多光谱 树种分类

I

基于多源遥感数据的森林植被类型分类方法研究

摘 要：森林是地球上最大的陆地生态系统，是人类赖以生存和发展的必要基础。它不仅给人类提供丰富的木材和林副产品，而且在调节气候、涵养水源、保护环境等方面均起到重要作用。因此，开展森林资源调查，掌握森林资源现状及其变化，对于提高林业发展决策水平，促进林业和社会经济乃至全球环境的可持续发展等具有极为重要的意义。

本文利用云南省迪庆藏族自治州五境乡、小中甸、上江乡的SPOT 2.5米分辨率全色影像与10米分辨率多光谱影像融合后形成的多遥感数据对森林植被类型分类方法进行研究，利用ENVI图像处理软件分别进行了传统的监督分类中的最小距离法、最大似然法和基于专家知识的决策树分类法的实验，而且还尝试了面向对象的新的分类方法，对不同的分类方法进行了分类精度的对比，从而提出一个基于多遥感数据的森林植被类型分类方法的可行性建议。

关键词：遥感；图像分类；SPOT5；最小距离法；最大似然法；面向对象 II

Classification of Forest Types Based on Multi-source Remote

Sensing Data

Abstract: Forest is the largest terrestrial ecosystem on the earth, it is a necessary basis

for human existence and development. It is not only to provide people with rich timber

and forest by-products, but also play an important role in climate regulation, water

conservation and protect environment. Therefore, developing forest resources

利用光谱遥感技术进行林木种类研究与分类

光谱遥感技术是一种非常有用的工具，可以帮助我们了解地球上不同地区的植被分布和种类。在林木种类研究和分类方面，光谱遥感技术在提供高效准确的数据方面有着巨大的潜力。本文将介绍利用光谱遥感技术进行林木种类研究与分类的方法和应用。

首先，光谱遥感技术可通过分析不同波段的反射率来识别和分类不同种类的林木。不同种类的植物具有不同的光谱特性，这些特征能够以数字化形式记录在光谱数据中。通过比较不同种类植物在不同波段的反射率变化，我们可以得到用于分类的重要特征。

在进行林木分类之前，我们需要采集大量的光谱数据。这些数据可以通过航空或卫星遥感技术获取。航空遥感技术使用搭载在航空器上的高分辨率光谱仪，可以获取更为详细和准确的光谱数据。而卫星遥感技术则能够覆盖更大范围的地区。通过对这些数据进行处理和分析，我们可以了解不同地区的植被类型和林木种类。 利用光谱遥感技术进行林木种类研究与分类需要一些先验知识。在开始研究时，我们需要进行地面调查和数据采集，确定不同地区的林木种类和分布情况。这些数据可以作为训练样本，用于开发分类算法和建立模型。

常用的光谱遥感技术中，最常使用的是多光谱遥感技术。多光谱遥感数据包含了多个波段的信息，从可见光到红外波段。这些波段各自对应着不同的光谱特征，可以提供丰富的信息用于分类分析。通过对多光谱数据进行特征提取和处理，例如主成分分析、线性判别分析和神经网络等方法，可以提取出林木种类分类所需的信息。

除了多光谱数据，高光谱遥感数据也被广泛应用于林木种类研究与分类。高光谱遥感数据包含更多的波段信息，通常涵盖了可见光和近红外波段。这种数据可以提供更为详细和精确的光谱特征，能够更准确地识别和分类不同种类的林木。

在利用光谱遥感技术进行林木种类研究与分类时，建立一个准确的分类模型是至关重要的。在模型的建立中，我们通常使用监督学习算法，例如支持向量机、随机森林和人工神经网络等方法。这些方法能够根据已知的训练样本进行分类模型的训练和测试，然后将学习到的模型应用于未知数据进行林木种类的分类。 在进行分类时，我们需要将光谱遥感数据与参考数据进行对比。参考数据通常是通过实地调查或遥感图像解译得到的，可以作为比较的标准。通过比较光谱数据与参考数据，我们可以进行准确的分类。

多光谱遥感图像分类算法研究与实现

随着技术开发的进步，遥感技术逐渐受到广泛关注。近年来，随着计算机技术的快速发展，人工智能等新技术的不断涌现，遥感图像分类算法的应用越来越广泛。多光谱遥感图像分类算法作为遥感图像分类领域的一种经典算法，其具有精度高、可靠性强等优点，得到广泛应用和研究。

一、多光谱遥感图像分类算法的定义

多光谱遥感图像分类算法是指运用机器学习方法对多光谱遥感图像中的特征进行学习和分类的一种算法。其基本思想是通过测量地球自然和人造物体反射或辐射出的电磁波的能量，形成具有不同波长和频率的多光谱图像，从而获取图像数据。通过对多光谱图像数据的处理和分析，可以提取具有代表性的信息，为不同地物的快速识别和分类提供有力支撑。

二、多光谱遥感图像特征提取

多光谱遥感图像分类算法的核心之一是特征提取。特征提取是利用计算方法，对多光谱图像中的像元进行判断和分类，从中提取出具有代表性的信息。其过程通常包括数据预处理、特征提取和特征选择等步骤。数据预处理包括图像去噪、图像增强等，以保证提取到的特征具有鲁棒性和稳定性。特征提取可以通过多种数学方法实现，如投影法、主成分分析法、独立成分分析法等。

三、多光谱遥感图像分类算法

多光谱遥感图像分类算法是将图像中的像元分为不同类别的过程。其目的是将图像像元的不同特征进行聚类，以便表现地物分类特征。它可以通过无监督和监督学习等方法实现。其中，无监督学习是指基于聚类分析的算法，可以在不事先知道分类种类的情况下对图像进行分类；监督学习是指通过已有的各类地物分类信息，建立分类模型，并在该模型指导下对图像进行分类。常见的多光谱遥感图像分类算法包括最小距离分类法、最大似然分类法、支持向量机分类法、决策树分类法等。 四、多光谱遥感图像分类算法实现

多光谱遥感图像分类算法实现的步骤包括图像预处理、特征提取、像元分类等。具体步骤如下：

1.图像预处理：对多光谱图像进行去噪、增强等处理，以提高算法的准确性。

·微机应用·

1引言

卫星遥感图像处理技术一直以来都是各国研

究的重点。遥感图像分类，是把在图像中的每个像

元[1]划分为若干类别中的一种，通过分析各种类地

物的光谱信息和空间信息，提取有效特征[2]，分析并

从中选择适合的特征参数，将特征空间划分为多个

互不交割的子空间，再将影像内各个像元划分到这

些空间中去[3]。卫星遥感图像的处理对于自然资源

的保护、民用设备的技术支持以及军方侦察的技术

支撑起到了至关重要的作用[4]。

传统的卫星遥感图像分类方法一般为监督分类、非监督分类、半监督分类，以及更加古老的目视

解译[5]。目视法耗时长，并对解译人员要求极高。较

为常用的监督分类方法有支持向量机（杂upport灾ector酝achine,SVM）、最小距离分类（酝inimum阅istance

悦lassification，MDC）、最大似然分类（酝aximum蕴ikeli原

hood悦lassification，MLC）等；而无监督分类有迭代自

组织数据分析技术A（陨terativeSelf-organizingDataAnalysisTechniquesA,ISODATA）分类、K均值聚类

算法分类等。其中，最小距离分类、最大似然分类、K

均值聚类算法分类算法在处理高分辨率卫星图时出

现精度达不到预期的问题[6]。上述分类算法皆为浅

层学习算法。由于只经过了较少层的线性与非线性基于CNN的多光谱遥感图像地物覆盖分类*

李玉峰，林辉

（沈阳航空航天大学电子信息工程学院，沈阳110136）

摘要:随着科技水平的提高，深度学习算法的出现为高分辨率遥感图像的研究带来了新的突破，但国内对于将深度学习应用于遥感图像处理的研究尚未广泛开展。为填补此类空白，提出一种基于卷积神经网络(CNN)的对于高分辨率多光谱遥感图像进行自动分类的方法，对传统CNN框架进行一定的优化并加入Inception结构，进而横向比对其与支持向量机(SVM)分类算法的实际分类效果。以卫星拍摄的地面实物图片为例对该方法进行实验，结果表明，所提出的基于CNN的分类方法相比于传统方法在精度上有显著提升，纹理特征更加突出，分类效果更加出众。关键词:遥感图像分类；卷积神经网络；支持向量机；径向基函数神经网络DOI:10.3969/j.issn.1002-2279.2019.01.010