论文部分内容阅读
森林类别是林业资源管理与监测的重要基础数据之一,是林业建设各项决策的重要依据,能够准确、快速地获取森林类别信息一直是林业工作者的研究重点。时间序列影像能够反映植被的物候信息,有助于大幅度提高植被聚类精度,尤其对于单时相影像上生长特性相似的树种效果尤其明显,利用多时相或者时间序列的遥感影像中体现出的植被时间特性进行植被分类,一直是遥感植被分类中的重要研究方向和研究热点。利用遥感影像时间序列数据进行地物分类的关键是两序列的相似性分析,动态时间规整算法(DTW,Dynamic Time Warping)能够解决不等长时间序列的匹配问题,且能够抵抗由于云等噪声造成的时间序列中出现的异常值,从而取得更好的相似特征匹配效果。本文基于6景时间序列GF-1影像数据,分别采用DTW和欧式距离(ED,Euclidean distance)进行时间序列的相似性度量,分别将DTW距离和ED距离运用到K-Means算法中完成对图像林分的聚类,得到不同的初步林分类型聚类结果,最后初步聚类结果进行错分“椒盐”像元识别,然后利用加权K近邻方法进行林分类型再判断,完成影像分类后处理,最后对后处理过的分类结果进行精度验证和比较。研究结果表明:(1)8个树种在GF-1影像的蓝、绿、红、近红以及NDVI时间序列具有可区分差异,可见光波段(蓝、绿、红)对于树种分类的贡献率主要体现在冬季到生长季初期时间段(2月到5月);而近红外波段正好相反,其对树种分类的主要贡献时段是在生长季(6月到9月)过程中,冬季基本不能作为分类特征,说明对GF-1遥感图像时间序列进行林分类型分类的可行性。(2)基于CD-K Means的时间序列遥感影像树种聚类结果,总分类精度为90.84%,Kappa系数为0.88。基于DTW-K Means距离的时间序列遥感影像树种聚类结果,总分类精度为92.21%,Kappa系数为0.90,DTW-K Means方法对时间序列遥感影像树种分类能够达到很好的效果,且优于CD-K Means方法。