论文部分内容阅读
目前的遥感成像手段主要是将地表三维信息存储成二维矩阵空间模型。由于地球系统的开放性和复杂性；遥感信息在传输和还原过程中的衰减，决定了遥感影像具有复杂、不确定和信息不完全的特点。遥感影像信息的智能处理和分析的关键问题之一在于如何建立恰当的分析处理模型。其模型的好坏直接关系到能否较好的解决同谱异物和同物异谱问题，提高解译的精确性和可靠性。
粗集理论是一门新兴的研究不确定性的理论和工具。它对于不完整、不确定知识和数据的表达和学习有着理论和方法上的优势。数据中存在着各种误差，这已经早已为人们所知，遥感数据从数据的获取、传播到知识提取每一个环节都一直伴随着不确定性的存在。人们解决这些问题的迫切性使得粗集理论在遥感数据不确定性上的研究方兴未艾。
地表植被信息的获取一直是遥感应用领域里的重要方向。植被对于人类生活环境的重要性不言而喻。在遥感应用中，植被覆盖度是一个需要提取的非常重要的环境变量。同样的，植被遥感信息也存在同样的不确定性问题。随着人们对于获取数据的精度不断提高和智能数据处理方法研究的不断深入，传统的特征提取方法局限性已愈加明显。本文从遥感影像包含的不确定性分析入手，结合粗集理论的不确定性处理机制，以分类决策表的构造为主线，对遥感影像植被盖度的特征量提取、简约和分类进行研究，并试验证明其有效性
论文的主要的研究成果有：
(1)阐述了粗糙集的理论和对遥感不确定性的认识，指出粗糙集属性简约的思想可降低数据的冗余度，提高影像分类和专题特征的提取精度。
(2)研究粗糙集理论下的植被特征的知识分类，指出了粗糙集的分类算法不仅是分类，还可以进行影像特征抽取和知识发现。
(3)进行了粗糙集遥感影像分类试验，试验表明粗糙集对遥感图像进行植被盖度信息提取是可行的，试验结果由于传统分类方法
(4)试验表明在分类特征成非正态分布的情况下，粗糙集分类方法比基于概率统计的最大似然分类法更为有效。