湿地信息的遥感提取方法,作为遥感科学、湿地科学、图像处理、人工智能和机器学习等研究的交叉领域,一直是近年来研究的热点和难点。尽管针对特定小尺度下湿地的自动提取已取得较大进展,但是由于影响湿地因子的多样性和复杂性、湿地非地带性分布的特征,使得面向大尺度湿地信息的遥感提取依然面临很多困难。当前,湿地信息遥感提取的方法可分为曰视解译、计算机自动分类和模型预测等几种类型。　　 为探讨复杂地表环境中的沼泽湿地(尤其是森林湿地)的信息提取问题,本文以我国东北大兴安岭地区为例,在综合分析湿地形成与分布影响因子的基础上,将这些因子与不同的遥感数据源结合,研究利用计算机自动分类、模型预测等方法进行沼泽湿地的自动分类方法,以提高沼泽湿地提取的效率和精度。研究表明,在提高分类效率的同时,结合多种与湿地分布相关的有效信息(如地形湿度指数、坡度等因素)有利于提高湿地提取的精度。本文的主要研究内容及结论有:　　 1.利用传统单一的光学遥感影像(Landsat TM),人工目视解译很难判别复杂地表环境条件下的特定湿地类型(例如,被森林冠层遮挡的下层湿地)。本文通过对比和分析以人工目视解译方法完成的Landsat TM及其融合DEM、ALOS PALSAR影像的湿地制图成果,表明使用ALOS PALSAR图像、DEM等作为辅助信息之后,比仅使用Landsat TM影像作为唯一数据源时,湿地提取精度提高31.91％。　　 2.在湿地的计算机自动分类方面,本文结合Landsat TM影像、ALOSPALSAR L波段HH和HV极化影像、DEM及其衍生数据等,通过分析湿地的成因及其在不同遥感图像上的特征,利用最大似然、决策树、支持向量机和随机森林等方法建立数据驱动的湿地信息分类规则,实现了对湿地信息的自动分类,并对各种分类方法及其结果进行了对比,结果表明对森林沼泽分类精度最高的是利用13个波段进行随机森林分类的结果,生产者精度高达78.16％;其次为最大似然法,森林沼泽提取精度为71.23％;决策树方法对森林沼泽的分类精度最低(50.87％)。　　 3.本文利用Logistic模型对大兴安岭地区湿地分布进行预测,以0.5作为划归湿地与非湿地的阈值生成了该区湿地分布图,结果表明该方法对湿地预测的生产者精度高达77％以上。　　 本文的主要创新点如下:　　 1.在分析湿地成因的基础上,综合利用各种与湿地成因相关的遥感数据进行湿地信息提取,使湿地信息提取中可利用的数据源由传统的遥感图像各波段组合扩展到具有更加丰富信息量的数据。　　 2.引入地形指数、雷达数据作为辅助数据,发现这两类辅助数据的使用总体上可以提高计算机自动分类精度及Logistic模型预测湿地的精度,因此,结合DEM等刻画地形的数据以及雷达图像进行Logistic模型预测和湿地遥感分类是可行的。