ＣＨＩＮＥＳＥ ＨＯＲＴＩＣＵＬ＿ＴＵＲＥ ＡＢＳＴＲＡＣＴＳ 遥感植被分类方法研究进展 解韩玮，张琴 （西南林业大学计算机与信息学院，云南昆明６５０２２４） 摘一要：运用遥感技术的植被分类一直是植被资源调查、植被保护、环境监测等各个方向研究需要及研究热点之 。概述植被的划分依据，阐述常用的几种植被分类方法，指出当前遥感植被分类未解决的问题以及未来植被分 类的侧重方向。 关键词：植被；遥感；分类方法 遥感图像是电磁辐射与地球表面相互作用的一种记 ， 不同地表特征的每个过程的性质是不同的，这种性质的变 化不仅来自于地表特征的性质与状态的改变，如形状特征、 地物组成成分、光线照射角度等，也和波长有关联性，因 此可以通过不同波谱段地物间的差异来识别地物 Ｊ。在进 行区域大面积土地分类研究中遥感技术是不可替代的信息 获取方法，遥感图像是其重要信息源 】。快速、正确地获 取以植被为主体的陆地生态系统相关信息是气候变化、环 境胁迫、自然灾害等方面的研究需要，遥感技术在植被状 况调查和植被类型划分方面可以快速获取植被信息，发挥 的作用日益彰显。 ｌ植被的划分 我国采用的植被分类系统大多是吴征镒等确立的分类 系统，分类单位有３个层次，即植被型、群系和群丛 ’ ｝ 植被型组、群系组与群丛组又分别是设在３级分类单位上 的辅助单位。这些不同的分类单位都是依据植被自身和地 理环境的相关性而确定。 附表川中的植被类型划分是根据区域的生境及优势种 等因素确定的。而遥感影像对植被进行分类则需要通过遥 感所获得的植物叶子和植被冠层光谱特性的差异和变化来 对遥感图像中的植被进行分类。根据研究需要，也会用植 被指数辅助分类，常用的有：归一化植被指数、比值植被 指数、增强型植被指数、垂直植被指数、消除土壤影响的 植被指数等 。归一化植被指数的使用范围最为广泛，也 具有不错的效果 。高分辨遥感影像，因其空间分辨率高， 纹理特征也成为其分类的一项重要分类指标。 ２遥感植被分类研究现状 遥感植被分类是计算机软件依据一定的规则和算法对 遥感影像中具有相同光谱特征和空间特征的像元进行归类， 并经过一定的后处理最终得到植被分类结果。地球表面的 组成很复杂，不仅体现在地物本身的复杂性，比如地形地 势等环境因素，还包括区域景观的空间变化性和时间变化 第一作者简介：解韩玮（１９９２一），女，硕士研究生；研究方向为 虚拟地理环境、遥感植被分类。 项目来源：云南省教育厅科学研究基金项目（２０１４Ｊ０９８）。 一６４一 性等的复杂性 】。目前，分类最常用的方法有最大似然法， 最小距离法、ＩＳ０ＤＡＴＡ算法、神经网络算法、决策树算 法及随机森林算法等。 从遥感影像中获取植被的信息，必须依托于一定的算 法，有了适合的算法支撑才能进行分类，并得到较为理想 的分类结果。 附表中国植被分类 植被型组 植被型 植被型组 植被型 针叶林 寒温性针叶林 灌丛和灌草丛 常绿针叶灌丛 温性针叶林 落叶阏叶灌丛 温性针阏叶混交林 常绿阏叶灌丛 暖性针叶林 灌丛灌草丛 热性针叶林 草原和稀树草原草原 阔叶林 落叶阔叶林 稀树草原 常绿落叶阔叶混交林荒漠 荒漠 常绿阔叶林 肉质灌丛 硬叶常绿阔叶林 冻原 高山冻原 季雨林 高山稀疏植被 高山垫状植被 雨林 高山砾石滩稀疏植被 珊瑚岛常绿林 草旬 草旬 红树林 沼泽 沼泽 竹林 水生植被 水生植被 ２．１最大似然法 最大似然法是一种传统的监督分类方法（见图１），它 可以同时定量地处理多个波段和类别，是一种成熟并广泛 运用的分类方法。它必须基于遥感数据中研究区域内不同 地物的属性作为先验知识，分类前先要选取研究区域的不 同类别地物的样本，利用地物样本的特征差异性作为分类 识别依据，然后选择需要的分类器对影像进行分类。拉巴 卓玛等采用此方法将藏北高原的植被划分为７个典型植被 类型 。最大似然法的分类结果也可作为对比对象来验证 其他方法的准确性。 图１监督分类流程图 ２．２最小距离法 最小距离法是指将未知地物到需要识别各地物类别样 本代表中心点的距离算出，并将未知地物划分到距离最小 类别中一种图像分类方法。应用最多的有欧几里得距离和 绝对距离。 （１）欧几里得距离： Ｄ ．『＝ Ｉ＝ｌ 一 ）２／ａ （２）绝对距离： Ｄ，＝￡ｌｆ＝ｌＩ 一 ，Ｉ－ ／ 式中：Ｐ是图像的通道数，Ｘ为图像中的一个未分类 像元，其中ｘ 是像元ｘ在第ｉ通道的像元值，Ｍ 是第Ｊ 类像元在第ｉ通道的平均值，ｏ日是第ｊ类像元在第ｉ通道 的标准差，像元Ｘ与各类别间的距离可通过上述公式计算 出来［１０１￣ 最小距离分类是根据所需识别地物与各类地物样本代 表的距离判别进行的一种统计模式识别方法。最小距离法 在综合考虑各类知识向量和植被光谱特征的前提下，可以 获得较好的分类精度。此方法也经常被用于其他分类方法 的比较。 ２．３ ＩＳＯＤＡＴＡ ＩＳＯＤＡＴＡ是非监督分类中较为常见的分类方法，在 ｋ一均值算法的理论前提下，对聚类结果增加了两种操作， 即“合并”与“”，并确定控制参数的一种动态聚类算法。 作为非监督分类，不需要对所分类区域十分熟悉，必 须的前提是有特定的一系列知识支撑集群组的解释分类， 根据最小距离的原则，将影像中离集群组中心最近的各个 像元划分到各集群组，对各集群进行合并或，不断循 环此过程（见图２）。 ２．４神经网络分类法 与以往的信息处理方法不同，人工神经网络能够很好 地处理非结构化信息等方面的问题，这是利用逻辑符号的 中国园艺文摘２０１５年第８期 传统人工智能所不能解决的，同时它还有着自适应、自组 织和实时学习等优良特质“”。典型的神经网络包括输入层、 隐含层和输出层３层神经元网络，每层的神经元都与下一 层神经元连接（见图３）。它通过各网络层样本的计算得到 网络的权值，建立分类模型，在传统遥感影像分类的基础 上有效地增强了遥感影像分类的确定性和准确度。人工神 经网络分类结果与传统的分类方法相比，分类精度和稳定 性有较大的改善。 图２ ＩＳＯＤＡＴＡ分类流程图 输 入 模 式 图３典型神经网络结构 输出模式 ２．５决策树分类法 决策树算法是一种适用性广泛的分类方法，与传统分 类方法比较，决策树分类法具有灵活、直观、清晰、强大 和运算速度快等优势。决策树分类法在没有任何提前验证 的统计假设条件下，运用数据挖掘、聚类等方式获取先验 知识，提高运算效率，对城市绿地遥感快速分类具有重要 意义。决策树算法与植被光谱特征和图像纹理特征的结合 得到的总体分类精度比单纯根据光谱特征获得的精度有大 幅度提高。决策树分类通过与植被指数结合对作物生长规 律进行分析，成功提取精确农业作物分类信息［１２］０将决策 树与支持向量机思想结合的分类方法，有助于解决小类别 识别问题的组合，降低错误识别率，并取得较好的分类效果。 研究者一直在探索提高分类精度的方法，其中随机森 林就是研究者探索的产物。随机森林是多个决策树合理组 －６５－ ＣＨＩＮＥＳＥ Ｈ０ＲＴＩＣＵＬＴＵＲＥ ＡＢＳＴＲＡＣＴＳ 合的一种新分类器，足以在最大限度内输入所需变量，并 且可以在一定程度上平衡不同分类数据集之间的误差，从 而获得高准确度。Ｂ．Ｇｈｉｍｉｒｅ等运用森林随机分类器和 Ｇｅｆｉｓ统计对异构覆盖类别进行分类，分类的总体分类精度 比一般的分类器要高得多［１３］０运用随机森林算法对多时相 ＴＭ影像进行分类也可以取得不错的效果。 ［３］宫攀．基于ＭＯＤＩＳ数据关键物候特征参数的东北地区植被覆盖 分类［Ｊ］．资源科学，２０１０，３２（６）：１１５４一ｌ１６０． ［４］吴征镒．中国植被［Ｍ］．北京：科学出版社，１９８０． ［５］云南植被编写组．云南植被［姗．北京：科学出版社，１９８７． ［６］潘琛，杜培军，罗艳等．一种基于植被指数的遥感影像决策树分 类方法［Ｊ］．计算机应用，２００９，２９（３）：７７７—７８０． ［７］骆社周，程峰，王方建等．基于ＴＭ遥感数据的林芝地区叶面 积指数反演［Ｊ］．遥感技术与应用，２０１２，２７（５）：７４０—７４５． ［８］李春干．面向对象的ＳＰＯＴ５图像森林分类研究［Ｄ］．北京：北京林 业大学，２００９． ３结语 遥感植被分类的方法愈发成熟，但同时在一定程度上 依然会出现分类的不确定性和模糊性。研究者在分类依据、 分类数据、分类方法等方面一直在不断探索，随着高分辨 率和高光谱数据的普及、各分类方法结合的完善以及专家 ［９］拉巴卓玛，除多，拉巴．基于ＭＯＤＩＳ的藏北高原植被分类研究［Ｊ］． 高原山地气象研究，２０１０，３０（２）：１８—２１． ［１Ｏ］彭佳明．昆仑圆柏自然保护区森林资源分类及其郁闭度 知识系统的提升，分类精度及分类准确性将大幅度提高。 不过伴随着数据分辨率的提高和图像波段的增加，数据处 理的难度系数及处理时间必然会增加，要解决这些问题还 需要进一步提高计算机及遥感技术的发展水平，向遥感植 被分类的新阶段迈进。 参考文献： ［１］李小文．遥感原理与应用［Ｍ］．北京：科学出版社，２００８． ［２２赵英时．遥感应用分析原理与方法［Ｍ］．北京：科学出版社，２０１４． 估测研究［Ｄ］．乌鲁木齐：师范大学，２０１２． ［１１］韩力群．人工神经网络教程［Ｍ］．北京：北京邮电大学出版社， ２００６． ［１２１何诚，董志海，张思雨等．基于决策树系统的遥感植被分类技术 ［Ｊ］．测绘科学，２０１４，３９（１）：８３—８６． ［１３］Ｂ．Ｇｈｉｍｉｒｅ，Ｊ．Ｒｏｇａｎ，Ｊ．Ｍｉ１ｌｅｒ．Ｃｏｎｔｅｘｔｕａｌ ｌａｎｄ—ｃｏｖｅｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ：ｉｎｃｏｒｐｏｒａｔｉｎｇ ｓｐａｔｉａｌ ｄｅｐｅｎｄｅｎｃｅ ｉｎ ｌａｎｄ—ｃｏｖｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｏｄｅｌＳ ＵＳｉｎｇ ｒａｎｄｏｍ ｆｏｒｅｓｔｓ ａｎｄ ｔｈｅ ＧｅｔｉＳ ｓｔａｔｉｓｔｉｃ［Ｊ］．ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｌｅｔｔｅｒ，２０１０，ｌ（１）：４５—５４． （上接５８页） ２０１５年５月３日发现第１个羽化孔，５月５日发现３株 出现羽化孔，５月６日发现３株，５月７日只选２株，共选 ｌ０株树，测量ｌ ０００片叶片。 过的树，颜色达到森林绿、厚度较厚的叶片比例在２Ｏ％左 右，从而验证这一观测结果，在实际工作中可以参考使用。 表２ 叶片颜色数据 ２结果与分析 测量１ ０００片叶片的厚度数据如表１所示。观察 １ ｏｏｏ片叶片的颜色数据如表２所示。 表１叶片厚度数据 ３结论与讨论 白蜡窄吉丁的发育情况必然受到各种气象条件的影响， 而同期寄主树在相同的气象条件下也必然受到相同的影响。 白蜡窄吉丁在羽化之后，约１周的时间取食叶片补充营养。 根据多年观察，白蜡窄吉丁成虫取食较厚、颜色较深的叶 片，一般不会取食薄而色浅的叶片。所以，白蜡窄吉丁成 虫羽化与寄主树叶片生长情况必然存在相互关系。 以往测报白蜡窄吉丁成虫羽化时期，都是用工具刮树 皮，发现蛀道后，沿着蛀道找到蛹室并挖开，直接观察虫 体发育情况，预测羽化时间 为提高准确率，需要多次进 行，但寻找难度大，工作效率低下。另外，刮开树皮易形 经统计可以看出，厚度０．３０ ｍｍ及以上的叶片达到 １８．３％Ｉ而颜色为深绿色和森林绿的叶片达到２３．８％。因为 短时间内需要完成的观测任务量较大，所以没有设置对照。 成创面，对树体伤害较大，也有碍观瞻。而通过观察叶片 来预测白蜡窄吉丁的羽化时间，就是希望通过自然界中生 物之间的联动关系，找出解决问题的简单、易行的方法。 相信这一思路，对其他病虫害防治也具有一定参考价值。 但在５月８日数据统计完成后，在实地观察１０余株未测量 一６６一
