湿地水域面积提取方法概述湿地水域面积的提取方法有很多，在本次论文中选择大似然法、面向对象法和决策树法三种方法。其中，最大似然法是最常用的分类方法，它以影像像元为最小单元，算法最为简单，也最易于实施，但由于遥感影像的复杂性，当特征空间中类别的分布比较离散，或选取的样本不具有代表性，将导致分类结果偏离实际情况；面向对象的最小单元是一个影像对象，它能充分利用高分影像的光谱和纹理信息，这个是其它两种分类方法很难做到的，但面向对象法的速度比较慢，耗时长；决策树法的最小单元也是单个的影像像元，在针对复杂下垫面时可以利用多种规则，机理明确，具有结构清晰、运行速度快，准确性高的特点，当特征空间分布复杂时，也能得到理想的分类结果。但决策树的分类规则的获取比较困难，由于规则的不同，分类精度也有不同程度的影响。71713

2 国内研究进展

最大似然法：玉苏普江·艾麦提[2]等基于RS和GIS，运用最大似然法对艾比湖地区进行分类提取湿地信息，并对湿地信息动态变化进行研究，整体分类精度在90%以上；李琳[3]用最大似然法、决策树算法和BP神经网络算法等方法分别对鄱阳湖区都昌县湿地特征进行分类提取，其中最大似然法的总体分类精度为82.69%。

面向对象法：乔婷[4]等人将NDVI应用到多尺度分割中，结合基于隶属度函数和阈值的面向对象的分类方法对东洞庭湖湿地信息进行提取，使分类总精度达到了87.69%，其中泥滩地用户精度为91.23%，芦苇地用户精度为78.95%，荻地用户精度为90.00%；莫利江[5]等人使用面向对象法对杭州湾南岸地区湿地景观进行遥感影像分类，使分类总精度达到了88.80%。

决策树法：朱晓荣[6] 以洞庭湖湿地为例，利用决策树分类方法对湿地类型进行分类，其中水体、芦苇滩地的用户精度都达到90%以上，泥滩地和苔草滩地的用户精度80%以上；刘冰[7]等以崇明东滩河口型湿地为例，通过对研究区ETM+影像进行K-T变换、HLS变换，主成分分析，并结合NDVI指数、均值纹理等特征，构建基于知识规则的决策树模型来提取湿地信息，使分类总精度达到了88.83%；汪小钦[8]等利用5个时期的多平台遥感数据，采用分层分类和决策分类等方法，对福州海岸带湿地资源进行提取和分类，其中分类精度高达80%以上的湿地类型有海水区、沙滩、水产养殖区，湖泊水库和草滩地的分类精度大部分在70%~80%。论文网

3 国外研究进展

Aurélie Davranche[9]等人利用决策树方法，基于SPOT-5 时间序列影像，对法国南部Camargue 区域的湿地进行分布区域提取。使用该方法对研究区的芦苇和大型潜水植物提取的精度分别可高达98.7%和97.4%; Wright and Gallant[10]以TM和ETM+遥感影像为主要数据源，辅以土壤、地形等地理辅助数据，完成了黄石公园地区的湿地精细分类，将湿地大类划分为5个小类，总体分类精度达到了85%以上，湿地单一大类的整体分类精度达到了95%。

4 小结

国内外对湿地进行分类最主要的方法是最大似然法、面向对象法和决策树法这三种。最大似然法作为一种传统的分类方法，操作最简单、使用也最多，但由于这种分类方法单纯的依据地物光谱特征进行分类，且遥感影像本身存在“同物异谱、异物同谱”的现象,使得最大似然分类法往往会出现较多的错分、漏分现象。所以，与最大似然法相比，面向对象法与决策树法的分类精度将会更高。面向对象法能够利用高分影像丰富的光谱、形状、结构、纹理等信息，可以结合专家知识进行分类，能够显著提高分类精度，并且使分类后的图像含有丰富的信息，便于解译和理解。所以面向对象法是一种能够有效提取高分影像丰富信息的分类方法，具有很好的应用前景。决策树法根据光谱特征、空间关系和其他上下文关系归类像元，提高了遥感影像中其他信息的利用率，同时也提高了分类精度，但分类规则的获取往往比较复杂，时间也大部分消耗在规则的获取上面。三种分类方法各有其优缺点，本次研究旨在分析比较这三种分类方法，选出最适合西溪湿地“景观破碎”特点的分类方法。