森林是一种可再生资源, 无时不处于消长交替的动态过程之中。开展森林资源调查和监测, 对一定时间、空间内的森林资源状态进行连续性跟踪调查(Kohl, 2004), 掌握其现状和消长变化情况, 预测其发展趋势, 为制定林业方针政策、中长期规划和生产经营计划(Janz, 1993), 检验经营成果等提供科学依据, 对于提高林业发展乃至经济社会发展科学决策水平, 促进林业和资源环境以及经济社会可持续发展具有极为重要的意义(Korotkov et al., 1993; Reese et al., 2003; Michael et al., 2004)。

传统的森林资源调查和监测方法以地面测量为主, 存在着工作量大、劳动强度高、时效性差等问题(赵宪文等, 2002), 且调查精度不高, 难以满足当今林业发展需要。研究表明, 以1:10 000地形图为工作手图实地勾绘小班, 面积平均误差为25.0%, 边界平均位移为9.3 m(李春干等, 2006)。因此, 长期以来, 众多学者致力于探讨新的适用技术体系(寇文正等, 1990; 包盈智等, 1996; 冯仲科等, 2001; 唐守正等, 2006)。以遥感(RS)、地理信息系统(GIS)和全球定位系统(GPS)的3S技术及其集成, 由于具有宏观性、综合性、短周期、可重复性和低成本等优势, 成为当前森林资源调查和监测研究的重点和热点(赵宪文等, 2002)。30多年来, 国内外学者对遥感技术在森林资源监测中的应用进行了大量的研究, 取得了丰硕成果(徐冠华, 1994; 赵宪文等, 2001a; 2001b; 李春干等, 2004; Smith, 2002; Tomppo et al., 2002; Kohl, 2004; Sievanen, 2004)。

然而, 当今遥感技术在森林资源调查和监测中的应用, 尤其是在以获取每个山头地块资源信息的、满足林业生产经营需要的、大面积的调查监测中的应用, 还存在很多问题:一是森林和土地覆盖分类问题还未得到有效解决, 特别是对于地形地貌复杂、森林分布破碎、类型和种类多样、结构复杂的南方林区, 情况更是如此; 二是森林斑块区划最小面积过大, 成图比例尺较小, 难以满足实际应用需要。

本文以SPOT5 HRG为数据源, 从图像分割、ETM+辅助数据的应用、对象特征提取与筛选、多分类器分类与结合等整个流程进行探索研究, 旨在提高SPOT5图像森林分类精度, 为提高森林资源监测效率寻求一条有效途径。

1 研究区域和数据源 1.1 研究区域概况

试验区位于南宁市北面的高峰林场内(22°48′48″—23°3′34″ N, 108°7′55″—108°32′53″ E)。该区域东西长约42 km, 南北宽约27 km, 总面积27 318 hm²。属大明山余脉, 低山丘陵地貌, 海拔70~500 m, 坡度25~35°。地形比较封闭。

区域内绝大部分为人工林, 主要树种为杉木(Cunninghamia lanceolata)、马尾松(Pinus massoniana)、马占相思(Acacia mangium)、厚荚相思(A. crassicaroa)、尾叶桉(Eucalyptus urophylla)、木荷(Schima superba)、火力楠(Michelia macclurei)、八角(Illecium verum)、玉桂(Cinnamomum cassia)、龙眼(Dimocarpus longgana)、荔枝(Litchi chinensis)、粉单竹(Lingnania chungii)、麻竹(Dendrocalamus latiflorus)等。山沟有少量灌木。由于绝大部分为人工林, 加上地形复杂, 森林分布极为破碎, 表现为斑块小、不同树种呈无规律交叉分布。

1.2 遥感数据源

研究采用2种数据源: 1) 2002年10月13日接收的SPOT 5 HRG 1A级同时相的2.5 m全色和10 m多光谱数据; 2) 2002年10月11日接收的Landsat 7 ETM+数据, 空间分辨率为15 m/30 m。此外, 还使用了试验区1998年与2004年森林资源规划设计调查数字化基本图和小班数据库。

2 研究方法 2.1 图像分割和基于分割的分类及基于分类的分割 2.1.1 图像分割方案

图像分割采用当前广泛应用的商业软件Definiens Professional^TM 5(Baatz et al., 2000; Schieve et al., 2001; Michael et al., 2006)进行。分2次进行, 第1次分割以较大的尺度进行, 旨在通过基于规则的分类方法, 从较粗的层次上对林地、造林地、水体和主要道路进行检测和信息提取。

由于SPOT5图像和ETM+图像具有不同的光谱和空间特性, 并且ETM+图像的光谱分辨率高于SPOT5图像, 因此, 在本研究中, 采用ETM+图像作为辅助数据。根据ETM+图像参与分割过程的方式和分割参数的不同, 共实施3个分割方案, 各方案的分割参数如下:

1) 0312new方案。Weight: B1=2, B2=B3=B4=1; Scale=150; Color=0.9; Compactness=0.4。

2) noTM方案。Weight: B1=2, B2=B3=B4=1, ETM1=ETM2=ETM3=ETM4=ETM5=0; Scale=150; Color=0.9; Compactness=0.3。

3) withTM方案。Weight: B1=2, B2=B3=B4=1, ETM1=ETM2=ETM3=ETM4=ETM5=0.5; Scale=150; Color=0.9; Compactness=0.3。

以上3个方案中, 方案0312new只有SPOT5的4个图层, 后续的对象特征提取也仅包含这4个图层的信息; 方案noTM有9个图层, 包括SPOT5的4个图层和ETM+的5个图层, 但ETM+5个图层的权重全部为0, 即ETM+各图层不直接参与图像分割; 方案withTM的9个图层全部参与图像分割。

2.1.2 基于规则的分类

根据前期对研究区域考察和对2004年森林资源规划设计调查材料分析所掌握的森林分布特点, 对分割后的图像对象采用基于规则的分类, 全部对象分为林地、造林地、水体和主要道路4个类型。分类的主要依据是对象光谱特征(指数、平均值、比率和标准差等)、纹理特征(同质性、异质性、熵等)和空间特征(对象长度、长宽比等)。

2.1.3 基于分类的分割

通过上述分类, 主要道路和水体的分类已经完成, 因此仅对林地和造林地进行基于分类的分割(第2次分割), 不同的方案采用不同的分割参数。

1) 方案0312new   林地   Weight: B1=2, B2=B3=B4=1; Scale=50; Color=0.9; Compatness=0.3。造林地Weight: B1=2, B2=B3=B4=1; Scale=100; Color=0.9; Compactness=0.3。

2) 方案noTM  林地   Weight: B1=2, B2=B3=B4=1, TM1=TM2=TM3=TM4=TM5=0.0; Scale=50; Color=0.9; Compactness=0.3。造林地Weight: B1=2, B2=B3=B4=1, TM1=TM2=TM3=TM4=TM5=0.0, Scale=100; Color=0.9; Compactness=0.3。

3) 方案withTM   林地  Weight: B1=2; B2=B3=B4=1; TM1=TM2=TM3=TM4=TM5=0.5; Scale=50; Color=0.9; Compatness=0.3。造林地Weight: B1=2; B2=B3=B4=1; TM1=TM2=TM3=TM4=TM5=0.5, Scale=100; Color=0.9; Compatness=0.3。

2.2 对象特征提取和筛选

对上述第2次分割3种方案得到的3幅图像, 分别提取每个对象的光谱和纹理特征, 对象特征包括植被指数(NDVI, RVI)、光谱特征(灰度平均值和标准差)、纹理特征[灰度共生矩阵(GLCM)同质性、反差、异质性、熵、角二阶矩、均值、标准差、相关性；灰度差向量(GLDV)角二阶矩、熵、均值、对比度]。方案0312new得到58个对象特征, 方案noTM和方案withTM各有130个对象特征。

采用协方差矩阵、简单相关性和多重相关性方法进行对象特征筛选。其方法如下:

1) 设若r_ij≥0.9, 且S_i>S_j, 则保留第i因子, 剔除第j因子。r_ij为对象特征i和j的偏相关系数; S_i, S_j分别为对象特征i, j的方差。

2) 对象特征x_i的方差扩大因子VIF_i=(1－R_i²)^－1(王松桂等, 1999; 王惠文, 1999; 李崇贵等, 2005), 其中R_i²是以第i个对象特征x_i为因变量, 以其他对象特征为自变量回归时的复相关系数。若0.9, 则认为对象特征i是其他对象特征的近似线性组合, 该特征可予以剔除。

2.3 分类方案和训练样地选取 2.3.1 分类方案确定

对研究区域2004年森林资源规划设计调查材料分析, 并经实地考察论证, 确定采用3级分类体系进行分类。第3级分类以龄组为基础, 共分为22个类型, 其中1~13类属于林地, 14~22类属于造林地; 第2级分类以树种为基础, 共分为15个类型, 其中1~7类属于林地, 8~15属于造林地; 第1级分类以森林类型为基础, 共分为9个类型, 其中1~3属于林地, 4~9类属于造林地。分类方案见表 1。

2.3.2 训练样地选取

根据2004年森林资源规划设计调查材料, 对第2次分割得到的各试验方案图像, 以对象为单元对第3级分类的类型分别选取训练样本, 每个类型不少于20个样本。

虽然在训练样地选择过程中, 遵循了均匀、同质等一般原则, 但分析发现, 少量样地的对象特征变异太大, 故采用标准差法对训练样地进行剔除。设某类别训练样地各个对象特征的平均值为X=(x₁, x₂, …, x_n), 标准差为Std=(std₁, std₂, …, std_n), 对于某一训练样本X=(x₁, x, ₂, …, x_n), 若|x_i－x_i|>k·std_i, ∀i(i=1, 2, …, n), 则剔除该样本, 其中k为常数, 一般取k=2.0, 即用2倍标准差进行剔除。对于个别对象特征, 视其变异情况和样本数量的多少, 可适当增大或减小k值。

2.4 多分类器分类

采用改进最小距离(Min D)、马氏距离(Mah D)、Bayes准则(最大似然法)、模糊分类(Fuzzy)、支持向量机(SVM)对图像进行分类。其中Bayes分类器表达式如下:

(1)

模糊分类器的模糊隶属函数采用基于Bayes准则的确定方法(Benz et al., 2004):

(2)

式中:设P′(g)为第g类出现的先验概率, P_i^*(X)=为第g类模糊均值向量, 模糊协方差矩阵。

支持向量机(骆剑承等, 2002):

(3)

其中核函数为k(z_i, z_j)=Φ(z_i)·Φ(z_j)。

多分类器分类仅在第3级类型中进行, 往上逐级合并得到第2级、第1级的分类结果。

2.5 分类器结合

分类器结合的实质是解决待分对象中多分类器输出结果不一致的“冲突”(conflicting)问题(Fauvel et al., 2006)。在保守投票法中, 当各分类器结果不完全一致时, 就出现了“冲突”。“冲突”的解决办法有多种, 本研究采用模糊融合方法解决。将上述2种方法结合, 得到一个新的多分类器结合方法——投票/模糊法。其思路是:用保守投票法对待分对象多分类器结果的“冲突”情况进行判断, “不冲突”的对象, 其输出结果即为多分类器结合后的类型；而“冲突”的对象, 采用模糊法解决“冲突”, 得到最终的多分类器结合结果。

3 结果与分析 3.1 分割结果

第1次分割后, 方案0312new、方案noTM和方案withTM得到的对象个数分别为2 813, 2 911和2 704个。对分割效果采用目视方法进行检验, 结果表明方案0312new和noTM的分割效果很好, 各对象边界都准确地反映了地物的空间分布, 对象的同质性高, 见图 1a、图 1b、图 2a和图 2c。方案withTM的对象边界与地面实体相差较大, 对象内“杂质”过多、同质性差, 见图 2b、图 2d。

采用基于规则的分类后, 得到各方案中各类型的对象个数如下: 1)方案0312new:林地1 366个; 造林地1 269个; 水体129个; 主要道路49个。2)方案noTM:林地1 420个; 造林地1 296个; 水体87个; 主要道路8个。3)方案withTM:林地1 278个; 造林地1 146个; 水体217个; 主要道路8个。

通过基于规则的分类, 各个方案都将水体和主要道路信息全部提取完毕, 亦即完成了水体和主要道路的分类。从图 1可以看出, 黄色的造林地和绿色的林地分界十分明显。

对图像进行基于分类的分割(第2次分割)后, 方案0312new中林地的对象个数增加至9 431个, 造林地增加至2 523个; 方案noTM中林地的对象个数增加至9 373个, 造林地增加至2 736个; 方案withTM中林地的对象个数增加至8 006个, 造林地增加至2 497个; 方案noTM的第2次分割效果见图 1d。

3.2 对象特征筛选结果

经筛选后, 用于分类的对象特征个数大为减少。方案0312new的对象特征由58个减少至林地12个、造林地8个。方案noTM和方案withTM原各有130个对象特征, 筛选后只剩余13~16个特征。详见表 2。在保留的对象特征中, 光谱特征(灰度值、标准差)的个数比重较大, 但纹理特征也不少, 说明在面向对象的图像分析中, 光谱信息仍是重要的信息, 纹理信息也具有重要作用。在众多纹理特征中, 主要保留GLCM反差和标准差特征, 其余大部分纹理特征由于方差较小或者存在相关性, 在筛选过程中被予以剔除。

由表 2还可以看出, 在筛选后用于分类的对象特征中, 方案0312new全部为SPOT5图像的信息, 方案noTM和withTM不仅包含SPOT5图像的信息, 而且ETM+图像信息占了很大比重。

3.3 多分类器分类结果

采用5个分类器对3个分割方案得到的图像进行分类, 结果如表 3所示。从总体分类精度来看, 方案noTM的最高, 其次是方案withTM, 方案0312new最低, 说明Landsat7 ETM+数据作为辅助数据, 有助于改善SPOT5图像的分类精度。

在5个分类器中, Bayes分类器的表现最好, 一是总体分类精度最高, 二是各类型的生产者精度均保持在较高水平, 变动幅度最小。方案noTM的各分类器第3级分类的生产者精度详见表 4。

3.4 分类器结合结果

采用投票/模糊法进行分类器结合后, 方案noTM第3级分类的总体精度和Kappa系数分别为79.60%和78.12%, 略高于单个分类器中总体精度最高的Bayes分类器, 但提高的幅度很小, 即多分类器结合的效果不明显。从生产者精度来看, 分类器结合后各类型生产者精度变动有所减小, 但效果亦不明显, 见表 4。这个结果与一些研究者得到的结论相差较大, 在他们的研究中, 多分类器结合后总体分类精度显著提高(柏延臣等, 2005; 张秀英等, 2007)。其可能的原因是本研究区域较大, 所分类型较多且地表特性相近。

4 讨论 4.1 分割策略

图像分割是为了得到图像对象, 在面向对象的遥感图像自动或半自动分析中, 一般采用多尺度分割(multi-resolution segmentation)。在多尺度分割中, 用户通过指定输入数据、给定输入数据的权重、定义影响输出结果的图像对象大小、光谱同质性、空间同质性、形状参数, 控制分割过程的输出。在此过程中, 像元合并为小的对象, 重复此过程, 小的对象逐渐地合并成大的对象, 并保持结果图像中对象异质性的最小化, 直至满足用户定义的目标为止(Baatz et al., 2000)。

本研究中, 图像分割分2次进行。第1次分割的目的是在较大尺度和较粗层次上, 对研究区域进行分类, 为后面进一步的、精细的分割和分类奠定基础。因此分割尺度较大, 主要根据土地利用/覆盖的宏观特征, 将研究区域分割为林地、造林地、水体和主要道路。此处的“林地”是指林木覆盖度较高的林地; 而“造林地”除包含宜林地外, 还包含林木稀疏、覆盖度较低、土壤祼露的经济林木和新造林地, 也即不是严格的造林地。由于第1次分割得到的图像经过基于规则的分类后, 水体和主要道路已经全部提取完毕, 因此, 第2次分割只针对林地和造林地。由于林地和造林地的内部构成不同, 结构不一致, 如林地内包含的类型较多、空间分布交错、结构复杂, 造林地内包含的类型相对较少、同质斑块较大、结构相对简单, 因此, 在第2次分割中, 两者采用不同的分割参数, 林地的分割尺度较小, 造林地的分割尺度较大。

不同的分割方案得到的效果不同。在方案noTM中, 虽然ETM+图像加入了分割过程, 但由于其权重值被设置为0, 因此其图像信息并未对分割结果产生影响, 分割效果与未加入ETM+图像的方案0312new极为接近。在方案withTM中, ETM+图像5个波段的权重均为0.5, 亦即ETM+图像信息实质性地参与了分割过程, 对分割结果产生了影响。虽然方案noTM和方案withTM除了ETM+权重不同外, 其余分割参数完全相同, 但效果却差别很大。方案noTM所得到的对象边界更符合地面覆盖特点, 对象同质性高, “杂质”少; 而方案withTM所得的对象中, 边界走向与地面实体相差较大, 对象内“杂质”多, 同质性差。

产生上述现象的原因, 主要是ETM+图像的空间分辨率太低, 难以准确地表现研究区域破碎的森林分布状况。SPOT5图像空间分辨率较高, 能够准确地表现研究区域的森林分布状况。当ETM+图层的权重不为0时, 分割过程不但受到SPOT5图像信息的影响, 也受到ETM+图像信息的影响, 在2种信息的共同作用下, 所得到对象的边界自然地会“照顾”ETM+图像信息的影响, 而不能很好地反映尺度较小的地物空间情况, 造成边界走向不准确, 对象同质性差。

上述也说明了ETM+图像不宜单独用于研究区域的森林分类和分析。

4.2 对象特征筛选方法

一般来说少量特征很难全面地表述出一个类别的本质特征, 但随着特征个数的增加, 可能出现: 1)对象特征之间存在相关性, 协方差矩阵为病态矩阵；2)特征维数过高会影响分类器运行的稳定性和速度, 降低分类精度(Price et al., 2002; Yu et al., 2006), 因此需要进行对象特征筛选。

关于对象特征筛选方法的研究, 已经做了大量的研究工作, 提出了很多先进的方法, 如主成分分析、最小噪声分数变换(minimum noise fraction transform)、判别分析、决策边界特征提取(decision boundary feature extraction)、非参数权重提取(non-parametric weighted extraction)、小波变换、光谱混合分析等(Okin et al., 2001; Asner et al., 2002; Neville et al., 2003; Platt et al., 2004)。本文采用对象特征间的简单相关性和多重相关性2步筛选方法, 先通过相关矩阵进行简单相关性筛选, 然后再作多重相关性筛选。这种方法具有如下特点: 1)筛选后的对象特征保持原有含义不变, 具有明确的定义；2)保留的对象特征间相互独立, 已不存在紧密的相关关系, 可用于各种参数分类器；3)方法简单, 运行时间短。

4.3 分类策略

本研究采用了分区控制、分层分类的技术路线(刘顺喜, 2005)。具体实现方法是分区控制-底层(第3级)分类-逐层(第2, 1层)向上合并。

通过基于规则的分类后, 全部待分对象分属于林地和造林地两大类型。此时, 分别这两大类型制定分类方案、选择训练样地和筛选分类用对象特征, 因此在分类过程中, 不同对象分类采用的特征不同。如方案noTM中, 林地分类采用15个对象特征, 而造林地只采用13个对象特征。林地和造林地各类型均采用独立的训练样本, 尽管采用同一个分类器、同一计算程序, 但分类过程是相对独立的, 均在林地和造林地2个大类别的控制下进行。如林地内各类型与造林地内各类型间, 尽管有八角成林和竹林2个类型重叠, 但在分类过程中, 这2个类型分别采用2套独立的训练样本, 独立地进行运算。

上述分类路线的特点是思路清晰, 所有对象在分类过程中, 根据其林地/造林地属性, 指派到林地/造林地所属的各类型中去, 不会出现类型交叉的现象, 分类结果保留对象原有的林地/造林地属性。此外, 这种方法充分考虑了分属于林地、造林地, 但实际上是相同类型的对象在对象特征上的差异, 有利于提高分类精度。如f_c24m和p_c24m在分类过程中属于不同的类型, 前者属于林地, 后者属于造林地, 但实际上这2个类型均为“八角成林”。考察这2个类型的对象特征统计量, 差别十分明显, 见表 5。实际上, f_c24m和p_c24m虽同为“八角成林”, 但其林龄是不同的, 前者为“高龄”成林, 冠幅大, 郁闭度高, 林地反射率低; 后者是“低龄”林分, 冠幅小, 郁闭度小, 林地反射率高, 图像特征近似祼露土地。

显然, 采用本研究的分类方法, 有利于将图像特征相近的对象分为一类, 达到提高精度的目的, 否则, 若将2个类型合并, 由于其图像特征变异太大, 容易造成混淆, 降低分类精度。

由于形态特征上相同的地物要分为2个不同的类型, 本分类方法需要2套训练样地, 因此工作量增大, 分类器运行耗时亦相应增加。

在初期的预研究中, 试验了森林类型分类(第1级)-树种分类(第2级)-龄组分类(第3级)和树种分类(第2级)-龄组分类(第3级)的从上而下逐层分类的技术路线, 但效果不佳。其主要原因是由于同一树种内由于林龄变化从1至30年甚至更大, 树高、冠幅不同, 郁闭度相差很大, 因此反射特性相差很大, 造成相同树种各对象间的特征变动过大, 容易与特征相近的树种混淆。统计结果表明(表 6):杉木(f_c11)和松树(f_c12)各对象特征的平均数十分接近, 且标准差都很大, 很难将这2个类型进行有效分离, 其他树种间亦存在这种现象。因此, 在本研究中, 分类直接且只在第3级上进行, 第2、第1级类型均通过第3级分类结果逐级向上合并而得。

4.4 Landsat7ETM+作为辅助数据的作用

在3个方案中, 方案0312new只有SPOT5图像的4个图层, 所提取的对象特征仅限于SPOT5图像的光谱和纹理信息; 在方案noTM中, 虽然加入了ETM+的5个图层, 但其权重均为0, 故ETM+图像在分割过程中只是“旁观者”, 没有实质参与分割过程, 对分割结果不造成影响, 所提取的对象特征中包含了SPOT5和ETM+图像的光谱和纹理信息。在方案withTM中, ETM+5个图层的权重均为0.5, ETM+图像真正地加入了分割过程, 对分割结果产生了一定的影响, 所提取的对象特征中包含了SPOT5和ETM+图像的光谱和纹理信息。

实施3种图像分割和对象特征提取方案的目的是探讨ETM+图像对SPOT5图像分类结果的影响。结果表明:在5个分类器中, 方案noTM的总体方案分类精度均高于其余2个方案。3个方案Bayes分类器的生产者精度如图 3所示。

在所有分类器中, 方案0312new的分类精度低于其余2个方案, 该方案中用于分类的信息只有SPOT5图像的信息, 其余2个方案中不但使用了SPOT5图像的信息, 而且也使用了ETM+图像的信息, 因此方案0312new中可用的信息量小于其余2个方案, 分类精度低就不足为奇了, 这从另一方面说明了ETM+数据作为辅助数据, 增加了可用信息量, 有利于提高SPOT5图像的分类精度。

对方案noTM和withTM的对象特征进行统计分析, 结果表明: 1)方案withTM中训练样本各类型的对象特征变动系数(标准差/均值)都大于方案noTM, 说明方案withTM中对象的同质性小于方案noTM；2)方案noTM中各类型间的空间距离(欧氏距离)都大于方案withTM, 说明方案noTM中各类型间的差异大于方案withTM。由此, 不难说明方案noTM的分类精度为何高于方案withTM。造成这种现象的原因是在方案noTM中, ETM+图像实际上不影响分割结果, 所得到的对象边界准确, 确保了对象中SPOT5图层信息是“纯化”的, 变异较小, 且ETM+图层信息又加入分类过程, 因此分类精度较高, 而在方案withTM中, ETM+图像影响了分割结果, 所得对象同质性差, 对象特征变动太大。

上述说明了ETM+图像作为辅助数据, 对提高SPOT5图像的分类精度有较大帮助, 另一方面, 科学合理地利用ETM+图像也十分重要。

5 结论

1) 通过较大尺度的图像分割, 采用基于规则的分类, 可以完成水体和主要道路信息的提取, 在此基础上对林地和造林地施行进一步的、尺度较小的分割, 得到异质性较小的对象, 为林地和造林地的信息提取奠定基础。这种大尺度分割-基于规则的分类-基于分类的分割策略, 可以根据不同土地类型的覆盖特性, 有针对性地采用不同的信息提取方法, 提高工作效率和信息提取精度。

2) 采用分区控制-底层分类-逐级合并的技术路线, 采用多分类器进行分类, 结果表明:总体精度最高的Bayes分类器, 对以龄组为基础的22个类型分类的总体分类精度达到了79.38%, 以树种为基础的15个类型的总体精分类度达到了81.82%, 以树种组为基础的9个类型的总体分类精度达到了86.33%。在森林分布破碎、种类和类型多样、结构复杂的南方人工林区, 这是比较满意的结果。

3) 在景观复杂地区的森林自动化分层分类中, 由底层分类开始、逐层向上合并的方法, 比由顶层分类开始、往下逐层分类的方法效果更好。

4) ETM+作为辅助数据, 较大程度地提高了SPOT5图像的分类精度; 但ETM+图像不能实质性参与分割过程, 只能用于提取信息, 否则, 由于分割后得到的对象的边界不准确, 对象的光谱、纹理等特征变异大, 从而降低分类精度。