1、在大面積的森林資源調(diào)查監(jiān)測中，遙感圖像的森林分類研究成為遙感技術(shù)應(yīng)用的重要方向。本研究對面向?qū)ο蟮腟POT5遙感圖像多分類器森林分類進行了初步的研究，旨在提高SPOT5圖像森林分類精度，為解決森林分類問題提供科學(xué)依據(jù)。在研究中，先對SPOT5遙感圖像進行預(yù)處理、圖像分割、特征信息提取等一系列處理；再運用Matlab編程計算，分別通過協(xié)方差矩陣和復(fù)相關(guān)系數(shù)進行對象特征的簡單相關(guān)性篩選和多重相關(guān)性篩選；然后采用改進最小距離、馬氏距離、Bay

2、es、SVM、BP神經(jīng)網(wǎng)絡(luò)5個分類器對SPOT5遙感圖像進行分類，實現(xiàn)面向?qū)ο蠖喾诸惼魃址诸?；接著?個分類器的分類結(jié)果采用多數(shù)投票法進行多分類器結(jié)合；最后對分類結(jié)果進行精度評價分析。主要的研究結(jié)果如下：
　　 (1)運用matlab編程實現(xiàn)分類后，從類型精度和數(shù)量精度兩個方面對分類結(jié)果進行精度評價，類型精度為主要參考指標(biāo)，數(shù)量精度為輔助參考指標(biāo)。從類型精度方面，各分類器分類的總體精度和kappa系數(shù)從高到低依次為：Bayes

3、>SVM>馬氏距離>BP神經(jīng)網(wǎng)絡(luò)>改進最小距離；從數(shù)量精度方面，各分類器分類的面積相對誤差從小到大依次為SVM(22.59％)>Bayes(25.91％)>BP神經(jīng)網(wǎng)絡(luò)(33.28％)>馬氏距離(78.33％)>改進最小距離(125.05％)。經(jīng)過綜合評價得出，本研究中Bayes分類器的分類效果最佳，它的分類總體精度、kappa系數(shù)、面積相對誤差分別為72.02％、0.6767、25.91％,
　　 (2)利用相同的特征集采用不

4、同分類器進行分類，無論是生產(chǎn)者精度、用戶精度還是條件Kappa系數(shù)，各個分類類型最優(yōu)的分類器都有所不同，在各精度指標(biāo)的最優(yōu)分類器中，Bayes分類器占有最大的比例，說明Bayes分類器分類效果最優(yōu)。
　　 (3)除了最小距離分類器，其他分類器林地類型的分類精度均低于非林地類型的分類精度。林地類型中速生桉和針葉林的分類精度較高，灌木林、宜林地和一般闊葉林的分類精度相對較低。
　　 (4)對5個分類器的結(jié)果采用多數(shù)投票法進行