论文摘要
紫茎泽兰是一种世界性的恶性杂草，于20世纪40年代经中缅边境传入我国，在我国西南地区已造成严重危害，并有不断向北入侵蔓延的趋势。传统常规的调查监测方法成本高、精度差，而且不具备监测要求的时效性，无法及时把握杂草分布状态与实施防除措施。本文以西昌市为研究试点区，选择ASTERL1B级数据和土地利用图为数据源，首先对西昌市紫茎泽兰分布的实际情况进行野外实地调查，获取典型样地及紫茎泽兰群落指标，结合西昌市实际情况和所采用卫星影像特征，确定了该区主要地物的分类体系；然后对ASTER原始数据进行统计分析，筛选出适宜波段进行图像融合处理；同时对样地群落特征指标与相对应的植被指数指标进行相关分析，选择出对紫茎泽兰群落最敏感的植被指数，并提取该植被指数的纹理信息，与筛选出的适宜波段融合生成含纹理信息的融合图像；最后运用最大似然分类法和马氏距离分类对研究区VNIR图像和两种融合图像进行共六种组合分类，自动提取目标害草信息，选择满足分类精度要求的最佳分类方式，初步探索出快速、准确、方便的调查紫茎泽兰分布的方法和技术，为紫茎泽兰实地监测提供了重要参考依据，其主要研究结论如下：（1）通过样地群落指标与其对应的光谱指标计算和相关分析，发现在NDVI、RVI和PVI三种植被指数中，RVI对于紫茎泽兰群落敏感性最高，与群落指标相关性最好，相关系数均大于0.7（最高达到0.80），能较好反映其群落特征。（2）对ASTER数据三种传感器生成的三种分辨率的影像数据进行Gram-Schmidt融合处理，可以将具有较高光谱分辨率的多光谱遥感波段的空间分辨率从30m×30m提高到15m×15m，增加更多的地表地物组分信息，而光谱信息在变换前后不发生改变，确保了后续图像分类的可靠性。（3）对于同一融合数据源，最大似然法分类效果优于马氏距离法分类，对融合图像的分类，最大似然分类法的总体精度和Kappa系数分别为78.50％和0.7496，高于马氏距离的73.70％和0.6936；对于加入纹理信息的融合图像分类，最大似然分类法的总体精度达到90.52％，明显高于马氏距离的80.64％，而Kappa系数达到0.8894，高于后者的0.7741。（4）对于同一分类方法，添加了纹理信息的最大似然分类结果优于未添加纹理信息的分类结果，前者的分类总体精度和Kappa系数分别为90.5207％和0.8894，均高于融合图像分类的78.5047％和0.7496，以及原始VNIR分类的84.1121％和0.8149结果；而马氏距离的分类结果，则是原始光谱VNIR的分类结果优于添加纹理信息的融合图像，前者的分类总体精度和Kappa系数分别为86.2483％和0.8397，高于后者的80.6409％和0.7741，无纹理信息的融合图像分类结果最差，总体精度和Kappa系数分别等于73.6983％和0.6936。（5）从单种地物类型的分类精度来看，添加植被指数的纹理信息使可使紫茎泽兰、草地和林地等植被相关地类的分类精度提高，这三种地物类型均是以添加纹理信息的融合图像最大似然法的分类制图精度最高，分别达到86.92％、73.91％和100％。（6）经过六种组合分类结果比较，添加纹理信息的融合图像基于最大似然法分类结果精度最高，总体精度和Kappa系数最大，分别是90.5207％和0.8894，该精度可满足紫茎泽兰遥感分类与制图的要求。