基于多種分類器組合的森林類型信息提取技術(shù)研究

基于多種分類器組合的森林類型信息提取技術(shù)研究

張智超，范文義*，孫舒婷

(東北林業(yè)大學(xué) 林學(xué)院，哈爾濱 150040)

摘要：遙感圖像分類是遙感應(yīng)用系統(tǒng)中的關(guān)鍵技術(shù)，提高遙感圖像的分類精度是發(fā)展遙感技術(shù)重點(diǎn)，采用多分類器組合的算法對(duì)黑龍江塔河縣森林類型進(jìn)行分類。根據(jù)黑龍江省森林資源調(diào)查技術(shù)規(guī)定及研究區(qū)二類調(diào)查數(shù)據(jù)制定分類系統(tǒng)，最終的分類級(jí)別為針葉林、闊葉林和針闊混交林。通過分析TM數(shù)據(jù)的原始波段和NDVI、BI等植被指數(shù)提取各分類類型的光譜特征。選擇最小距離法、最大似然法、馬氏距離法對(duì)研究區(qū)進(jìn)行分類，計(jì)算出各分類器的精度。在分類器組合的過程中采用信息熵方法確定組合分類器中各分類器的權(quán)重系數(shù)，利用組合后新的分類器對(duì)研究區(qū)進(jìn)行分類。結(jié)果表明：多分類器組合的分類精度達(dá)75.59%，比單分類器精度提高了3.85%，對(duì)闊葉林、針闊混交林、針葉林3種分類類型的分類精度分別達(dá)82.32%、66.45%、75.49%，比單分類器進(jìn)度分別提高了2.87%、4.82%。4.10%。

關(guān)鍵詞：遙感，分類器組合，TM數(shù)據(jù)，熵權(quán)法

中圖分類號(hào)：S 771.8

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-005X(2015)03-0075-06

Abstract：Remote sensing image classification is a key technology in remote sensing applications，and the improvement on the accuracy of remote sensing image classification is emphasized for remote sensing technology.The forest types in Tahe county of Heilongjiang province were classified based on multiple classifiers combination.The classification system was designed based on the forest resource inventory technical regulations of Heilongjiang province and inventory data for study area，and the classifications include coniferous forest，broadleaf forest，coniferous and broadleaf mixed forest level.Through the analysis on the TM data band and NDVI，BI vegetation indices，the spectral characteristics of each type of forest were extracted.The minimum distance，maximum likelihood，and the mahalanobis distance method were used to classify the forest types.The weighting factor of the classification was determined by the entry weight method based on the classification accuracy，and combined a new classifier for classification.The experiment results showed that the accuracy of multiple classifier combination achieved 75.59%，a increase of 3.85% compared with the single classifier accuracy.The classification accuracy of the three forest types were as follows：broadleaf forest 82.32%，coniferous forest 66.45%，coniferous and broadleaf mixed forest 75.49%，respectively，which increased by 2.87%，4.82%，4.10%，respectively，compared with the single classifier accuracy.

Keywords：remote sensing；multiple classifiers combination；TM data；entropy weight method

收稿日期：2014-11-12

基金項(xiàng)目：國(guó)家高技術(shù)研究發(fā)展計(jì)劃(2012AA102001)

作者簡(jiǎn)介：第一張智超，碩士研究生，研究方向：林業(yè)遙感。

通訊作者：`*范文義，博士，教授。研究方向：林業(yè)遙感。

Investigation of Forest Types Extraction TechnologyUsing Multiple Classifiers Combination

Zhang Zhichao，F(xiàn)an Wenyi*，Sun Shuting

(School of Forestry，Northeast Forestry University，Harbin 150040)

E-mail：fanwy@163.com

引文格式：張智超，范文義，孫舒婷.基于多種分類器組合的森林類型信息提取技術(shù)研究[J].森林工程，2015，31(3)：75-80.

森林類型信息是很多研究領(lǐng)域都需要的重要信息之一。由于森林具有面積大的特點(diǎn)，所以遙感技術(shù)是解決森林類型信息的最有效方法之一。遙感圖像分類方法的提高直接制約著遙感技術(shù)的應(yīng)用和發(fā)展[1-2]。用遙感數(shù)據(jù)提取森林類型的算法可分為基于像元的分類算法、基于對(duì)象的分類算法和混合像元分解算法三大類[3]。基于像元的分類方法主要有最小距離分類、最大似然分類、波譜角分類、混合距離分類等，他們主要依賴地物光譜特性，由于遙感圖像本身分辨率以及“同物異譜”、“異物同譜”的現(xiàn)象存在，導(dǎo)致分類精度不高[4-7]。近年來神經(jīng)網(wǎng)絡(luò)分類方法的研究比較活躍，在分類時(shí)并不基于某個(gè)假定的概率分布，在監(jiān)督分類中通過對(duì)訓(xùn)練樣本的學(xué)習(xí)獲得權(quán)值，從而形成分類器，人工神經(jīng)網(wǎng)絡(luò)分類器所得到的精度較高[8-12]，支持向量機(jī)分類方法有嚴(yán)格的理論基礎(chǔ)，可以解決小樣本、高維數(shù)、非線性的問題，很好的應(yīng)用在高光譜和多光譜遙感圖像分類中[13-14]?；旌舷裨纸獾膯栴}國(guó)內(nèi)外提出了許多方法，Bateson等人提出了一種端元束方法[15]；Wu等人將光譜除以各波段光譜均值后做混合像元分解[16]。在面向?qū)ο蟮姆诸惙椒ㄖ饕鎸?duì)的是高分辨率數(shù)據(jù)，Andrea在航空?qǐng)D像和QuickBird圖像，用影像分割方法和面向?qū)ο蠹夹g(shù)對(duì)植被進(jìn)行變化檢測(cè)[17]；周春艷用多尺度分割技術(shù)生成同質(zhì)影像對(duì)象利用光譜特征和形狀特征模糊分類的方法進(jìn)行分類[18]。目前，遙感圖像分類算法有很多，但沒有哪一種分類算法是最佳的[19]，由于遙感影像數(shù)據(jù)的復(fù)雜性只能具體數(shù)據(jù)具體分析，以達(dá)到更好的效果。

在當(dāng)前遙感技術(shù)的分類算法比較多也比較成熟的情況下，由于遙感圖像的復(fù)雜，單一分類算法的分類精度不能滿足應(yīng)用的要求，利用多種分類器組合的方法提高分類精度是可行的途徑。

本文針對(duì)當(dāng)前遙感技術(shù)分類的現(xiàn)狀，用多分類器組合的算法研究提高遙感影像的分類精度，先確定組合分類算法的規(guī)則，再采用熵權(quán)法對(duì)各分類器的差異性進(jìn)行度量，從而確定各分類器的權(quán)重系數(shù)，最后用加權(quán)的組合分類算法對(duì)遙感影像分類[20]。

1實(shí)驗(yàn)區(qū)概況及數(shù)據(jù)處理

1.1　研究區(qū)

本文以大興安嶺地區(qū)塔河林業(yè)局為研究區(qū)，塔河縣位于黑龍江省西北部，地處東經(jīng)123°19′～125°49′，北緯52°07′～53°20′之間，總面積為14 420 km2。東面是呼瑪縣，南面是新林區(qū)和呼中區(qū)，西面是漠河縣，北界是黑龍江主航道中心線也是中國(guó)與俄羅斯的邊界線。塔河縣位于大興安嶺地區(qū)中心，總體地勢(shì)西高東低，屬山地和丘陵地形，區(qū)域內(nèi)最高海拔1 396.7 m，最低海拔209.8 m，平均海拔450 m，年平均氣溫-5℃，年平均降雨量400～500 mm，全年植物生長(zhǎng)期約為120 d，區(qū)域內(nèi)森林蓄積量達(dá)11.183萬 m3，樹種有樟子松、落葉松、云杉、山楊、白樺、柳樹和蒙古櫟[21]。

1.2　數(shù)據(jù)收集與處理

本研究采用Landsat-5 TM衛(wèi)星影像數(shù)據(jù)，軌道編號(hào)為121/23和121/24，時(shí)間為2007年7月19日，地面數(shù)據(jù)采用2005年的二類調(diào)查數(shù)據(jù)。由于衛(wèi)星傳感器在獲得影像數(shù)據(jù)時(shí)受大氣、光、太陽高度角、植被等外界因素和傳感器內(nèi)在因素的影響，使得獲得的遙感影像數(shù)據(jù)發(fā)生輻射退化，所以在進(jìn)行分類之前對(duì)原始的遙感影像數(shù)據(jù)進(jìn)行預(yù)處理，其中包括輻射定標(biāo)、大氣校正、太陽高度角校正、幾何精校正等，兩景遙感影像數(shù)據(jù)通過確定同名地物點(diǎn)進(jìn)行拼接，校正后的精度在一個(gè)像元內(nèi)。再利用二類調(diào)查的矢量邊界掩膜提取出研究區(qū)。

1.3　分類系統(tǒng)的制定

本文制定的分類系統(tǒng)如圖1所示，依據(jù)黑龍江省森林資源規(guī)劃調(diào)查細(xì)則確定分類系統(tǒng)各層次的類別，本文的研究重點(diǎn)是將有林地再分類，參照二類調(diào)查數(shù)據(jù)把有林地分為針葉林、闊葉林和針闊混交林。闊葉樹種主要有山楊、白樺，針葉樹種主要是落葉松和樟子松。

圖1　土地利用分類系統(tǒng) Fig.1 Land classification system

2研究方法

2.1　分類特征的選擇

為了實(shí)現(xiàn)本研究的分類級(jí)別，先對(duì)TM影像進(jìn)行一級(jí)分類提取有林地，在一級(jí)分類過程中所分的4種土地利用類型分別為灌草地、林地、建筑用地和河流，一級(jí)分類使用TM影像數(shù)據(jù)的1、2、3、4、5波段和計(jì)算得到的NDVI波段數(shù)據(jù)，采用最大似然分類算法進(jìn)行分類，得到的總體精度98.36%，kappa系數(shù)為0.96，有林地生產(chǎn)者精度99.31%。在一級(jí)分類提取有林地的基礎(chǔ)上，進(jìn)一步研究針葉林、闊葉林和針闊混交林級(jí)別的三級(jí)分類。

根據(jù)TM遙感影像數(shù)據(jù)的特性，林地在3、4波段的光譜特性顯著，所以進(jìn)一步用3、4波段計(jì)算歸一化植被指數(shù)(NDVI)和比值植被指數(shù)(RVI)。K-T變換是根據(jù)多光譜遙感中土壤、植被等信息在多維光譜空間中信息分布結(jié)構(gòu)對(duì)圖像做的經(jīng)驗(yàn)性線性正交變換，本文選擇K-T變換第一分量土壤亮度指數(shù)(BI)和K-T變換第二分量植被綠度指數(shù)(GVI)作為分類系統(tǒng)的分類特征。計(jì)算各植被指數(shù)的算法如下：

歸一化植被指數(shù)(NDVI)：

(1)

比值植被指數(shù)(RVI)：

(2)

K-T變換土壤亮度指數(shù)(BI)：

BI=0.2909b1+102493b2+0.4806b3+0.5568b4+0.4438b5+0.1706b7。

(3)

K-T變換植被綠度指數(shù)(GVI)：

GVI=-0.2728b1-0.2728b2+0.7721b4-0.733b5-0.1648b7。

(4)

以上植被指數(shù)公式中b1、b2、b3、b4、b5、b7分別代表TM原始圖像的第1、2、3、4、5、7波段。

由于原始波段的數(shù)量級(jí)與NDVI、RVI的數(shù)量級(jí)不同，將NDVI和RVI拉伸到0～255之間，拉伸公式為

(5)

公式中DN像元值為圖像原始像元值，DNmax、DNmin為該圖像的最大值和最小值。

在掩膜提取有林地的基礎(chǔ)上進(jìn)行分類，隨機(jī)選擇訓(xùn)練樣本，建立波譜庫，得到各分類類型的像元值見表1，拉伸到0～255后的值如圖2所示。

表1　遙感影像訓(xùn)練樣本的像元值 Tab.1 Training sample pixel in remote sensing image

圖2　遙感影像各地物類型像元拉伸值 Fig.2 Stretch comparison of the pixel for each surface feature type in remote sensing image

如圖2所示，在NDVI、和RVI波段內(nèi)3種分類類型的光譜特征差異不顯著；在GVI波段可以清楚的分辨出針葉林，但是闊葉林和混交林的光譜差異不顯著；在波段b2、b3、b4、b5、b7、BI內(nèi)3種分類類型波普特征的差異顯著，所以在進(jìn)行分類的過程中選擇b2、b3、b4、b5、b7、BI6個(gè)波段作為分類特征。

2.2　多分類算法組合

多分類器結(jié)合是利用多個(gè)分類器方法的分類結(jié)果，通過某個(gè)合成方式，最終決策融合的規(guī)則。常規(guī)的分類器組合分為測(cè)量級(jí)和抽象級(jí)，投票法組合分類器和Bagging算法組合分類器就是基于抽象級(jí)的組合方法，Bayesian平均結(jié)合規(guī)則就是基于測(cè)量級(jí)分類器組合方法。Wilkinson提出過將統(tǒng)計(jì)分類器和網(wǎng)絡(luò)分類器結(jié)合的方法[22]；Pinz做過將最大似然法和神經(jīng)網(wǎng)絡(luò)法進(jìn)行結(jié)合[23]；Acqual提出很多空間和光譜特征融合的多分類器分類方法[24]。

加權(quán)求和的規(guī)則是通過各子分類器的分類精度大小通過一系列算法確定權(quán)重，這種思維較投票法更為科學(xué)。本研究采用的算法是先確定組合前每個(gè)分類器的權(quán)重，然后計(jì)算出各分類器分類精度的信息熵，通過得到的信息熵計(jì)算出各分類器的變異程度系數(shù)，最后計(jì)算出各分類器的權(quán)重系數(shù)。熵權(quán)法的思想是指標(biāo)的信息熵越小，所提供的信息量越大，在評(píng)價(jià)中的作用就越大，相應(yīng)的權(quán)重也越大。本文假定各單一分類器間是相互獨(dú)立的，并且各分類器的識(shí)別能力有一定差異。所以利用信息熵計(jì)算出各分類器精度的熵值，再利用熵值修正各分類器的權(quán)重，所得到的權(quán)重值更客觀。權(quán)值的確定如下：

先確定單個(gè)分類器各分類類型的精度e(k)i，計(jì)算各分類器的權(quán)重：

(6)

式中：k表示分類器編號(hào)；i表示分類類型；n表示分類類型個(gè)數(shù)；e表示精度值。

不同分類器精度的熵值算法如下：

(7)

公式中k，i，n同上，系數(shù)m的取值如下：

(8)

根據(jù)計(jì)算得到熵值，再利用下面的公式得到各分類器精度的變異程度系數(shù)：

D(k)=1-H(k)。

(9)

由于變異程度越大，權(quán)重就越小，則不同分類器的權(quán)重系數(shù)用以下公式計(jì)算：

(10)

公式中N表示分類器個(gè)數(shù)。

將分類器的信息熵權(quán)重系數(shù)加權(quán)求和，即可得到組合分類器的算法：

(11)

N、k同上，X為分類器算法。

3結(jié)果與分析

3.1　結(jié)　果

對(duì)TM遙感數(shù)據(jù)用最大似然分類器、最小距離分類器、馬氏距離分類器分別進(jìn)行分類，得到的分類誤差矩陣和分類精度見表2~表5。

表2　最小距離分類器分類誤差矩陣 >Tab.2 The minimum distance classifier error matrix

表3　最大似然分類器分類誤差矩陣 Tab.3 The maximum distance classifier error matrix

表4　馬氏距離分類器分類誤差矩陣 Tab.4 The mahalanobis distance classifier error matrix

表5　3種分類器的精度報(bào)告 Tab.5 The classifiers accuracy reported

表6　組合分類器的誤差矩陣和生產(chǎn)者精度 Tab.6 The error matrix and producer accuracy

通過表5可見，3種分類器的對(duì)闊葉林的分類精度相對(duì)較高，最高達(dá)79.45%，最小為75.34%；采用最小距離分類器和最大似然分類器對(duì)針闊混交林的分類精度相似，馬氏距離分類器對(duì)針闊混交林的精度較低僅為47.84%；3種分類器對(duì)針葉林分類精度的波動(dòng)較大，最大精度與最小精度差達(dá)28.82%。馬氏距離分類器對(duì)闊葉林的識(shí)別進(jìn)度明顯高于針葉林和針闊混交林，相比較3種分類器，最大似然分類器的分類精度高于其他兩種分類器。

經(jīng)過計(jì)算確定最小距離分類器信息熵權(quán)重系數(shù)為36.36%；最大似然分類器信息熵權(quán)重系數(shù)為42.97%，馬氏距離分類器信息熵權(quán)重系數(shù)為20.67%。組合后的算法為

X=0.3636×X1+0.4297×X2+0.2067×X3。

(12)

X1、X2、X3分別表示最小距離分類器算法、最大似然分類器算法、馬氏距離分類器算法，X表示組合分類器的算法。

加權(quán)求和分類器的分類結(jié)果如圖3所示。

圖3　組合分類器分類結(jié)果 Fig.3 The classification of multiple classifiers combination

最終組合分類器的總體精度為75.59%比單個(gè)分類器的高，組合分類器對(duì)每種分類類型的精度都有提高，尤其是闊葉林的分類精度達(dá)82.32%。

3.2　分　析

由研究結(jié)果可知，四種分類器對(duì)闊葉林和針葉林的分類精度都比較高，但是對(duì)針闊混交林的分類精度較低，這與針闊混交林的復(fù)雜結(jié)構(gòu)有一定關(guān)系。如圖4所示4種分類器對(duì)3種分類類型的關(guān)系，通過加權(quán)組合分類器的總體精度都高于單個(gè)分類器的精度，從分類類型分析，加權(quán)組合分類器的分類精度明顯高于單個(gè)分類器的精度，針闊混交林類型提高的最顯著，加權(quán)組合分類器的針闊混交林分類精度達(dá)66.45%比單個(gè)分類器中最高的最大似然法精度高4.82%，3種分類器對(duì)針葉林分類精度波動(dòng)較大，組合分類器對(duì)針葉林的分類精度達(dá)75.49%比單分類器算法提高了4.1%，組合分類器算法對(duì)闊葉林的精度達(dá)82.32%提高了2.87%。由于本研究在分類器組合的過程中考慮了各分類器之間的相關(guān)性和互補(bǔ)性，使得組合分類器算法有效的提高了3種分類類型的精度，減少了混淆矩陣中錯(cuò)分和漏分的現(xiàn)象。本研究在精度檢驗(yàn)過程中選擇了46 935個(gè)樣點(diǎn)作為檢驗(yàn)對(duì)象，大量的數(shù)據(jù)避免了檢驗(yàn)過程中所出現(xiàn)的偶然性，最終組合分類器的總體精度提高了3.85%。

圖4　各分類器的精度 Fig.4 The accuracy of the classifiers

4結(jié)論和討論

4.1　結(jié)　論

本文以TM遙感數(shù)據(jù)為信息源，首先對(duì)研究區(qū)進(jìn)行了一級(jí)分類提取林地精度達(dá)98.37%，以此基礎(chǔ)上對(duì)林地進(jìn)行分類，選擇了各分類類型中光譜差異較大的b2、b3、b4、b5、b7、BI 6個(gè)波段進(jìn)行分類，在分類的過程中選擇最小距離法、最大似然法和馬氏距離法3種分類器算法，得到的3種分類器對(duì)針葉林、闊葉林和針闊混交林3種分類類型的精度，從而提出了組合分類器算法的思想，利用信息熵權(quán)重系數(shù)的方法確定組合分類器的算法，得到組合分類器的總體精度為75.58%，針葉林分類精度為75.49%，闊葉林分類精度為82.32%，針闊混交林分類精度為66.45%。

本文得到的結(jié)論有：通過多分類器組合方法對(duì)黑龍江省塔河林場(chǎng)的闊葉林、針闊混交林、針葉林進(jìn)行分類，使得分類的總體精度達(dá)75.58%比單個(gè)分類器提高了3.85%，對(duì)闊葉林的分類精度達(dá)82.32%比單分類器提高了2.87%、針闊混交林的分類精度達(dá)66.45%比單分類器提高4.82%、針葉林的分類精度達(dá)75.49%比單分類器算法提高4.1%；多分類器組合的分類算法綜合了各單分類器的優(yōu)點(diǎn)，結(jié)合了分類器間的相關(guān)性與互補(bǔ)性，本文采用信息熵確定權(quán)重系數(shù)的規(guī)則，這與傳統(tǒng)的投票法規(guī)則相比更科學(xué)，所以信息熵確定權(quán)重系數(shù)規(guī)則進(jìn)行多分類器組合的方法能有效的提高遙感信息的識(shí)別、提取。

4.2　討　論

本文在遙感影像的提取和識(shí)別的地物類型中引入了組合分類器的思想，具體的分析了組合分類器與單個(gè)分類器分類精度。提高遙感影像分類精度的方法有很多，本文選擇了組合分類器算法的方法提高分類精度，但在選擇單個(gè)分類器上的研究比較欠缺，在今后的研究中可以選擇更多的分類器算法如SVM、SAM、支持向量機(jī)等方法進(jìn)行組合已達(dá)到提高遙感精度的目的。

【參考文獻(xiàn)】

[1]金亞秋.空間微波遙感數(shù)據(jù)驗(yàn)證理論與方法[M].北京：科學(xué)出版社，2005.

[2]楊紅磊.EM算法研究及其遙感分類應(yīng)用[D].北京：中國(guó)地質(zhì)大學(xué)，2009.

[3]羅小波，趙春暉，潘建平，等.遙感圖像智能分類及其應(yīng)用[M]，北京：電子工業(yè)出版社，2011.

[4]Ji C Y.Land-use classification of remotely sensed data using kohonen self-organizing feature map neural networks[J].Photogrammetric Engineering & Remote Sensing，2000，66(12)：1451-1460.

[5]Kohonen T.Self organization of a massive document collection[J].Neural Networks，2000，11(3)：570-584.

[6]駱劍承.基于徑向基函數(shù)(RBF)映射理論的遙感影像分類模型研究[J].中國(guó)圖像圖像學(xué)報(bào)，2000，5(2)：95-99.

[7]Bagan H，Ma J W.Dimension reduction of self-organized neural networks classification for multi band satellite data[J].Geometries Information Science of Wuhan University，2004，29(5)：461-465.

[8]張友文，馮學(xué)智，阮仁宗，等.Kohonen神經(jīng)網(wǎng)絡(luò)在遙感影像分類中的研究[J].遙感學(xué)報(bào)，2004，8(2)：178-183.

[9]劉純平.基于Kononen神經(jīng)網(wǎng)絡(luò)聚類方法在遙感分類中的比較[J].計(jì)算機(jī)應(yīng)用，2006，26(7)：1745-1750.

[10]戴芹，馬建文.基于遙感數(shù)據(jù)SOFM網(wǎng)絡(luò)分類結(jié)果的城市增長(zhǎng)潛力模型研究[J].遙感技術(shù)與應(yīng)用，2006，21(3)：200-205.

[11]尹汪宏，李超峰，張俊玲.基于混合核函數(shù)的自組織神經(jīng)網(wǎng)絡(luò)遙感圖像分類[J].計(jì)算機(jī)工程與設(shè)計(jì)，2009，30(2)：288-391.

[12]曲培青，施潤(rùn)和，劉剋.基于遙感和BP人工神經(jīng)網(wǎng)絡(luò)的城鄉(xiāng)氣象站點(diǎn)劃分分析[J].地球信息科學(xué)，2010，12(5)，726-732.

[13]Zhang J，Zhang Y.Classification of hyperspectral data using support vector machine[A].In：Proceedings of IEEE International Conference on Image Processing[C]，Thessaloniki Greece，2001：882-885.

[14]He L M，Kong F S.Multiclass SVM based land cover classification with multisource data[A].In：Proceedings of the Fourth International Conference on Machine Learning and Cybernetics[C].Guangzhou China，2005：3541-3545.

[15]Bateson C A，Asner G P.Endmember bundles：A new approach to incorporating endmember variability into spectral mixture analysis [J].IEEE Transactions Oil Geoscience and Remote Sensing，2000，38(2)：1083-1094.

[16]Wu C.Normalized spectral mixture analysis for monitoring urban composition using ETM+ imagery[J].Remote Sensing of Environment，2004，93(4)：480-492.

[17]Laliberte AS,Rango A,Havstad K M，et al.Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico[J].Remote Sensing of Environment，2004,93：198-210.

[18]周春艷.面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù)[D].青島：山東科技大學(xué)，2006.

[19]柏延臣，王勁峰.結(jié)合多分類器的遙感數(shù)據(jù)專題分類方法研究[J].遙感學(xué)報(bào)，2005，9，(5)：555-563.

[20]叢喜東，梁志強(qiáng).地理信息系統(tǒng)在林業(yè)精細(xì)化管理中的應(yīng)用[J].林業(yè)機(jī)械與木工設(shè)備，2014，04：54-56.

[21]徐化成.中國(guó)大興安嶺森林[M].北京：科學(xué)出版社，1998.

[22]Wilkinson G G，F(xiàn)ierens F.Integration of neural and statistical approaches in spatial data classification[J].Geographical Systems，1995(2)：1-20.

[23]Pinz A J，Bartl R.Information fusion in image understanding Landsat classification and ocular fundus image[A].In：SPIE Sensor Fusion V [C]，Boston，1992：276-287.

[24]Acqual F D，Gamba P，F(xiàn)errari A，et al.Exploiting spectral and spatial information in hyperspectral urban data with high resolution[J].IEEE Transactions on Geoscience and Remote Sensing Letters，2004，1(4)：322-326.

[責(zé)任編輯：劉美爽]