森林资源信息是国家的重要基础信息资源,是林业建设各项决策的重要依据,如何经济、高效地获取森林资源信息是实现“数字林业”的重要基础性工作。航天遥感技术因其具有的宏观性、综合性、可重复性、快递性和经济性等特点,自然地成为研究森林资源现状及其动态变化等森林资源信息的理想工具。但是长期以来遥感数据资源获取的高投入和林区遥感图像分类识别技术的落后,一直是制约林业遥感应用技术发展的瓶颈。 本研究以林业发展需求为切入点,适时地选择典型针阔混交林TM遥感图像为研究对象,把提高其自动分类识别精度做为研究的目的。以吉林省汪清林业局的TM遥感图像为实例,在对传统自动分类识别技术进行试验、精度分析的基础上,本研究开发出适用于针阔混交林区遥感图像的专家分类识别系统和神经网络分类识别系统。分类结果表明,应用这两种新的自动分类技术后,遥感图像的分类精度都较传统方法有大的提高,达到了区分研究区森林类型的分类目的。为林业部门在遥感应用上提供了新技术,具有十分重要的理论和实践意义。 本研究的主要内容和结论归纳如下: (1) GIS辅助的专家分类识别系统是比较好的应用于针阔混交林TM遥感图像的自动分类技术。在GIS的辅助下,把与森林植被分布密切相关的数字高程模型数据、坡向、土壤类型等地学知识信息与经过预分类处理的图像光谱信息综合在一起形成知识库,建立起专家分类识别系统。对研究区进行森林类型分类试验表明,该系统的总体分类精度为81.67%,总体Kappa指数为0.7556,分类精度比传统技术提高了14.22%,分类专题图质量很好,达到了区分森林类型的分类目的。 (2) 改进型BP神经网络分类识别系统在遥感图像的自动分类识别上有广阔的应用前景。本研究通过输入矢量归一化处理和主成份分析、改进训练学习算法、扩大网络规模等措施,对标准BP神经网络进行改进,使改进后的系统分类精度有明显的提高,总体分类精度达到76.00%,总体Kappa指数为0.6800,比改进前提高了19.14%。即展示了其应用于针混交林TM遥感图像自动分类识别的能力,又验证了该系统具有随网络规模增大而分类精度提高的发展趋势。 (3) 适当的方法能够减弱地形阴影和云对遥感图像的分类精度影响。本研究通过对遥感图像进行辐射校正、地形校正、把GIS数据引入专家系统分类和神经网络系统的建立等措施,基本上解决了遥感图像中白云区和云阴影区不能进行分类的问题,并对地形阴影的影响也有较强的削弱作用。