(shù)據(jù)集及集成影像，實現(xiàn)了對遙感影像數(shù)據(jù)的信息補充。5、本發(fā)明篩選出了區(qū)分森林類型的關(guān)鍵指數(shù)，井根據(jù)這些關(guān)鍵指數(shù)，提出了ー種便捷、準確、高效的分層逐步分類提取法，用以制定各森林類型的信息提取知識規(guī)則，其處理流程適合于區(qū)域中小尺度森林資源遙感監(jiān)測，方法具有較好的可操作性和可重復性，能夠?qū)崿F(xiàn)區(qū)域森林資源的快速準確監(jiān)測。


圖1本發(fā)明森林遙感分類流程2本發(fā)明實施例井岡山自然保護區(qū)各森林類型信息提取知識規(guī)則的流程3本發(fā)明實施例的森林信息提取結(jié)果圖
具體實施例方式(一 )實施例選擇選擇井岡山國家級自然保護區(qū)為實施例，該保護區(qū)位于中國江西省西南部(E114。04' 16'，N26。38' 40'，)，總面積214.99km2，屬森林生態(tài)系統(tǒng)類型自然保護區(qū)，是目前世界上同緯度保存最完整的中亞熱帶天然常綠闊葉林保護區(qū)。保護區(qū)內(nèi)森林區(qū)系成份古老、復雜，是距今約6千萬年前遺留下來的古老而又比較完整的新生代第三紀森林生態(tài)系統(tǒng)。區(qū)域內(nèi)地形復雜，山體巍蛾，溝壑縱橫，地勢西、南高，東、北低。氣候溫暖濕潤，年均溫為14 17°C，年降水量為1865.5毫米，無霜期為250天，屬亞熱帶濕潤季風氣候區(qū)。保護區(qū)地處中亞熱帶的典型地帯，區(qū)域內(nèi)森林植被以中亞熱帶常綠闊葉林為主，主要植被類型有針葉林、常綠闊葉林、落葉闊葉林、常緑落葉闊葉混交林、針闊葉混交林等。保護區(qū)內(nèi)土壌具有顯著的中亞熱帶山地森林土壌的性質(zhì)，成土母巖主要為板巖、花崗巖、石英巖、石英質(zhì)砂巖等，森林土壤類型有山地紅壤、山地黃壤、山地暗黃棕壤、山地草甸土等。( ニ)數(shù)據(jù)源選擇本實施例選擇ALOS(Advanced Land Observation Satellite)高分辨率遙感影像數(shù)據(jù)為數(shù)據(jù)源。ALOS是日本的對地觀測衛(wèi)星，于2006年I月24日發(fā)射升空。ALOS衛(wèi)星載有三個傳感器:全色遙感立體測繪儀(PRISM)，先進可見光與近紅外輻射計_2 (AVNIR-2)，相控陣型L波段合成孔徑雷達(PALSAR)。ALOS衛(wèi)星全色影像具有較高的空間分辨率(2.5m)，多光譜影像空間分辨率為10m，光譜信息豐富。波長范圍為0.52-0.77 iim，共包含藍、緑、紅和近紅外4個波段。本實施例所選用的ALOS影像成像時間為2008年11月29日。本實施例收集了一系列輔助數(shù)據(jù)資料，主要包括:2009年井網(wǎng)山市森林ニ類調(diào)查小班數(shù)據(jù)；I: 50000井岡山自然保護區(qū)地形圖；I: 25000井岡山自然保護區(qū)林相圖(2004);井岡山森林小班因子屬性表(2004);交通、水系、行政區(qū)劃、居民點等基礎(chǔ)信息數(shù)據(jù)。(三)遙感影像預處理遙感影像預處理過程主要包括對ALOS遙感影像的全色圖像及多光譜圖像進行大氣校正、幾何校正、投影轉(zhuǎn)換、采用井網(wǎng)山保護區(qū)邊界矢量數(shù)據(jù)對圖像進行裁剪，并采用ISH法對ALOS影像的全色波段圖像及多光譜圖像進行影像融合。(四)建立森林分類系統(tǒng)。根據(jù)遙感影像數(shù)據(jù)的信息可辨識性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級分類體系。ー級分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。(五)建立森林遙感分類標志庫。通過對井R山保護區(qū)的實地考察，記錄各森林類型的分布情況、分布規(guī)律及外相特征，同時記錄每個森林類型的典型分布地點的地理坐標，將各森林類型的實地考察點坐標與遙感影像進行空間匹配，獲取各森林類型的遙感影像特征。本實施例中共記錄森林標志點204個，平均每個森林類型記錄標志點30個以上，同時，記錄了 64個非林地標志點，用以比較區(qū)分易于林地相混淆的地物類型。(六)建立森林遙感分類輔助數(shù)據(jù)集及集成影像。本實施例的輔助數(shù)據(jù)集主要包括空間分辨率為30m的DEM數(shù)字高程數(shù)據(jù)(由NASA官方網(wǎng)站下載得到)及其衍生出來的坡度、坡向數(shù)據(jù)(坡度及坡向數(shù)據(jù)在ArcGIS軟件平臺中生成)、NDVI (Normalized DifferenceVegetation Index,歸ー化植被指數(shù))數(shù)據(jù)(通過遙感影像波段計算得到)等。再ENVI軟件平臺下，將各輔助數(shù)據(jù)分別作為ー個波段疊加到遙感影像波段中，組合成用于遙感影像分類的集成影像。(七)基于面向?qū)ο蟮纳址诸?。在ENVIZOOM軟件平臺下進行森林遙感分類，首先通過調(diào)試，確定圖像分割系數(shù)(兩個關(guān)鍵系數(shù)Segment Scale Level及Merge Level分別設(shè)置為60.0及90.0)，生成集成圖像的對象圖層。然后，采用專家知識分類法，利用對象圖層中各對象的空間、光譜和紋理特征構(gòu)建各森林類型的信息提取知識規(guī)則。最后，將獲取的特征信息輸出為矢量文件，獲得初歩的森林分類數(shù)據(jù)。在制定各森林類型的信息提取知識規(guī)則的過程中，本實施例篩選出了區(qū)分森林類型的關(guān)鍵指數(shù)，主要包括DEM、NDVI及intensity等。根據(jù)這些關(guān)鍵指數(shù),采用分層逐步分類提取法對森林進行分類，1)NDVI指數(shù)劃分植被與非植被；2)根據(jù)光譜特征與色調(diào)差異區(qū)分草地與森林(草本植物比較低矮，受陰影影響較小，在高分辨率遙感影像上表現(xiàn)為均勻的淺色調(diào))；3)根據(jù)紋理特征及時相差異區(qū)分耕地與森林(采用農(nóng)作物播種期或收割期時段的影像，與成熟期時段的影像進行比較，提取耕地信息)；4)根據(jù)Color Space and Band Ratio Attributes特征選項中的intensity指數(shù)劃分針葉林、闊葉林及針闊葉混交林；5)根據(jù)DEM高程數(shù)據(jù),將針葉林劃分為暖性針葉林和溫性針葉林；6)根據(jù)NDVI指數(shù)，結(jié)合多時相遙感數(shù)據(jù)，將闊葉林劃分為常綠闊葉林、常緑落葉、闊葉混交林及落葉闊葉林。最終確定各森林類型的信息提取知識規(guī)則如下:各森林類型信息提取知識規(guī)則
權(quán)利要求
1.一種基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法，其特征在于以高分辨率遙感影像為基礎(chǔ)，采用面向?qū)ο蟮膱D像分類方法，建立了面向遙感的森林ニ級分類系統(tǒng)，創(chuàng)建了森林遙感分類輔助數(shù)據(jù)集及集成影像，篩選出區(qū)分森林類型的關(guān)鍵指數(shù)，井根據(jù)關(guān)鍵指數(shù)提出了一種分層逐步分類提取法用以制定各森林類型的信息提取知識規(guī)則。具體包括以下步驟: 步驟1:數(shù)據(jù)源選擇。選擇的數(shù)據(jù)源為高分辨率衛(wèi)星遙感影像數(shù)據(jù)，如ALOS，SPOT,Quick Bird等數(shù)據(jù)，并輔以高程數(shù)據(jù)、林業(yè)調(diào)查數(shù)據(jù)等相關(guān)數(shù)據(jù)資料，同時結(jié)合實地調(diào)查數(shù)據(jù)進行分析。
步驟2:圖像預處理。圖像分類前，對遙感影像進行預處理，包括大氣校正、幾何校正、投影轉(zhuǎn)換、剪裁拼接等，并對全色波段圖像及多光譜圖像進行影像融合。
步驟3:建立森林分類系統(tǒng)。根據(jù)遙感影像數(shù)據(jù)的信息可辨識性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級分類體系。ー級分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。
步驟4:建立森林遙感分類標志庫。通過實地考察，確定各森林類型的大體分布情況及分布規(guī)律，記錄典型分布點位，結(jié)合野外GPS定位，將各森林類型的實地考察點坐標與遙感影像進行空間匹配，獲取各森林類型的遙感影像特征。
步驟5:建立森林遙感分類輔助數(shù)據(jù)集及集成影像。輔助數(shù)據(jù)集主要包括DEM數(shù)字高程數(shù)據(jù)及其衍生出來的坡度、坡向數(shù)據(jù)、NDVI (Normalized Difference Vegetation Index,歸ー化植被指數(shù))數(shù)據(jù)(通過遙感影像波段計算得到)等。將各輔助數(shù)據(jù)分別作為ー個波段疊加到遙感影像波段中，組合 成用于遙感影像分類的集成影像。
步驟6:基于面向?qū)ο蟮纳址诸?。在ENVI ZOOM軟件平臺下進行森林遙感分類，首先通過調(diào)試，確定圖像分割系數(shù)，生成集成圖像的對象圖層。然后，采用專家知識分類法，利用對象圖層中各對象的空間、光譜和紋理特征構(gòu)建各森林類型的信息提取知識規(guī)則。最后，將獲取的特征信息輸出為矢量文件，獲得初歩的森林分類數(shù)據(jù)。
步驟7:將分類結(jié)果導入ArcGIS中，對照遙感影像，參考地形圖和其他相關(guān)專題圖件，結(jié)合實地調(diào)查情況，對錯誤的分類結(jié)果進行目視解譯修訂。
步驟8:實地調(diào)查驗證。對初步的森林分類數(shù)據(jù)采用分層隨機采樣的方法進行精度分祈。通過野外實地調(diào)研，確定驗證樣點的真實屬性，與初歩的分類結(jié)果進行比較，確定分類結(jié)果的精度。
2.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于以高分辨率遙感影像為數(shù)據(jù)源。高分辨率遙感影像具有高分辨率、高精度的特點，能夠保證森林分類的精確度。
3.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于采用面向?qū)ο蟮膱D像分類方法對森林進行遙感分類。面向?qū)ο蟮膱D像分類方法在分類時不僅依靠地物的光譜信息，更多的是利用地物的幾何形態(tài)、結(jié)構(gòu)信息，如紋理、形狀、結(jié)構(gòu)和空間組合關(guān)系等，與傳統(tǒng)的分類方法相比，該方法由于顧及了更多的結(jié)構(gòu)、特征等信息，避免了同一地物內(nèi)部異質(zhì)性增強導致的“椒鹽現(xiàn)象”的產(chǎn)生，提高了分類精度。
4.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于根據(jù)高分辨率遙感影像數(shù)據(jù)的信息可辨識性，結(jié)合傳統(tǒng)森林分類系統(tǒng)，建立了面向遙感的森林ニ級分類體系。ー級分類將森林劃分為針葉林、闊葉林和針闊葉混交林三類。ニ級分類根據(jù)生境的差異將針葉林劃分為暖性針葉林和溫性針葉林；根據(jù)季相差異將闊葉林劃分為常綠闊葉林、常緑落葉、闊葉混交林及落葉闊葉林。
5.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于在制定各森林類型的信息提取知識規(guī)則的過程中，篩選出區(qū)分森林類型的關(guān)鍵指數(shù):DEM、NDVI, intensity等，井根據(jù)關(guān)鍵指數(shù)提出了一種分層逐步分類提取法用以制定各森林類型的信息提取知識規(guī)則，即:1)根據(jù)NDVI指數(shù)劃分植被與非植被；2)根據(jù)光譜特征與色調(diào)差異區(qū)分草地與森林(草本植物比較低矮，受陰影影響較小，在高分辨率遙感影像上表現(xiàn)為均勻的淺色調(diào))；3)根據(jù)紋理特征及時相差異區(qū)分耕地與森林(采用農(nóng)作物播種期或收割期時段的影像，與成熟期時段的影像進行比較，提取耕地信息)；4)根據(jù)Color Space and Band Ratio Attributes特征選項中的intensity指數(shù)劃分針葉林、闊葉林及針闊混交林；5)根據(jù)DEM高程數(shù)據(jù)，將針葉林劃分為暖性針葉林和溫性針葉林；6)根據(jù)NDVI指數(shù)，結(jié)合多時相遙感數(shù)據(jù)，將闊葉林劃分為常綠闊葉林、常綠落葉、闊葉混交林及落葉闊葉林。
6.根據(jù)權(quán)利要求1所述的森林分類方法，其特征是在于對照遙感影像，參考地形圖和其他相關(guān)專題圖件，結(jié)合實地調(diào)查情況，對錯誤的分類結(jié)果進行目視解譯修訂，以確保分類精度。
7.根據(jù)權(quán)利要求1所述的森林分類方法，其特征在于數(shù)據(jù)源選擇、圖像預處理、建立森林分類系統(tǒng)、建立森林遙感分類標志庫、建立森林遙感分類輔助數(shù)據(jù)集及集成影像、基于面向?qū)ο蟮纳址诸?、目視解譯修訂、實地調(diào)查驗證這樣順序的高分辨率遙感影像森林分類方法流程。
全文摘要
本發(fā)明公開了一種基于面向?qū)ο蟮母叻直媛蔬b感影像森林分類方法。該方法以高分辨率遙感影像為基礎(chǔ)，采用面向?qū)ο蟮膱D像分類方法，建立了面向遙感的森林二級分類系統(tǒng)，創(chuàng)建了森林遙感分類輔助數(shù)據(jù)集及集成影像，篩選出區(qū)分森林類型的關(guān)鍵指數(shù)，并根據(jù)關(guān)鍵指數(shù)提出了一種分層逐步分類提取法用以制定各森林類型的信息提取知識規(guī)則。本發(fā)明處理流程適合于區(qū)域中小尺度森林資源遙感監(jiān)測，方法具有較好的可操作性和可重復性，能夠有效提高區(qū)域森林遙感監(jiān)測的效率和精度。
文檔編號G06K9/62GK103093233SQ201210506579
公開日2013年5月8日 申請日期2012年12月3日 優(yōu)先權(quán)日2012年12月3日
發(fā)明者張林波, 張繼平, 沃笑, 徐翠, 張海博 申請人:中國環(huán)境科學研究院