| 题名 | 基于小班对象的信息提取与森林蓄积量遥感估测研究 |
| 作者 | 程武学 |
| 学位类别 | 博士 |
| 答辩日期 | 2010-05-01 |
| 授予单位 | 中国科学院研究生院 |
| 授予地点 | 北京 |
| 导师 | 周万村 ; 周介铭 |
| 关键词 | RS GIS 影像融合 信息提取(知识发现) matlab 森林蓄积量遥感估测 BP神经网络模型 |
| 学位专业 | 自然地理学 |
| 中文摘要 | 《基于小班对象的信息提取与森林蓄积量遥感估测研究》是一项立足于理论，面向林业生产实践的应用性研究。本文在影像融合、信息提取以及森林蓄积量遥感估测等一系列相关理论、方法和原则的基础上，以像素级影像融合技术，神经网络模型技术，影像分割技术，地理信息系统技术等为主要的技术手段，以及相关的数理统计，线性回归方法为主要研究方法，比较全面和系统地研究了安居区 TM影像与CBERS影像的融合，然后以融合的结果为基础分别进行了基于matlab的神经网络模型信息提取研究和安居区森林蓄积量遥感估测模型研究。通过本项研究，主要取得了以下成果：1、采用6种像素级影像融合方法对四川省遂宁市安居区TM和CBERS影像进行融合，并基于matlab编写相关程序对融合后的影像质量进行评价。综合评价结果显示，在6种像素级影像融合方法中，小波变换(WAV)方法的融合质量最佳。2、分别采用非监督分类法、监督分类法及BP神经网络模型对融合后的研究区影像进行信息提取，并对监督分类法和BP神经网络模型法的信息提取精度进行了评价。通过对漏分误差和错分误差的具体数值的分析表明，BP神经网络的分类精度明显高于监督分类的结果。而且，水域和针叶林在用两种方法分类时精度都比较高，而混交林和居民点在融合后的TM影像自动分类过程中精度较低。3、基于matlab编写的BP神经网络程序运行良好。经过1281次学习训练，使得目标误差达到了0．00099，小于0．001的预期效果；而且最终的分类结果比较理想。4、应用最新理念的影像分类软件一面向对象分类软件eCognition公司出品的 Difiniens~（TM） Developer8．0对自动分类后的遥感影像进行不同尺度的分割，选取比较好的分割尺度提取不同的小班边界，经过人工修改后作为最终的界线存储。5、基于融合后的TM遥感影像和小班数据，系统地研究了森林蓄积量遥感估测模型的构建。从数据的采集、数据的筛选到最优变量的筛选、模型的合理性诊断以及最终的模型的构建都进行了比较详细的研究。建立的森林蓄积量遥感估测模型的最终显著性达到0．001，预报结果的相对误差为7．9％，基本上达到了林业生产上的要求。论文特色和创新点主要体现在以下几个方面：1、基于matlab编写了神经网络模式识别程序，程序运行良好，达到了预期的要求。同时利用面向对象的影像分类软件对遥感影像进行影像分割，提取小班界线。在自动提取森林小班界线的技术方面有所突破。2、基于小班对象提取影响森林蓄积量的遥感因子和GIS因子，使数据更加客观、有效。利用岭估计法和残差平方和等方法对影响森林蓄积量的遥感和GIS相关因子进行了筛选。并寻找出了最佳的变量组合。应用残差分析法，对异常值进行了剔除，对森林蓄积量定量估测模型进行了相关的诊断，得出了能比较客观反映研究区的森林蓄积量估测模型。3、将影像融合和基于小班的森林蓄积量估测结合起来进行研究，使森林蓄积量估测模型的精度有所提高。同时，可对森林资源数据库的自动更新提供良好的数据支撑。 |
| 英文摘要 | 《基于小班对象的信息提取与森林蓄积量遥感估测研究》是一项立足于理论，面向林业生产实践的应用性研究。本文在影像融合、信息提取以及森林蓄积量遥感估测等一系列相关理论、方法和原则的基础上，以像素级影像融合技术，神经网络模型技术，影像分割技术，地理信息系统技术等为主要的技术手段，以及相关的数理统计，线性回归方法为主要研究方法，比较全面和系统地研究了安居区 TM影像与CBERS影像的融合，然后以融合的结果为基础分别进行了基于matlab的神经网络模型信息提取研究和安居区森林蓄积量遥感估测模型研究。通过本项研究，主要取得了以下成果：1、采用6种像素级影像融合方法对四川省遂宁市安居区TM和CBERS影像进行融合，并基于matlab编写相关程序对融合后的影像质量进行评价。综合评价结果显示，在6种像素级影像融合方法中，小波变换(WAV)方法的融合质量最佳。2、分别采用非监督分类法、监督分类法及BP神经网络模型对融合后的研究区影像进行信息提取，并对监督分类法和BP神经网络模型法的信息提取精度进行了评价。通过对漏分误差和错分误差的具体数值的分析表明，BP神经网络的分类精度明显高于监督分类的结果。而且，水域和针叶林在用两种方法分类时精度都比较高，而混交林和居民点在融合后的TM影像自动分类过程中精度较低。3、基于matlab编写的BP神经网络程序运行良好。经过1281次学习训练，使得目标误差达到了0．00099，小于0．001的预期效果；而且最终的分类结果比较理想。4、应用最新理念的影像分类软件一面向对象分类软件eCognition公司出品的 Difiniens~（TM） Developer8．0对自动分类后的遥感影像进行不同尺度的分割，选取比较好的分割尺度提取不同的小班边界，经过人工修改后作为最终的界线存储。5、基于融合后的TM遥感影像和小班数据，系统地研究了森林蓄积量遥感估测模型的构建。从数据的采集、数据的筛选到最优变量的筛选、模型的合理性诊断以及最终的模型的构建都进行了比较详细的研究。建立的森林蓄积量遥感估测模型的最终显著性达到0．001，预报结果的相对误差为7．9％，基本上达到了林业生产上的要求。论文特色和创新点主要体现在以下几个方面：1、基于matlab编写了神经网络模式识别程序，程序运行良好，达到了预期的要求。同时利用面向对象的影像分类软件对遥感影像进行影像分割，提取小班界线。在自动提取森林小班界线的技术方面有所突破。2、基于小班对象提取影响森林蓄积量的遥感因子和GIS因子，使数据更加客观、有效。利用岭估计法和残差平方和等方法对影响森林蓄积量的遥感和GIS相关因子进行了筛选。并寻找出了最佳的变量组合。应用残差分析法，对异常值进行了剔除，对森林蓄积量定量估测模型进行了相关的诊断，得出了能比较客观反映研究区的森林蓄积量估测模型。3、将影像融合和基于小班的森林蓄积量估测结合起来进行研究，使森林蓄积量估测模型的精度有所提高。同时，可对森林资源数据库的自动更新提供良好的数据支撑。 |
| 公开日期 | 2013-02-19 |
| 内容类型 | 学位论文 |
| 源URL | [http://192.168.143.20:8080/handle/131551/4927]  |
| 专题 | 成都山地灾害与环境研究所_数字山地与遥感应用中心 |
| 推荐引用方式 GB/T 7714 | 程武学. 基于小班对象的信息提取与森林蓄积量遥感估测研究[D]. 北京. 中国科学院研究生院. 2010. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论