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, Vol. 0 ›› 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, 0(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, 0(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]	马鸿伟, 刘海, 姚顺彬, 周蔚. 基于林业遥感的树种分类应用分析与展望[J]. 林业资源管理, 2020, 0(3): 118-121.
[2]	李瑛萍, 赵玉文, 姚祺, 杨小林, 赵垦田. 雅鲁藏布江中游巨柏种群立地分类研究[J]. 林业资源管理, 2020, 0(3): 78-84.
[3]	江仕嵘, 童亚文, 刘耀华, 张青峰, 洪波. 秦岭国家植物园生态环境质量评价[J]. 林业资源管理, 2020, 0(3): 85-88.
[4]	亓兴兰, 曹祖宁, 刘健, 陈芳, 庄苇. 基于卫星遥感影像的森林病虫害监测研究进展[J]. 林业资源管理, 2020, 0(2): 181-186.
[5]	焦银合, 于泉洲, 刘恩峰, 梁春玲, 田晓飞, 张保华. 基于遥感的南四湖菹草群落时空演变特征及其原因分析[J]. 林业资源管理, 2020, 0(1): 70-78.
[6]	金忠明, 曹姗姗, 王蕾, 孙伟. 天山云杉林无人机可见光影像树冠信息提取方法研究[J]. 林业资源管理, 2020, 0(1): 125-135.
[7]	熊昊, 庞勇, 李春干, 代华兵. 高分辨率航片小班区划与树种判读[J]. 林业资源管理, 2020, 0(1): 143-150.
[8]	林丽丽, 郝振帮, 戴姗霖, 杨柳青, 刘健, 余坤勇. 南方集体林区典型毛竹经营区林分质量遥感量化研究[J]. 林业资源管理, 2019, 0(6): 84-90.
[9]	袁昊, 陈宏伟, 齐麟, 房磊, 乔泽宇, 赵福强. 基于landsat影像大兴安岭地区林火烈度时空格局分析[J]. 林业资源管理, 2019, 0(6): 91-96.
[10]	徐晓峰, 张皓琳, 孙志超. 天地一体化森林防火监测体系建设[J]. 林业资源管理, 2019, 0(5): 121-129.
[11]	蔡林菲, 吴达胜, 方陆明, 郑辛煜. 基于XGBoost的高分二号影像树种识别[J]. 林业资源管理, 2019, 0(5): 44-51.
[12]	卢献健, 黄俞惠, 晏红波, 周吕, 吴宸龙, 周斌, 罗乐. 基于GEE平台广西桉树快速提取研究[J]. 林业资源管理, 2019, 0(5): 52-60.
[13]	陈新云, 李利伟, 刘承芳, 王六如, 丁靖. 热带原始森林类型分类和蓄积量遥感反演研究[J]. 林业资源管理, 2019, 0(2): 39-46.
[14]	武红敢, 牟晓伟, 杨清钰, 王成波. 无人机遥感技术在重庆市沙坪坝区松材线虫病监测中的应用[J]. 林业资源管理, 2019, 0(2): 109-115.
[15]	刘乾飞, 龙晓敏, 邓忠坚, 叶江霞. 无人机遥感技术在国家森林公园可视化场景快速构建中的应用[J]. 林业资源管理, 2019, 0(2): 116-122.