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

doi:10.13466/j.cnki.lyzygl.2017.04.014

Abstract

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

CLC Number:

S758
S771.8

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.

Figures/Tables 9

Fig.1

Fig.2

Fig.3

Tab.1

Fig.4

Tab.2

Tab.3

Tab.4

Tab.5

References 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