利用遥感图像数据计算森林面积的研究

第一章绪论

1.1引言
陆地生态系统是全球生态变化研究的主要内容，而地表植被覆盖状况作为陆地生态系统最基本和关键的因素就成为了研究的重点。不论在大气循环还是水循环中，植被都起着极其关键的作用，所以植被覆盖情况的变化对自然生态环境的变化起着不可估量的作用。因此，快速准确的获得植被覆盖状况对调査和监测陆地生态系统、科学地保护和改善生态环境并制定相应的指导性、前瞻性法律政策具有着重大的意义。

1.2研究背景
森林由于其庞大的面积成为陆地最大的生态系统，是除却海洋之外的地球生命系统最大的支柱，是人类生存和发展都无法离开的基础（Janz， 1993； Smith, 2002),是不可替代的。森林作为一种可再生资源，一直处于自然生长和消亡的动态循环中；自从人类出现以后，尤其是近百年来，由于人类无限制的乱砍滥伐对森林生态系统的自然循环造成了巨大的影响，进而也对全球的生态系统造成了一定的影响。因此开展森林资源调查，在一定时间、空间内对森林资源状况进行持续的跟踪调查（Kohl，2004)，掌握其当前各物种群落的数量、生长情况，并根据一定的先验知识估测其发展状况，为制定林业规划和相应的法律政策（Janz， 1993),对促进生态环境以及人类社会的可持续发展起着巨大的作用（Korotkov et al.， 1993； Reese et al.， 2003； Michaeletal.， 2004)。我国的森林资源分布较广，全国森林总面积17490.92万公顷，居世界第5位，森林覆盖率为18.21% 。人工森林面积5325.73万公顷，居世界首位（李秋娟等，2008)。
但自从人类产生以后尤其是近几百年来，由于人类的乱砍滥伐造成了大量森林资源的浪费和破坏，问题十分严重。因此，加强对森林的保护、提高相关部门的监管力度，尤其是加强对森林资源的调查和监测是实现我国林业现代化和人类社会、环境可持续发展的重要手段。(李留瑜，1999)按最终目的、主要任务和内容范围把森林资源调查分为了森林资源持续性彻底检査、部署设计性调査和作业设计性调査。在以往的森林资源调查工作中，大多采用人工地面测量，可这种方法的调査结果并不可靠，往往存在着工作量大、成本高、时效性差和精确度不足等问题（赵宪文等，2002)，且很难满足当代林业数字化、信息化和现代化的需要。以1:10000的比例进行实地手绘小班地形图，其面积误差为25.0%，中心位置平均位移77.1m ，跟实际应用的要求存在一定差距（李春干等，2006)。
因此，自九十年代起我国就有很多学者（寇文正等，1990;包盈智等，1996;冯仲科等，2001a;唐守正等，2006)开始致力于研究实施性强的新方法。以遥感（Remote Sensing, RS )为主，包括地理信息系统（Geogrophic InformationSystem, GIS)和全球定位系统（Global Positioning System, GPS)的3S技术及以3S技术为辅助手段而兴起的一系列方法，由于具备一些传统技术无法比肩的数字化、实时化等优势，逐渐成为当前森林资源调査探讨研究的热点（赵宪文等，2002)。自上世纪七十年代初期，我国的航天遥感技术开始应用于森林资源调查中来（李留瑜，1999;赵宪文等，2002),并且由于它可以快速、周期式的循环定点采集数据，逐渐地成为了当前调査研究森林资源状况的最佳手段（赵宪文等，2002)。近几十年来，在应用遥感技术调査和检测森林资源状况及预测其发展变化等方面，国内外专家进行了大量深入的研究（徐冠华，1994;赵宪文等，2001； Smith, 2002；李春干等，2004； Sievanen, 2004)。我国从本世纪初开始实施"数字林业"发展计划，计划的实质就是用数字化的手段真实再现林业的具体情况（林辉等，2002)。"数字林业"主要包含两方面，一是以3S技术为基础的实现林业信息完全数字化；二是对这些数字信息的数据仓库存储、归一化处理、全网传输和实际应用。随着资源遥感卫星的商业化应用的进展，将遥感技术作为一项通用手段用于森林资源调査，检测地表植被覆盖状况得到了各个国家和组织机构的广泛研究和应用。在高空间分辨率遥感图像中（空间分辨率在5m以内的遥感影像），研究解决森林面积的估测问题，也就是解决遥感图像的森林分类问题。因此，对高分辨率遥感图像进行分类，并提取出森林区域的部分，就是本文的研究重点和主要内容。

1.3森林遥感图像分类研究现状
1.3.1国内发展现状
自80年代开始，国内学者对较大区域尺度范围内的植被进行了分类研究，主要运用了纹理特征、植被指数的动态聚类及经验1H交函数等方法（李星敏，2002)。（袁金国，1999)提出了基于植被指数分类的方法，并用RVI区分各针叶林树种，PVI区分阔叶林和针叶林。（李朝锋等，2004)在对概率神经网络进行了较为深入研究后，基于它的基本结构及训练方法，建立了应用于卫星遥感影像分类的概率神经网络模型。专家们还基于传统的分类方法提出了一些改进的新算法，取得了较好的结果。如(朱建华等，2000)提出了一种自适应最小距离法用于多光谱遥感图像分类，该算法可以对数据样本集合进行自适应的划分，并依此来调整最小距离分类器的参数，实验对16类地物进行分类，其精度可达92.9%，表明该方法效果较好。
为了提高地表植被分类的精确度，众多学者开拓性的应用近些年来兴起的新技术新方法，如研发新的采集镜头来提高遥感数据采集的空间分辨率、利用微波进行遥感应用、结合"3S"技术为辅助手段等。（刁淑娟，1995)综合利用遥感图像的空间特征、光谱特征及植物的生长分布规律，并利用地形地貌信息为辅助手段对攀枝花地区的地表植被进行了较为系统的分类研究，分类精度达到90%;(刘卫国等，1998)根据不同地貌适合不同植被分布的先验知识，结合光谱对不同植被及地貌的成像特点，在GIS与RS的支持下，对贺竺山地区的植被进行了分类研究；（陈艳华等，2006)利用决策树生成法自动提取知识建立决策树以用于山区影像的分类，并通过GIS空间分析对分类后的影像数据进行后续处理，这种混合的方法极大地提高了山区地表植被分类的精度，分类结果较为可靠。

    1.4 本文主要研究内容 ..................9-10
    1.5 本文组织结构 ..................10-11
第二章图像特征提取及分割技术 ..................11-23
    2.1 图像特征提取技术 ..................11-13
        2.1.1 特征提取的含义 ..................11
        2.1.2 特征提取技术分类 ..................11-13
        2.1.3 特征提取技术小结 ..................13
    2.2 图像分割技术概述 ..................13-14
    2.3 图像分割的定义 ..................14-15
    2.4 图像分割算法概述 ..................15-22
        2.4.1 阈值分割方法 ..................15-17
        2.4.2 基于边缘检测的分割方法 ..................17
        2.4.3 基于聚类分析的分割方法 ..................17-22
    2.5 本章小结 ..................22-23
第三章高分辨率遥感图像林区提取算法 ..................23-41
    3.1 一个自适应的加权模糊聚类分割算法 ..................23-33
        3.1.1 AWFCM算法思想 ..................23-24
        3.1.2 AWFCM算法详细步骤 ..................24-27
        3.1.3 AWFCM实验定性分析对比图 ..................27-31
        3.1.4 AWFCM实验定量比较图表 ..................31-33
    3.2 遥感图像林区部分的提取 ..................33-40
        3.2.1 分形思想的提出 ..................33
        3.2.2 分形理论的定义 ..................33-35
        3.2.3 分形维数的测定方式 ..................35-37
        3.2.4 林区提取实验分析 ..................37-40
    3.3 本章小结 ..................40-41
第四章系统实现及测试 ..................41-44

总结

地表植被覆盖状况与环境变化关系作为全球变化与陆地生态系统响应的一个重要内容一直以来都是专家们工作的重点。而森林面积和蓄积量作为森林资源调查和监测的基本内容一直以来也是地表植被覆盖状况研究的重要内容。随着资源遥感卫星在我国森林资源调查与监测等方面的广泛研究，应用林区遥感数据对包含林区的高分辨率遥感图像进行分类，并提取出森林区域的部分，就是本文的研究重点和主要内容。
近些年来国内外专家学者在这些方面进行了深入的研究和应用，取得了一些成绩，如（朱建华等，2000)提出的一种自适应最小距离法用于多光谱遥感图像分类，该算法对样本集合进行操作，自适应地对样本集合作精细的划分，以此来调整最小距离分类器的参数，如（姜青香等，2003)将灰度共生矩阵的纹理分析方法应用于图像分类中，再如（Gail A Carpenter, etal., 1997)在最大似然法、ARTMAP神经网络、线性混合模型三种方法的基础上提出的一种新的数据模型混合分类方法，这些方法都能很好的处理一定领域内的图像数据，但是都难免的存在一些不足，如计算效率不高、分割精度不够理想、对噪声敏感、对初始化参数依赖较大而不够稳定和不能较好的移植到遥感数据处理中等。基于上述因素，本文在对国内外高分辨率遥感图像分类方法研究的状况进行充分的调研和分析的基础上，提出了一个自适应的加权模糊C-均值聚类分割算法对高分辨率林区遥感图像进行分类，并利用分形维数特征对分割后的高分辨率遥感图像中的森林区域部分进行提取。