基于遥感影像和二类调查数据的林地类型分类方法对比研究——以广西凭祥市为例

doi:10.13466/j.cnki.lyzygl.2017.04.014

林业资源管理 ›› 2017›› Issue (4): 89-96.doi: 10.13466/j.cnki.lyzygl.2017.04.014

基于遥感影像和二类调查数据的林地类型分类方法对比研究——以广西凭祥市为例

张乃静(), 侯瑞霞, 纪平()

中国林业科学研究院资源信息研究所,北京 100091

收稿日期:2017-05-02 修回日期:2017-07-05 出版日期:2017-08-28 发布日期:2020-09-24
通讯作者: 纪平
作者简介:张乃静(1982-),女,天津人,助理研究员,博士,研究方向为数据挖掘、信息系统与信息共享。Email:zhangnaijing@ifrit.ac.cn
基金资助:
中央级公益性科研院所基本科研业务费专项(CAFYBB2017SZ006);国家国际科技合作专项项目(2014DFG32140)

Study on Classification Methods Based on Remote Sensing Image and Forest Resources Management Survey Data—Take Pingxiang,Guangxi Autonamous Region as an Example

ZHANG Naijing(), HOU Ruixia, JI Ping()

Research Institute of Forest Resource Information Techniques,Chinese Academy of Forestry,Beijing 100091,China

Received:2017-05-02 Revised:2017-07-05 Online:2017-08-28 Published:2020-09-24
Contact: JI Ping

摘要/Abstract

摘要：

基于Landsat 8 OLI遥感影像和森林资源二类调查数据,对有林地、灌木林地、未成林地和非林地等林地类型,分别采用最大似然、神经网络、支持向量机和决策树分类方法进行分类,验证分类精度,并对分类效果进行对比评价。结果表明:支持向量机分类方法表现最好,分类精度为78.7%,Kappa系数为0.76;其次为神经网络和决策树分类方法,分类精度分别为76.8%和72.5%,Kappa系数分别为0.72和0.68;最大似然法表现最差,分类精度为44.9%,Kappa系数为0.39。研究结果可为森林资源信息的快速提取提供理论依据。

关键词: 遥感, 二类调查, 分类

Abstract:

Based on Landsat-8 image and forest resources management survey data,different forest land types were classified by maximum likelihood classification (ML),neural net classification (NN),support vector machine classification (SVM) and decision tree classification (DT) methods,and then the precisions (P) of classifications were verified,and the performances of classifications were evaluated correlatively.The results show that the best performance was SVM (P=78.7%,Kappa=0.76),and the followings were NN (P=76.8%,Kappa=0.72) and DT (P=72.5%,Kappa=0.68),and the worst was ML (P=44.9%,Kappa=0.39).These results provide a theory basis for the rapid extraction of forest resources information of forestry science data platform.

Key words: remote sensing, forest resources management survey, classification

中图分类号:

S758
S771.8

张乃静, 侯瑞霞, 纪平. 基于遥感影像和二类调查数据的林地类型分类方法对比研究——以广西凭祥市为例[J]. 林业资源管理, 2017,(4): 89-96.

ZHANG Naijing, HOU Ruixia, JI Ping. Study on Classification Methods Based on Remote Sensing Image and Forest Resources Management Survey Data—Take Pingxiang,Guangxi Autonamous Region as an Example[J]. FOREST RESOURCES WANAGEMENT, 2017,(4): 89-96.

图/表 9

图1

图2

图3

表1

图4

表2

表3

表4

表5

参考文献 17

[1]	张超, 王妍. 森林类型遥感分类研究进展[J]. 西南林学院学报, 2010(6):83-89.
[2]	Shao G, Pauli B P, Haulton G S, et al. Mapping hardwood forests through a two-stage unsupervised classification by integrating Landsat Thematic Mapper and forest inventory data[J]. Journal of Applied Remote Sensing, 2014,8(1):83546. doi: 10.1117/1.JRS.8.083546
[3]	胡海清, 张喆, 吴学伟. 基于遥感的塔河林业局森林可燃物类型划分[J]. 东北林业大学学报, 2007,35(7):20-21.
[4]	朱清苗. 神经元网络在中山陵景区林业土地分类中的应用[D]. 南京:南京林业大学, 2004.
[5]	刘旭升, 张晓丽. 基于BP神经网络的森林植被遥感分类研究[J]. 林业资源管理, 2005(1):51-54.
[6]	任琼, 江洪, 陈健, 等. 基于支持向量机的生态公益林遥感分类研究[J]. 林业资源管理, 2009(1):107-113.
[7]	齐乐, 岳彩荣. 基于CART决策树方法的遥感影像分类[J]. 林业调查规划, 2011,36(2):62-66.
[8]	韩婷婷, 习晓环, 王成, 等. 基于决策树方法的云南省森林分类研究[J]. 遥感技术与应用, 2014,29(5):744-751. doi: doi:10.11873/j.issn.1004-0323.2014.5.0744
[9]	张雷. 基于3S技术的滇池流域土地利用变化研究[D]. 昆明:昆明理工大学, 2012.
[10]	王慧贤, 靳惠佳, 王娇龙, 等. K均值聚类引导的遥感影像多尺度分割优化方法[J]. 测绘学报, 2015(5):526-532. doi: 10.11947/j.AGCS.2015.20130497
[11]	沈照庆, 舒宁, 龚衍, 等. 基于改进模糊ISODATA算法的遥感影像非监督聚类研究[J]. 遥感信息, 2008(5):28-32.
[12]	张振华. 区域地质环境遥感调查数据分析及应用研究[D]. 北京:中国地质大学, 2009.
[13]	陈敬柱, 贺瑞霞, 郭恒亮. 最大似然法在植被信息识别提取中的应用[J]. 水文地质工程地质, 2004(2):94-96.
[14]	惠文华. 基于支持向量机的遥感图像分类方法[J]. 地球科学与环境学报, 2006(2):93-95.
[15]	杨希, 王鹏. 基于BP神经网络的高分辨率遥感影像分类[J]. 测绘, 2011,34(3):115-118.
[16]	申文明, 王文杰, 罗海江, 等. 基于决策树分类技术的遥感影像分类方法研究[J]. 遥感技术与应用, 2007(3):333-338.
[17]	王敏, 高新华, 陈思宇, 等. 基于Landsat 8遥感影像的土地利用分类研究——以四川省红原县安曲示范区为例[J]. 草业科学, 2015(5):694-701. doi: 10.11829\j.issn.1001-0629.2014-0263

分类	纯林	混交林	水体	建筑	农田	未成林地	灌木	竹林
纯林	66.32	35.37	0.00	0.00	0.00	9.11	13.95	0.00
混交林	1.81	13.94	0.00	0.00	0.00	2.88	6.74	0.00
水体	0.00	0.00	56.65	0.00	0.00	0.00	0.00	0.00
建筑	0.00	0.00	0.00	52.08	0.00	0.00	0.00	0.00
农田	0.00	0.00	0.29	0.39	46.75	0.00	0.12	0.00
未成林地	0.00	0.33	0.00	0.00	0.00	16.29	1.05	3.57
灌木	2.08	8.61	0.00	0.00	0.40	9.90	39.07	8.93
竹林	0.00	0.21	0.00	0.67	0.00	0.00	2.21	1.79
未识别	29.79	41.53	43.06	46.86	52.84	61.82	36.86	85.71

分类	纯林	混交林	水体	建筑	农田	未成林地	灌木	竹林
纯林	51.27	12.15	0.00	0.21	0.00	0.96	0.35	0.00
混交林	48.31	83.73	0.00	0.25	0.00	47.92	71.16	48.21
水体	0.00	0.00	98.38	0.11	3.68	0.00	0.00	0.00
建筑	0.00	0.08	0.06	96.98	0.80	0.00	0.00	19.64
农田	0.08	0.12	1.16	2.42	95.35	3.67	1.63	17.86
未成林地	0.08	0.00	0.00	0.00	0.17	33.71	3.14	10.71
灌木	0.27	3.91	0.40	0.04	0.00	13.74	23.72	3.57
竹林	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

分类	纯林	混交林	水体	建筑	农田	未成林地	灌木	竹林
纯林	81.25	46.25	0.00	0.32	0.00	8.79	11.40	0.00
混交林	16.86	63.60	0.00	0.04	0.00	16.36	37.44	19.64
水体	0.00	0.00	98.38	0.07	0.29	0.00	0.00	0.00
建筑	0.00	0.00	0.06	96.77	0.92	0.00	0.00	10.71
农田	0.12	0.00	1.04	2.20	98.45	3.83	1.05	21.43
未成林地	0.15	1.83	0.00	0.46	0.34	55.05	8.02	33.93
灌木	1.62	8.32	0.52	0.14	0.00	15.97	42.09	14.29
竹林	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00

分类	纯林	混交林	水体	建筑	农田	未成林地	灌木
纯林	68.65	30.64	1.36	2.40	0.68	32.48	16.67
混交林	25.58	67.63	0.00	1.60	0.00	30.17	51.96
水体	0.00	0.00	93.88	0.00	2.03	0.00	0.98
建筑	2.56	0.00	2.04	92.00	4.73	5.98	0.98
农田	0.00	0.00	2.72	3.60	92.57	0.00	0.00
未成林地	0.64	0.87	0.00	0.40	0.00	28.80	0.00
灌木	2.56	0.87	0.00	0.00	0.00	2.56	29.41
竹林	0.00	0.00	0.00	0.00	0.00	0.00	0.00

分类	最大似然	神经网络	支持向量机	决策树
纯林	66.32	51.27	81.25	68.65
混交林	13.94	83.73	63.60	67.63
水体	56.65	98.38	98.38	93.88
建筑	52.08	96.98	96.77	92.00
农田	46.75	95.35	98.45	92.57
未成林地	16.29	33.71	55.05	28.80
灌木	39.07	23.72	42.09	29.41
竹林	1.79	0.00	0.00	0.00
总体精度	44.87	76.79	78.70	72.50
Kappa系数	0.39	0.72	0.76	0.68

基于遥感影像和二类调查数据的林地类型分类方法对比研究——以广西凭祥市为例

Study on Classification Methods Based on Remote Sensing Image and Forest Resources Management Survey Data—Take Pingxiang,Guangxi Autonamous Region as an Example

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郝君, 吕康婷, 胡天祺, 王云阁, 徐刚. 基于机器学习的红树林生物量遥感反演研究[J]. 林草资源研究, 2024, 0(1): 65-72.
[2]	朱赞, 王勇军, 王建琦, 许玉兰, 丘鑫琪, 万喜. 基于无人机倾斜摄影的广西桉树冠层碳储量计量模型构建[J]. 林草资源研究, 2024, 0(1): 88-94.
[3]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[4]	谢卓洪, 陈佩彤, 符式培, 陈岸军, 李威, 梁新玲, 雷敏, 刘萍. 增城林场不同植物群落植物多样性及其影响因子分析[J]. 林草资源研究, 2023, 0(5): 63-71.
[5]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[6]	邹为民, 陈超, 黄蕾, 宋美萱, 李雪建, 杜华强. 地理加权回归模型结合卫星遥感的松阳县森林地上碳储量估算[J]. 林业资源管理, 2023, 0(4): 132-140.
[7]	梁立成, 傅晓强, 张滨, 程谷栒, 李佐晖. 基于GEE与随机森林的象山港互花米草动态监测[J]. 林业资源管理, 2023, 0(3): 38-45.
[8]	周梅, 李春干, 杨承伶, 李振. 无人机激光雷达人工林参数估测试验[J]. 林业资源管理, 2023, 0(3): 90-97.
[9]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[10]	高金萍, 于慧娜, 翟召坤. 高分多模卫星林业地类及树种识别应用研究[J]. 林业资源管理, 2023, 0(1): 127-132.
[11]	谢文春, 李强峰, 李艳春, 吴振山, 杨正凡. 基于面向对象的吉林一号遥感影像湿地植被群落分类[J]. 林业资源管理, 2023, 0(1): 141-152.
[12]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[13]	杨雪清, 孙志超, 王立生, 柴政, 邱议文, 蒋春颖. 森林可燃物大样地抽样调查方法研究[J]. 林业资源管理, 2022, 0(5): 53-59.
[14]	秦琳, 孟先进, 张水花, 薛亚东, 刘新科, 邢鹏. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022, 0(4): 126-133.
[15]	田海静, 王林, 韩立亮, 范云豹, 杨吉林. 基于哨兵2号多光谱遥感数据的草原植被盖度反演——以内蒙古自治区为例[J]. 林业资源管理, 2022, 0(4): 134-140.