基于MODIS数据的云南省土地覆盖分类研究

发布时间：2017-05-15 07:19

  本文关键词：基于MODIS数据的云南省土地覆盖分类研究，由笔耕文化传播整理发布。

【摘要】：应用遥感技术对土地覆盖进行分类是遥感应用领域的一项基础性研究工作,且精确而动态地获取大尺度区域土地覆盖数据是目前全球变化监测研究中所面临的任务。MODIS数据具有成像面积较大、易于获取同步信息、成本低等特点,较AVHRR数据具有的多光谱、多时相和较高分辨率等优势,是土地覆盖分类比较常见的数据源,因此探讨基于MODIS数据开展土地覆盖遥感分类方法研究是十分必要的。以滇西北香格里拉为实验区,以2013年1月、4月、7月和10月四个时相的MODIS影像为数据源,提取和选择相关的分类特征指数信息,通过实验从分类精度和性能评价最大似然、BP神经网络、决策树分类和支持向量机四种分类器,确定最优方法,进而利用该最优方法进行云南省土地覆盖分类,主要结论如下:1、MODIS数据具有多个波段,从MODIS数据中提取分类特征,实验研究发现,最优分类特征参与分类实验时,精度由组合I的79.86%提高到组合II的84.90%,提高了近5个百分点;同时将四个时相的地表反射率数据与最优特征信息组合后进行分类实验,分类精度明显得到提高,精度由组合I的79.86%提高到组合IV的88.98%,提高了近9个百分点,这说明分类特征和时相信息都能对分类结果产生影响。2、不同的分类特征对分类精度的影响各不相同,有些分类特征的加入不一定能提高某些类别的精度,如白天地表温度Tday的加入,建设用地的精度反而由74.36%降到69.79%,因此说明了最优分类特征的选择和提取对分类的重要性。3、以香格里拉为实验研究区,分别通过最大似然、BP神经网络、决策树分类和支持向量机四种方法进行分类实验,指数特征与时相信息的加入都对分类精度产生的影响,同时还从性能来分析评价四种分类器,从不同组合后的分类精度可知:最大似然法、BP神经网络、决策树分类和支持向量机的分类精度分别为82.74%、83.38%、85.57%和88.98%,因此,宜选用精度最高的支持向量机分类器对云南省进行土地覆盖分类,以得到较高的分类精度。4、利用全年四个时相的地表反射率数据,并加入最优的分类特征指数EVI、NDWI、Tday和NDBI,采用支持向量机分类器对云南省全省土地覆盖进行分类,并利用二调数据、全省地理国情普查的野外样本数据、野外实地调查数据进行精度验证,混淆矩阵的总体分类精度和kappa系数分别为70.78%和0.6264,对分类质量而言,属于好的一列,认为选择支持向量机对云南省进行分类是适宜的。5、分别统计全省的滇东南区、滇东北区、滇西南区、滇西北区、滇中区、滇西区六个区域的土地覆盖类型分布情况,为更新调查及实时动态监测云南省的土地利用数据、土地资源规划与管理以及MODIS数据的推广应用提供技术方法和区域案例。
【关键词】：MODIS 最大似然法 BP神经网络 决策树法 支持向量机 土地覆盖分类
【学位授予单位】：云南师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P237
【目录】：

• 摘要4-6
• Abstract6-15
• 第1章 绪论15-24
• 1.1 土地覆盖的概念15-16
• 1.2 土地覆盖的研究背景及意义16-17
• 1.2.1 土地覆盖的研究背景16
• 1.2.2 研究意义与目的16-17
• 1.3 国内外研究综述17-21
• 1.3.1 国外研究现状17-18
• 1.3.2 国内研究现状18-20
• 1.3.3 研究的不足之处20-21
• 1.4 研究内容与技术路线21-24
• 1.4.1 主要研究内容21
• 1.4.2 技术路线21-24
• 第2章 研究区概况与数据源24-32
• 2.1 研究区概况24-27
• 2.1.1 地理位置24-25
• 2.1.2 自然地理环境25-26
• 2.1.3 社会经济概况26-27
• 2.2 数据源的选择及预处理27-31
• 2.2.1 MODIS数据探测器与数据产品27-28
• 2.2.2 辅助数据28-29
• 2.2.3 数据的选择及预处理29-31
• 2.3 小结31-32
• 第3章 MODIS土地覆盖分类的特征提取与选择32-44
• 3.1 分类系统的确定32-35
• 3.1.1 实验区概况32-33
• 3.1.2 分类系统33-34
• 3.1.3 样本点的选择34-35
• 3.2 分类特征的选择和提取35-43
• 3.2.1 分类特征提取方法35-36
• 3.2.2 类别可分性判别原则36-38
• 3.2.3 分类特征提取和最优分类特征的选择38-43
• 3.3 小结43-44
• 第4章 四种分类方法分类实验与性能比较44-69
• 4.1 分类方法及原理44-49
• 4.1.1 最大似然法44-45
• 4.1.2 BP神经网络法45-47
• 4.1.3 决策树分类47
• 4.1.4 支持向量机47-49
• 4.2 组合不同分类特征的分类实验49-60
• 4.2.1 组合I50-52
• 4.2.2 组合II52-55
• 4.2.3 组合III55-57
• 4.2.4 组合IV57-59
• 4.2.5 实验结论59-60
• 4.3 分类方法性能比较60-62
• 4.3.1 分类性能的衡量指标60-61
• 4.3.2 模型复杂度与训练样本61-62
• 4.3.3 训练精度与估计精度62
• 4.3.4 特征维数与训练样本数62
• 4.4 对比实验62-67
• 4.4.1 训练速度与测试精度的对比62-64
• 4.4.2 分类器的分类精度与训练样本的关系64-65
• 4.4.3 分类器的分类精度与数据维数的关系65-67
• 4.5 小结67-69
• 第5章云南省的土地覆盖分类69-84
• 5.1 土地覆盖分类系统选择69-70
• 5.2 训练样本数据的选择70-71
• 5.3 基于最优方法的基于2013年云南省土地覆盖分类71-72
• 5.4 精度验证与评价72-76
• 5.4.1 分类精度的概念和意义72-73
• 5.4.2 误差来源及其特征73-74
• 5.4.3 精度评价方法74-75
• 5.4.4 分类结果精度与Kappa系数75-76
• 5.5 土地覆盖分类结果分析76-82
• 5.5.1 不同区域土地覆盖类型分布分析76-78
• 5.5.2 不同海拔下土地覆盖分布情况78-81
• 5.5.3 不同坡度下土地覆盖分布情况81-82
• 5.6 小结82-84
• 第6章 结论与展望84-86
• 6.1 结论84-85
• 6.2 不足与展望85-86
• 参考文献86-91
• 攻读学位期间发表的论文和研究成果91-92
• 致谢92

【参考文献】

中国期刊全文数据库 前10条

1 骆剑承,梁怡,周成虎;基于尺度空间的分层聚类方法及其在遥感影像分类中的应用[J];测绘学报;1999年04期

2 张景;姚凤梅;徐永明;张佳华;;基于MODIS的土地覆盖遥感分类特征的评价与比较[J];地理科学;2010年02期

3 李秀彬;全球环境变化研究的核心领域──土地利用／土地覆被变化的国际研究动向[J];地理学报;1996年06期

4 骆成凤,王长耀,刘永洪,牛铮;利用BP算法进行新疆MODIS数据土地利用分类研究[J];干旱区地理;2005年02期

5 徐晓桃;韩涛;颉耀文;;基于单时相MODIS数据的土地覆盖三种分类方法对比研究[J];干旱地区农业研究;2008年03期

6 赫英明;王汉杰;张洪峰;;遥感数据的土地覆盖分类[J];解放军理工大学学报(自然科学版);2011年03期

7 逄超;陈圣波;王亚楠;陶玉龙;张恭正;;基于MODIS数据的朝鲜半岛土地利用变化信息提取[J];世界地质;2010年01期

8 修丽娜,刘湘南;人工神经网络遥感分类方法研究现状及发展趋势探析[J];遥感技术与应用;2003年05期

9 贾明明;刘殿伟;宋开山;王宗明;姜广甲;杜嘉;曾丽红;;基于MODIS时序数据的澳大利亚土地利用/覆被分类与验证[J];遥感技术与应用;2010年03期

10 卢玲,李新,董庆罕,Else Swinnen,Frank Veroustraete,王建华,王一谋;SPOT4-VEGETATION中国西北地区土地覆盖制图与验证[J];遥感学报;2003年03期

中国博士学位论文全文数据库 前1条

1 延昊;中国土地覆盖变化与环境影响遥感研究[D];中国科学院研究生院（遥感应用研究所）;2002年

中国硕士学位论文全文数据库 前4条

1 黎林根;云南省矿产资源现状与立法及对策初探[D];昆明理工大学;2004年

2 刘惠英;基于MODIS遥感数据的干旱区土地覆被分类和湖泊监测的研究[D];福建农林大学;2004年

3 吴学军;城市TM遥感图像分类方法研究[D];广西师范大学;2007年

4 魏强;基于MODIS和TM数据的京津冀地区土地覆被分类方法研究[D];河北师范大学;2010年

  本文关键词：基于MODIS数据的云南省土地覆盖分类研究，由笔耕文化传播整理发布。

，

本文编号：367125