基于貓群算法的高光譜遙感森林類型識別研究.pdf

1、合理地保護和利用森林資源，對地球生態(tài)系統(tǒng)的穩(wěn)定及可持續(xù)發(fā)展有重要意義，森林樹種（組）的正確分類是其重要的基礎(chǔ)和依據(jù)。高光譜遙感的興起和發(fā)展為獲取森林資源信息，對森林有序開發(fā)奠定了基礎(chǔ)。國內(nèi)外專家利用高光譜遙感數(shù)據(jù)以及不同的分類方法對森林類型進行識別，以求尋找更加高效、合理的方式及更精確的結(jié)果。
　　本研究選用國產(chǎn)環(huán)境與災(zāi)害監(jiān)測小衛(wèi)星(HJ-1A)高光譜遙感數(shù)據(jù)，采用基于貓群智能優(yōu)化(Cat Swarm Optimization，C

2、SO)的算法，利用光譜信息對吉林汪清林業(yè)局經(jīng)營區(qū)內(nèi)森林類型進行識別。為達到此目的，系統(tǒng)地探討了貓群算法及其改進算法在森林識別中的應(yīng)用，建立一種通過搜索進行波段選擇的高光譜降維模型和四種基于貓群算法的森林分類模型，并對貓群智能算法進行高光譜降維、聚類分辨森林類型、挖掘光譜信息規(guī)則進行優(yōu)勢樹種（組）識別做了系統(tǒng)研究。
　　首先，HJ-1A數(shù)據(jù)獲取成本低，但提供數(shù)據(jù)時間不長，國內(nèi)外將其應(yīng)用于樹種（組）識別的研究很少。挖掘HJ-1A高光譜

3、遙感數(shù)據(jù)的森林應(yīng)用潛力和森林精細識別的可能性有深遠的實際意義。另外，遙感影像的選擇、預(yù)處理方法、分類方法的不同都會對高光譜遙感影像分類結(jié)果有較大影響，探討不同的選擇可使分類結(jié)果仍有較大的改善空間，但也面臨很多挑戰(zhàn)。比如研究區(qū)地形復(fù)雜，空間異質(zhì)性較高時，現(xiàn)有的分類方法獲得的精度有所限制。不同的分類方法各有優(yōu)劣、適用情況不同，分類結(jié)果也會大有不同。集成和改進現(xiàn)有的算法、尋求新算法成為高光譜影像分類的研究重點。本文圍繞以上問題開展以下工作:<

4、br>　　第一，對研究區(qū)的HJ-1A遙感影像進行預(yù)處理，形成可以用于分類的基礎(chǔ)數(shù)據(jù);然后選取新興的較優(yōu)秀的貓群智能算法，在研究算法機理的基礎(chǔ)上，充分借助信息技術(shù)，提出離散的二進制貓群算法(BCSO)，建立波段搜索模型，自動搜索出可分性好的波段組合為后續(xù)更好地研究蒙古櫟、白樺、落葉松、楊樹、云杉等分類奠定基礎(chǔ);第二，提出基于貓群的聚類算法模型及半監(jiān)督模糊C貓群算法(CSO-SMFC)，對研究區(qū)的針葉林、闊葉林、混交林等森林類型進行分類并比

5、較其結(jié)果;第三，在上述研究基礎(chǔ)上，提出基本的貓群分類規(guī)則挖掘算法(CSO-Miner)和改進的貓群算法與支持向量機結(jié)合(ACSO-SVM)的兩種方法，建立分類器，形成高光譜森林精細分類模型，對研究區(qū)內(nèi)蒙古櫟、白樺、落葉松、楊樹、云杉等優(yōu)勢樹種（組）識別，比較、驗證并評價其分類結(jié)果。本文希望通過森林分類方法的探討，對后續(xù)其他林業(yè)研究或應(yīng)用提供參考和依據(jù)。
　　研究結(jié)果表明:(1)在波段選擇中，當(dāng)控制子空間為3時，BCSO提取出的波段

6、組合為21-43-109。(2)在對針葉林、闊葉林、混交林的森林類型識別中，基于基本貓群算法的聚類最優(yōu)精度為83.5％，基于CSO-SMFC聚類模型的最優(yōu)精度為85％。(3)森林精細識別中，基于CSO-Miner模型的監(jiān)督算法最優(yōu)總體分類精度為80.83％，Kappa系數(shù)為0.77; ACSO-SVM總體分類精度最高為84.16％，Kappa系數(shù)為0.81。結(jié)合研究區(qū)內(nèi)信息，應(yīng)用基于貓群優(yōu)化算法的分類方法對汪清林區(qū)內(nèi)HJ-1A的高光譜遙