目前随着森林经营理念的转变,每个群体对于森林管理效益的侧重点不同,并且森林经营管理模式变的日趋复杂,因此森林可持续经营的难度大大增加。由于森林景观的复杂性、遥感传感器的选择及分类算法的局限性,使得在利用遥感数据进行森林规划的整个过程中伴随着各种不确定性,因此如何提高精度和效率成为其面临的一个严峻考验。遥感影像分类技术是森林景观规划的一种重要方法,影像获取、预处理、影像分类算法选择等组成了遥感影像分类应用的技术链,而信息获取以及目标识别更是遥感应用的核心技术。本文从影像获取角度与算法性能方面进行研究,进而提高分类精度与效率本文主要对以下几个方面进行了研究：(1)在影像获取中,MEMS (Micro-electro Mechanical System)传感器能够将影像定位精度到0.01像素,也就是定位在亚像元级别,进而能够满足运动图像的高精度定位,最终提高卫星获取信息的精度和防御能力。然而MEMS自身的特点,使得极易出现键合失效问题,使得其寿命大大降低,这成为MEMS传感器进入市场的瓶颈之一。本研究利用TRIZ (Theory of Inventive Problem Solving)理论优化了此问题,从而降低MEMS器件的使用成本。综上使得运用MEMS传感器提高信息获取精度具备可行性。(2)本文将基于模拟退火算法的遥感影像亚像元定位方法引入森林景观分类研究中,通过优化子像元的空间分布,最终确定混合像元中各组分的位置,进而提高森林景观分类精度。考虑到遥感影像大规模的数据集问题,在Map Reduce框架下,结合一系列优化策略(独立与合作搜索、有无通信和局部与全局优化)将算法并行化,进而提高算法的性能。(3)将串、并行算法分别应用在森林景观分类中,比较时间复杂度,再对比并行算法与串行算法的性能。理论分析,串行模拟退火算法比并行算法的搜索收敛速度快。同时实验结果表明,在Map Reduce框架下,无论在何种策略下将算法并行化(独立与合作搜索、有无通信和局部与全局优化),针对扩展的Solomon测试集对算法性能进行测试都获得了较高的效率。因此,利用上述技术进行区域森林景观格局结构的快速分类和规划评价工作,具有较高的理论和实践意义。