论文部分内容阅读
土地覆盖和土地覆盖的自然变更,在地球系统的气候和生物化学全球尺度模式中扮演着重要角色,对全球生态环境产生着巨大的影响。地表土地覆盖信息是全球气候和陆地水文地理模型的基本输入。遥感为获取全球性和区域性土地覆盖信息提供了有效的技术手段。我国幅员辽阔,地表土地覆盖分布状况复杂多样,因此对我国地表土地覆盖状况进行研究对全球环境变化研究具有重要意义。 本文以MODIS植被指数和陆地表面温度为主要遥感数据源,进行了全国地表土地覆盖信息提取研究。首先提出基于NDVI-Ts特征空间的温度植被角度和距离(TVA&TVD)作为表征地表土地覆盖状况的生物物理参数。选择TVA和TVD作为主要分类特征,并用主成分分析(PCA)提取主要信息。用人工神经元网络算法进行大尺度低分辨率的全国土地覆盖分类研究,提出基于GA优化的BP神经网络遥感数据分类算法,用其对全国土地覆盖进行分类,并将该算法与模糊ARTMAP算法和最大似然法分类结果进行分析比较。本文还利用变化矢量方法对地表植被和土地覆盖状况进行变化监测研究。 本文的方法创新点归纳为: 1) 提出表征地表土地覆盖信息的生物物理参数:温度植被角度和距离(TVA&TVD)。 不同的地表土地覆盖类型在NDVI-Ts特征空间中空间分布差异非常明显,基于NDVI-Ts特征空间的TVA和TVD,能够唯一表达不同地表土地覆盖类别在NDVI-Ts特征空间中的位置。无论从信息含量的角度,还是不同类别的年内点轨迹,TVA和TVD对不同地表土地覆盖类别差异的体现都要优于NDVI和Ts。 2) 选择和提取了一组适合全国土地覆盖分类的特征 选择TVA和TVD时间序列数据、空间结构信息、数字高程作为分类特征,并用主成分变换(PCA)对TVA和TVD时间序列数据进行特征提取,得到既利于区分不同类别又含有主要信息的特征作为分类输入参数。为了比较,选择NDVI和Ts时间序列数据、空间结构信息、数字高程作为分类特征,经过同样的特征提取,得到另外一组输入参数。用相同的样本和分类算法对全国土地覆盖进行分类,结果表明:以TVA和TVD为主要参数提取的分类特征,其全国土地覆盖分类结果要优于以NDVI和TS为主要参数提取的分类特征。 3) 用遗传算法(GA)对反向传播神经网络算法(BP)进行优化,并将其用于大尺度低分辨率土地覆盖分类应用中