董心玉，范文義，田　甜

（東北林業(yè)大學(xué)　林學(xué)院，黑龍江 哈爾濱150040）

基于面向?qū)ο蟮馁Y源3號(hào)遙感影像森林分類(lèi)研究

董心玉，范文義，田甜

（東北林業(yè)大學(xué)林學(xué)院，黑龍江 哈爾濱150040）

森林類(lèi)型識(shí)別技術(shù)是遙感分類(lèi)中的重點(diǎn)和難點(diǎn)，采用面向?qū)ο蟮倪b感影像分類(lèi)方法是實(shí)現(xiàn)森林類(lèi)型分類(lèi)的新方法。資源3號(hào)遙感影像可為森林類(lèi)型提取提供新方向。以資源3號(hào)遙感影像作為基礎(chǔ)研究數(shù)據(jù)，采用面向?qū)ο蟮姆诸?lèi)方法，選擇分形網(wǎng)絡(luò)演化法進(jìn)行多尺度分層分割，并結(jié)合典型地物的光譜特征、紋理特征、幾何特征以及植被指數(shù)，構(gòu)建了適用于森林類(lèi)型提取的決策樹(shù)模型，并與分割尺度不同的支持向量機(jī)分類(lèi)方法進(jìn)行比較分析。結(jié)果表明：多層分割的決策樹(shù)分類(lèi)方法分類(lèi)精度高于單層分割的支持向量機(jī)分類(lèi)方法，分類(lèi)精度分別提高了6.1% 和12.5%。說(shuō)明建立多層分割的決策樹(shù)分類(lèi)方法適用于森林類(lèi)型的分類(lèi)研究。圖13表5參15

森林測(cè)計(jì)學(xué)；面向?qū)ο?；分型網(wǎng)絡(luò)演化算法；信息提?。粵Q策樹(shù)模型

森林資源是世界上最重要的資源之一，對(duì)生態(tài)功能具有不可替代的作用，且在經(jīng)濟(jì)、社會(huì)和環(huán)境的可持續(xù)發(fā)展中起著重要的調(diào)節(jié)作用［1］。隨著遙感影像空間分辨率的不斷提高以及分類(lèi)方法的不斷完善，使高精度的森林類(lèi)型識(shí)別逐漸成為可能。面向?qū)ο蟮姆诸?lèi)方法能夠充分利用高分辨率遙感影像豐富的形狀和紋理信息等多種特征，提高分類(lèi)精度，從而為遙感圖像分類(lèi)提供了一個(gè)新的方向。隨著面向?qū)ο蠓诸?lèi)方法的廣泛應(yīng)用，已有學(xué)者針對(duì)面向?qū)ο蟮姆椒ㄟM(jìn)行了研究，由于面向?qū)ο蟮姆椒ǜ淖兞藗鹘y(tǒng)的分類(lèi)方式，使面向?qū)ο蟮姆诸?lèi)方法成為遙感技術(shù)創(chuàng)新的熱門(mén)話(huà)題［2］。FROHN等［3］采用面向?qū)ο蟮哪：诸?lèi)的方法，對(duì)美國(guó)陸地衛(wèi)星4～5號(hào)專(zhuān)題制圖儀（thematic mapper，TM）影像進(jìn)行分類(lèi)處理，區(qū)分出較大范圍的落葉森林覆蓋范圍。孫曉艷等［4-5］以法國(guó)SPOT衛(wèi)星第5顆衛(wèi)星獲取的遙感影像（SPOT5）數(shù)據(jù)為基礎(chǔ)，結(jié)合圖像的光譜紋理信息，采用面向?qū)ο蟮姆椒?gòu)建多尺度多層次結(jié)構(gòu)，對(duì)毛竹Phyllostachys edulis林信息進(jìn)行提取，結(jié)果證明其方法優(yōu)于基于像元的分類(lèi)方法。隨后，對(duì)SPOT5遙感影像和TM遙感影像進(jìn)行多源遙感數(shù)據(jù)整合，采用面向?qū)ο蟮姆指罘椒?，找出并確定最佳分割尺度，結(jié)果表明分類(lèi)精度高于其他森林類(lèi)型分類(lèi)精度。都金康等［6］采用面向?qū)ο蟮男畔⑻崛》椒?，把SPOT影像中的水體進(jìn)行剔除，有效地解決了水體和陰影容易混淆的問(wèn)題，使整體分類(lèi)精度達(dá)到96.4%。溫興平等［7］利用美國(guó)陸地探測(cè)衛(wèi)星系統(tǒng)裝備的Enhanced Thematic Mapper Plus設(shè)備獲取遙感影像（ETM+遙感影像）的波段組合數(shù)據(jù)進(jìn)行信息提取，并結(jié)合決策樹(shù)分類(lèi)算法，結(jié)果證明分類(lèi)精度得到了提高。近年來(lái)，面向?qū)ο蟮姆诸?lèi)方法，主要是采用分形網(wǎng)絡(luò)演化算法（fractal net evolution approach-FNEA）進(jìn)行分割，該算法分割穩(wěn)定，在德國(guó)專(zhuān)業(yè)軟件eCognition上得到了廣泛的應(yīng)用。分形網(wǎng)絡(luò)演化算法結(jié)合地物的光譜特征、形狀特征、緊致度、光滑度，將地物分割成不同對(duì)象進(jìn)行分類(lèi)研究，避免了分類(lèi)過(guò)程中的“椒鹽現(xiàn)象”。對(duì)于大數(shù)據(jù)量的影像進(jìn)行分割時(shí)，分割速度較慢，影像整體分割效率低。目前，采用資源3號(hào)遙感影像進(jìn)行面向?qū)ο蟮亩喑叨确謱臃指钛芯枯^少，且分類(lèi)方法多采用傳統(tǒng)基于像元的分類(lèi)方法，對(duì)于利用信息提取技術(shù)構(gòu)建決策樹(shù)模型研究森林類(lèi)型較少［8］。本研究以2012年10月的資源3號(hào)衛(wèi)星遙感數(shù)據(jù)作為基礎(chǔ)，在專(zhuān)業(yè)軟件eCognition平臺(tái)上利用分形網(wǎng)絡(luò)演化算法對(duì)圖像進(jìn)行多層分割，結(jié)合遙感影像的紋理信息、光譜信息、幾何信息等特征，建立多層次結(jié)構(gòu)，并結(jié)合決策樹(shù)的分類(lèi)方法進(jìn)行逐級(jí)分層分類(lèi)，希望提高森林類(lèi)型信息提取的精度。

1　研究區(qū)域以及數(shù)據(jù)預(yù)處理

1.1研究區(qū)域

本研究以黑龍江省大興安嶺地區(qū)塔河縣為研究區(qū)域。塔河縣境內(nèi)地形復(fù)雜，植被類(lèi)型多，分布著不同植被。塔河縣屬寒溫帶大陸性氣候。該區(qū)域的地理?xiàng)l件和氣候條件，使境內(nèi)林木茂密、樹(shù)種豐富，森林覆蓋率為81%，主要樹(shù)種有落葉松Larix gmelinii，白樺Betula platyphylla，楊樹(shù)Populus spp.等10余種。

1.2遙感數(shù)據(jù)預(yù)處理

本研究采用的遙感影像數(shù)據(jù)為資源3號(hào)衛(wèi)星多光譜影像，分辨率為5.8 m，成像時(shí)間為2012年10 月7日。首先，對(duì)原始影像數(shù)據(jù)進(jìn)行FLAASH大氣校正。大氣校正的目的是消除大氣折射、散射等現(xiàn)象對(duì)地物反射的影像，提高地物提取精度。其次，以塔河地區(qū)1∶1萬(wàn)地形圖為參考，均勻選取20個(gè)控制點(diǎn)，采用二次多項(xiàng)式糾正方法，并根據(jù)資源3號(hào)衛(wèi)星的特點(diǎn)，結(jié)合RPC（rational polynomial coeffi cients，變換系數(shù)矩陣）參數(shù)，進(jìn)行正射校正，總RMSE為0.43，投影為WGS84/UTM。最后，將正射校正后的數(shù)據(jù)與二類(lèi)數(shù)據(jù)進(jìn)行疊加處理，并截取該影像的一部分進(jìn)行分類(lèi)處理。

1.3分類(lèi)系統(tǒng)的制定

本研究區(qū)為黑龍江省塔河地區(qū)的一部分，研究重點(diǎn)是森林類(lèi)型的分類(lèi)。根據(jù)黑龍江省森林資源規(guī)劃設(shè)計(jì)調(diào)查分類(lèi)系統(tǒng)的技術(shù)標(biāo)準(zhǔn)，將塔河地區(qū)地物類(lèi)型分為建設(shè)用地、水體、裸地、耕地、灌草地、有林地等六大類(lèi)別。由于本研究重點(diǎn)為森林類(lèi)型的識(shí)別，根據(jù)該區(qū)域的樹(shù)種組成中分析得到，該區(qū)域的有林地為落葉松林（落葉松占蓄積65%以上的林分），白樺林（白樺占蓄積65%以上的林分），楊樺林（楊樹(shù)和樺樹(shù)Betula sp.共同占蓄積65%以上的林分），闊葉混交林（主要有柳樹(shù)Salix babylonica，楊樹(shù)，柞樹(shù)Xylosma racemosum等），針闊混交林（主要有落葉松、白樺等），針葉混交林（主要有落葉松、樟子松Pinus sylvestris var.mongolica，云杉Picea asperata等）。

2　研究方法

2.1多尺度的分層分割

2.1.1影像分割本研究是基于影像的多尺度分層分割，以得到不同層次上的影像對(duì)象。在面向?qū)ο蟮膶?zhuān)業(yè)軟件eCognition平臺(tái)上進(jìn)行分形網(wǎng)絡(luò)演化法分割。該算法是根據(jù)影像對(duì)象的感興趣區(qū)域，在分割的尺度內(nèi)，影像分割后的大尺度和小尺度對(duì)象可同時(shí)存在并形成一個(gè)有層次的多尺度影像對(duì)象等級(jí)網(wǎng)絡(luò)。在分割中，同時(shí)要考慮影像的光譜特征、形狀特征和空間特征，并遵循異質(zhì)性最小的原則［9］。其中，異質(zhì)性度量準(zhǔn)則的計(jì)算公式為：

式（1）和式（2）中：F代表異質(zhì)性準(zhǔn)則，ω1表示顏色和形狀的權(quán)重，h1和h2分別代表顏色差異性度量和形狀差異性度量，其中h2形狀差異性度量又分為平滑度h3和緊致度h4，ω2表示平滑度和緊致度的權(quán)重值，平滑度表示的是合并后區(qū)域邊界的光滑程度，而緊致度是為了保證合并后區(qū)域更加緊湊，它們各占有一個(gè)權(quán)值構(gòu)成了形狀差異性度量。由此可見(jiàn)，多層多尺度的分割不但可以針對(duì)不同地物進(jìn)行不同尺度的分割，而且還可以結(jié)合地物的空間特征和形狀特征進(jìn)行更加準(zhǔn)確地分割。同時(shí)，結(jié)合分類(lèi)時(shí)上下層的關(guān)系，上一層為下一層的 “父層”，利用 “父”與 “子”的對(duì)象關(guān)系特征，在 “父層”的條件下，對(duì)“子層”進(jìn)行更深層次地分割。

2.1.2分割規(guī)則在分割的過(guò)程中，分割參數(shù)選擇一般包括尺度、層數(shù)的選擇、顏色因子、形狀因子、光滑度、緊致度等［4］。在本研究中，分割規(guī)則的確定主要考慮了以下幾個(gè)方面：①多層次分割，根據(jù)地物的光譜特點(diǎn)、幾何形狀、拓?fù)涮卣鱽?lái)確定設(shè)置的每層的規(guī)則。②根據(jù) “父層”與 “子層”的關(guān)系，由“子層”繼承 “父層”，并且增加 “子層”自己的特征。根據(jù)以上分割規(guī)則，經(jīng)過(guò)多次試驗(yàn)，對(duì)影像進(jìn)行實(shí)用性的分割。層1進(jìn)行水體分割，分割尺度不宜過(guò)大，以免造成地物破碎，故分割尺度為90；層2主要區(qū)分建設(shè)用地、裸地、耕地、灌草地、林地，因建設(shè)用地、耕地有一定的形狀特征，故結(jié)合地物的形狀特征，有效地將地物分開(kāi)；層3主要區(qū)分林地，根據(jù)各個(gè)樹(shù)種所呈現(xiàn)的光譜特征、形狀特征、緊致度、平滑度，并與現(xiàn)有地面數(shù)據(jù)進(jìn)行比較，有效提取地物。表1為各個(gè)層次分割的具體參數(shù)。

表1　多層分割尺度參數(shù)Table 1　Multilayer segmentation scale parameter

2.2對(duì)象的特征選取

分層分割后，利用分割后的對(duì)象選取訓(xùn)練樣地進(jìn)行統(tǒng)計(jì)分析，根據(jù)每個(gè)類(lèi)型的各個(gè)特征的差異確定分類(lèi)特征，為分類(lèi)做準(zhǔn)備。

式（4）中：M（S）表示像素的亮度值，ωkB表示第k個(gè)波段所占的權(quán)重，即在假彩色合成影像上各個(gè)波段所占的比率，ωB表示總權(quán)重之和。在加入光譜信息的同時(shí)，在第2層分類(lèi)時(shí)，由于考慮到耕地與林地、建設(shè)用地與裸地的光譜相似性，故加入形狀信息進(jìn)行區(qū)分，分別選取基于形狀特征中的面積（area）和不對(duì)稱(chēng)性（asymmetry）［10］等信息。

2.2.2植被指數(shù)在植被遙感中，歸一化植被指數(shù)（INDVI）應(yīng)用最為廣泛，是植被生長(zhǎng)狀態(tài)以及植被覆蓋的最佳指示因子［11］。其計(jì)算公式如下：

式（5）中：ρnir表示近紅外光波段反射率；ρred表示紅光波段反射率。

2.2.3紋理信息在分類(lèi)時(shí)，由于灌草地、耕地與林地光譜信息比較相似，存在一定程度上的誤分現(xiàn)象，故在光譜信息的基礎(chǔ)上加入紋理信息?；叶裙采仃嚕╣rey level co-occurrence matrix，GLCM）反映出圖像灰度變化的綜合信息，以及分析圖像的排列規(guī)律和局部模式。其中，Homogeneity是GLCM的主要特征之一，表示該區(qū)域的同質(zhì)性，同質(zhì)性越高，其值越大［12］。根據(jù)以上統(tǒng)計(jì)分析方法得出所用的分類(lèi)指標(biāo)如表2。

表2　分類(lèi)指標(biāo)Table 2　Classification index

2.3分類(lèi)方法

決策樹(shù)分類(lèi)算法作為一種新型的分類(lèi)算法，具有靈活、清晰、高效的運(yùn)算效率等優(yōu)點(diǎn)，從而獲得廣泛的應(yīng)用［13］。

決策樹(shù)的分類(lèi)方法主要可以分為決策樹(shù)學(xué)習(xí)和決策樹(shù)分類(lèi)這2個(gè)方面。決策樹(shù)的學(xué)習(xí)過(guò)程是利用訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)（inductive learning），生成以決策樹(shù)形式表示的分類(lèi)規(guī)則［14］。決策樹(shù)分類(lèi)就是在訓(xùn)練樣本進(jìn)行決策樹(shù)學(xué)習(xí)并生成決策樹(shù)基礎(chǔ)上，根據(jù)屬性的取值對(duì)一個(gè)未知的樣本進(jìn)行分類(lèi)［15］。

圖1歸納了本研究采用面向?qū)ο蟮姆椒?，包括圖像多尺度分層分割、信息提取、決策樹(shù)分類(lèi)。

3　結(jié)果與分析

3.1圖像的分割結(jié)果

首先對(duì)水體分割，在滿(mǎn)足精細(xì)的條件下，分割尺度為90，分割出的水體整體性好，且邊緣輪廓明顯，經(jīng)過(guò)多次試驗(yàn)證明，分割尺度為200的大尺度分割，會(huì)造成水體與非水體的混淆；分割尺度為40的小尺度分割，造成地物對(duì)象破碎，后續(xù)分類(lèi)結(jié)果差，如圖2分割尺度分別為200，90，40。其次，對(duì)建設(shè)用地、裸地、耕地、灌草地、林地進(jìn)行分割，充分考慮形狀特征，在相同分割尺度下，形狀特征分別為0.1，0.5（圖3）；最后，對(duì)林地進(jìn)行單獨(dú)分割，考慮到樹(shù)種之間不同的光譜亮度，經(jīng)過(guò)多次分割、分類(lèi)試驗(yàn)，分割尺度為20時(shí)，林地分類(lèi)效果最好，如圖4所示。

3.2對(duì)象特征的統(tǒng)計(jì)分析

圖5為圖像分割對(duì)象的波段均值，圖6為不同對(duì)象的亮度值。從圖5和圖6中可以看出：①雖然不同對(duì)象的波段均值不同，但是植被之間的波段均值卻較為接近，要進(jìn)一步對(duì)植被進(jìn)行分類(lèi)，就要加入更多的特征信息。②不同對(duì)象的亮度均值呈現(xiàn)出不同的變化規(guī)律，能夠區(qū)分不同地物。

圖7為不同地物對(duì)象的INDVI提取值。由圖7可知：水體的INDVI值不同于其他地物對(duì)象，在進(jìn)行分類(lèi)時(shí)，引用INDVI值進(jìn)行區(qū)分第1層水體與非水體。在對(duì)第2層、第3層地物對(duì)象進(jìn)行分類(lèi)時(shí)，結(jié)合其他特征，亦可更好地區(qū)分不同地物。

3.3決策樹(shù)模型的建立

本研究利用專(zhuān)業(yè)軟件eCognition，根據(jù)不同層次的光譜信息、紋理信息、形狀信息以及植被指數(shù)，采用決策樹(shù)自動(dòng)分類(lèi)方法，得到分類(lèi)規(guī)則，如圖8。

3.4分類(lèi)結(jié)果及精度評(píng)定

3.4.1分類(lèi)結(jié)果本研究采用面向?qū)ο蟮亩喑叨榷鄬哟畏指罘椒ǎ浞掷玫匚飳?duì)象的光譜信息、紋理信息、植被指數(shù)等特征，結(jié)合地物多層分割（表1）以及決策樹(shù)分類(lèi)規(guī)則（圖8），得到研究區(qū)域的分類(lèi)結(jié)果。為了更好地驗(yàn)證本研究方法以及分類(lèi)精度，把多尺度分層分割的決策樹(shù)分類(lèi)方法定為方案1（圖9）；采用單層分割，分割尺度為40的支持向量機(jī)分類(lèi)方法定義為方案2（圖10），分割尺度為20的支持向量機(jī)分類(lèi)方法定義為方案3（圖11）。對(duì)3種方法進(jìn)行對(duì)比分析。

圖1　技術(shù)流程圖Figure 1　Flow chart of research

圖2　分割尺度分別為200，90，40Figure 2　Segmentation sca1e on 200，90，40

3.4.2精度評(píng)價(jià)本研究采用混淆矩陣的方法對(duì)最終分類(lèi)結(jié)果進(jìn)行精度評(píng)價(jià)，以二類(lèi)數(shù)據(jù)調(diào)查（圖12）以及外業(yè)調(diào)查所獲得的60個(gè)固定樣地點(diǎn)建立混淆矩陣，固定樣地面積為0.06 hm2·塊-1，調(diào)查內(nèi)容主要包括樹(shù)種組成、林分類(lèi)型、優(yōu)勢(shì)樹(shù)種組等（圖13），通過(guò)目視判讀，以對(duì)象為統(tǒng)計(jì)對(duì)象，均勻選取459個(gè)試驗(yàn)對(duì)象樣本，用混淆矩陣以及總體精度表示精度評(píng)定結(jié)果。對(duì)方案1和方案2的分類(lèi)結(jié)果進(jìn)行分析。如表3～4。

圖3　分割尺度為40，形狀特征分別為0.1和0.5Figure 3　Segmentation scale on 40，shape characteristic on 0.1 and 0.5

圖4　分割尺度為20Figure 4　Segmentation scale on 20

圖5　波段均值Figure 5　Band average

圖6　地物亮度統(tǒng)計(jì)Figure 6　Object brightness statistics

表3　方案1分類(lèi)精度及混淆矩陣Table 3　Classification accuracy and confusion matrix of solution 1

方案1的分類(lèi)精度達(dá)到85.3%，Kappa系數(shù)為0.812（表3），方案2的分類(lèi)精度達(dá)到79.2%，Kappa系數(shù)為0.766（表4），方案3的分類(lèi)精度達(dá)到72.8%，Kappa系數(shù)為0.705（表5），說(shuō)明采用多層分形網(wǎng)絡(luò)演化算法進(jìn)行分割，對(duì)光譜特征、紋理特征、幾何特征進(jìn)行計(jì)算、統(tǒng)計(jì)分析并最終確定分類(lèi)特征，建立決策樹(shù)模型進(jìn)行分類(lèi)，分類(lèi)結(jié)果高于單層分割的支持向量機(jī)分類(lèi)方法。方案1分類(lèi)精度高于方案2和方案3的分類(lèi)精度，說(shuō)明多層次分割以及對(duì)象的植被指數(shù)、紋理信息、光譜信息在分類(lèi)中起著重要的作用。方案1中，第1層分類(lèi)水體，分類(lèi)精度比方案2和方案3高，原因是由于方案2和方案3進(jìn)行單層次分割，分割較為破碎，造成部分水體誤分的現(xiàn)象，且在方案1中，根據(jù)提取INDVI信息，單獨(dú)提取水體，能夠有效將水體與非水體分開(kāi)。在第2層處理時(shí)，由于充分考慮到分割時(shí)的形狀特征，并且加入幾何信息，所以方案1比方案2分類(lèi)精度更高，且方案3中，耕地誤分現(xiàn)象明顯，是由于單層分割尺度不適合耕地分割，而耕地的光譜信息與林地較為接近，所以誤分現(xiàn)象高于方案1和方案2。在3層處理中，在方案1中，白樺林和楊樺林存在誤分現(xiàn)象，是由于楊樺林所含樹(shù)種與白樺林相似，且邊緣交界不明顯，故存在一定的誤分現(xiàn)象，但方案1中采用分層分割，剔除了其他地物對(duì)林地的影響，且加入光譜、紋理、植被指數(shù)等信息，故分類(lèi)精度高于方案2和方案3。在方案2中，有部分楊樺林、針闊混交林被誤分為白樺林，原因可能是3種森林類(lèi)型光譜信息比較相近，沒(méi)有紋理信息、植被指數(shù)等進(jìn)行區(qū)分，分類(lèi)效果較差。在方案3中，白樺林精度明顯低于其他森林類(lèi)型，是由于單層分割，分割尺度不適合所有地物，且分割尺度小，亦容易造成林地與非林地之間的混分現(xiàn)象，故分類(lèi)精度較差?？傮w來(lái)說(shuō)，方案1的分類(lèi)精度優(yōu)于方案2和方案3的分類(lèi)精度。

圖7　歸一化植被指數(shù)（NDVI）提取值Figure 7　NDVI extracting values

圖8　決策樹(shù)模型Figure 8　Decision tree model

圖9　方案1分類(lèi)結(jié)果圖Figure 9　Classification results of solution 1

圖10　方案2分類(lèi)結(jié)果圖Figure 10　Classification results of solution 2

圖11　方案3分類(lèi)結(jié)果圖Figure 11 Classification results of solution 3

圖12　塔河矢量圖及小班屬性信息Figure 12　Vector map of Tahe and the corresponding attribute table of sub-compartment

圖13　精度評(píng)價(jià)采樣點(diǎn)Figure 13　Sampling point for accuracy assessment

表4　方案2分類(lèi)分類(lèi)精度及混淆矩陣Table 4　Classification accuracy and confusion matrix of solution 2

表5　方案3分類(lèi)精度及混淆矩陣Table 5　Classification accuracy and confusion matrix of solution 3

4　結(jié)論與討論

本研究通過(guò)對(duì)資源3號(hào)遙感影像多次分割、分類(lèi)對(duì)比分析，找出最優(yōu)的分割尺度，并且提取地物對(duì)象的光譜信息、植被指數(shù)等，結(jié)合紋理信息、幾何信息，最終構(gòu)建適合于信息提取的決策樹(shù)模型。分類(lèi)結(jié)果表明：采用多層次分割的決策樹(shù)分類(lèi)方法比單層次分割的支持向量機(jī)分類(lèi)方法精度要高，能夠有效區(qū)分森林類(lèi)型，適用于森林類(lèi)型的提取。

雖然采用面向?qū)ο蟮姆诸?lèi)方法，可以大大提高分類(lèi)精度，但是由于闊葉林間有很大的相似性，分類(lèi)結(jié)果還存在一定的誤分現(xiàn)象。若能進(jìn)一步結(jié)合資源3號(hào)的立體像對(duì)信息，提取數(shù)字高程模型（DEM），有可能在一定程度上進(jìn)一步提高分類(lèi)精度。

［1］NELSO R，KRABILL W，MacLEAN G，et al.Determining forest canopy characteristics using airborne laster data［J］. Remote Sens Environ，1984，15（3）：201-212.

［2］BAATZ M，SCHPE A.Object-oriented and multi-scale image analysis in semantic networks［C］//International Trade Center.Operationalization of Remote Sensing：2nd International Symposium.Netherlands：International Trade Center，1999：16-20.

［3］FROHN R C，CHAUDHARY N.Multi-scale image segmentation and object-oriented processing for land cover classification［J］.GISci Remote Sens，2008，45（4）：377-391.

［4］孫曉艷，杜華強(qiáng)，韓凝，等.面向?qū)ο蠖喑叨确指畹腟POT5影像毛竹林專(zhuān)題信息提?。跩］.林業(yè)科學(xué)，2013，49（10）：80-87. SUN Xiaoyan，DU Huaqiang，HAN Ning，et al.Multi-scale segmentation，object-based extraction of moso bamboo forest from SPOT5 imagery［J］.Sci Silv Sin，2013，49（10）：80-87.

［5］SUN Xiaoyan，DU Huaqiang，HAN Ning，et al.Synergistic use of Landsat TM and SPOT5 imagery for object-based forest classification［J］.J Appl Remote Sens，2014，8（1）：83550-83564.

［6］都金康，黃永勝，馮學(xué)智，等.SPOT衛(wèi)星影像的水體提取方法及分類(lèi)研究［J］.遙感學(xué)報(bào)，2001，5（3）：214-219. DU Jinkang，HUANG Yongsheng，F(xiàn)ENG Xuezhi，et al.Study on water bodies extraction and classification from SPOT image［J］.J Remote Sens，2001，5（3）：214-219.

［7］溫興平，胡光道，楊曉峰.基于C5.0決策樹(shù)分類(lèi)算法的 ETM+影像信息提?。跩］.地理與地理信息科學(xué)，2007，23（6）：26-29. WEN Xingping，HU Guangdao，YANG Xiaofeng.Extracting information from ETM+image using C5.0 decision tree algorithm［J］.Geogr Geo-Inf Sci，2007，23（6）：26-29.

［8］劉充.基于資源3號(hào)衛(wèi)星遙感影像的城市綠地信息提取方法研究［D］.太原：太原理工大學(xué)，2014. LIU Chong.The Method of Urban Greenland Information Extraction Based on ZY-3 Remote Sensing Imagery［D］. Taiyuan：Taiyuan University of Technology，2014.

［9］BLASCHKE T，HAY G J.Object-oriented image analysis and scale-space：theory and methods for modeling and evaluating multi-scale landscape structure［J］.Int Arch Photogr Remote Sens，2001，34（4）：22-29.

［10］FUKUSHIMA S.Division-based analysis of symmetry and its application［J］.IEEE Trans Patt Anal Mach Intell，1997，19（2）：144-147.

［11］PUREVDORJ T S，TATEISHI R，INHIYARNA T，et al.Relationship between percent vegetation cover and vegetation indices［J］.Int J Remote Sens，1998，19（18）：3519-3535.

［12］KOSAKA N，AKIYAMA T，TSAI B，et al.Forest type classification using data fusion of multispectral and panchromatic high-resolution satellite imageries［J］.Int Geosci Remote Sens Symp，2005，4（5）：2980-2983.

［13］陳利，林輝，孫華，等.基于決策樹(shù)分類(lèi)的森林信息提取研究［J］.中南林業(yè)科技大學(xué)學(xué)報(bào)，2013，33（1）：46 -51. CHEN Li，LIN Hui，SUN Hua，et al.Studies on information extraction of forest based on decision tree classification ［J］.J Cent South Univ For Technol，2013，33（1）：46-51.

［14］李德仁，王樹(shù)良，李德毅，等.論空間數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)的理論與方法［J］.武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2002，27（3）：221-233. LI Deren，WANG Shuliang，LI Deyi，et al.Theories and technologies of spatial data mining and knowledge discovery［J］.Geom Inf Sci Wuhan Univ，2002，27（3）：221-233.

［15］HANSEN M，DUBAYAH R，DeFRIES R，et al.Classification trees：an alternative to traditional land cover classifiers ［J］.Intl J Remote Sens，1996，17（5）：1075-1081.

Object-based forest type classification with ZY-3 remote sensing data

DONG Xinyu，F(xiàn)AN Wenyi，TIAN Tian
（School of Forestry，Northeast Forestry University，Harbin 150040，Heilongjiang，China）

A new method of identification technology for forest types，an important and difficult part of remote sensing classification，uses object-oriented remote sensing image classification.It provides a new direction for forest type to extract which is based on ZY-3 remote sensing data.This study applied ZY-3 remote sensing data to the object-oriented classification method，chose hierarchical segmentation of a fractal network as an evolution method，and combined typical ground objects including spectrum features，texture features，geometrical characteristics，and vegetation indexes，to build a decision tree model which is applicable to forest types.Then，the different segmentation scale compared from the support vector machine（SVM）classification method.Results showed that classification accuracy of the decision tree classification method with multi-level segmentation （which increased 6.1%and 12.5%）was higher than the support vector machine（SVM）classification method with the different single segmentations.Thus，it would be suitable to build a decision tree classification with multi-level segmentation to the classification of forest type.［Ch，13 fig.5 tab.15 ref.］

forest mensuration；object-oriented；fractal net evolution approach；information extractioni；decision tree model

S758.4

A

2095-0756（2016）05-0816-10

10.11833/j.issn.2095-0756.2016.05.013

2015-11-30；

2016-01-03

國(guó)家高技術(shù)研究發(fā)展計(jì)劃（“863”計(jì)劃）資助項(xiàng)目（2012AA102001）

董心玉，從事遙感與地理信息系統(tǒng)研究。E-mail：794356637@qq.com。通信作者：范文義，教授，博士，從事定量遙感研究。E-mail：fanwy@163.com

浙 江 農(nóng) 林 大 學(xué) 學(xué) 報(bào)，2016，33（5）：816-825

Journal of Zhejiang A＆F University