论文部分内容阅读
本研究利用TM卫星遥感数据和野外观测数据,围绕广州生态环境服务价值这个主题,运用遥感定量反演模型和知识,提取研究区域绿地的地表参数,进行基于遥感的区域土壤水反演方法研究和城市生态绿地服务价值的评价方法研究,以实现对研究区域生态服务价值评价。文中在总结前人的研究成果基础上,围绕着数据处理—遥感地表参数反演—遥感与模糊聚类相结合的方法评价城市绿地生态环境服务价值等过程进行了深入地研究。主要成果如下:
⑴针对黑体对象法和MODTRAN两个大气校正模型的特点与不足,提出了黑体对象法模型和MODTRAN模型相结合的大气校正方法,即通过MODTRAN模型提供的能见度和辐照度参与到黑体对象法模型的大气校正中,实现对研究区影像数据的大气校正。研究表明,两者结合的方法比MODTRAN和黑体对象法单一模型效率提高了10%,精度提高了4.5%,验证运用此方法的可行性。
⑵从地表反照率的定义出发,提出了一种用MODTRAN模型所获得的入射与出射通量,直接反演地表反照率的方法,研究表明,该方法反演不同地物反照率的精度误差为1.7%~5.9%,对难以获得大量地面实测数据的地区,为一种简便、实用的方法。
⑶改进的遥感热惯量模型,只涉及到地表最高温度,不必求算地表昼夜温差,简化的模型运算方法。改进的模型在热传导方程的边界条件中引进显热通量和潜热通量,提高了其反演表层土壤水的精度。同时考虑到植被因素的影响,在植被覆盖区,使用双层模型中的土壤热能量平衡方程,使遥感热惯量法反演表层土壤水的适用范围从裸土区扩展到植被覆盖区。通过实验验证,改进真实热惯量模型反演的表层土壤水精度较表观热惯量反演的表层土壤水精度平均提高4.17%,绿色植物覆盖区域提高了8.68%,证明了该模型的实用性和可靠性。
⑷针对目前遥感图像分类方法分类精度低的缺点,同时考虑TM光谱信息和地表结构变化信息,运用自组织基本竞争神经网络对TM图像进行分类作了研究。研究表明该方法优于最大似然法仅依靠光谱信息进行分类。分类精度提高了18.5%,整体精度达到了89.1%。
⑸在遥感技术支持下,利用神经网络与模糊聚类结合方法对对城市绿地生态环境服务价值的评价与等级划分进行探讨。利用神经网路技术实现对单一因子的城市绿地环境服务价值的划分,在此基础上利用模糊聚类法对区内所有的影响因子进行综合分析,最终完成对研究区域生态环境服务价值的综合评价。以广州作为研究区域,实验结果表明此方法是合理可行的。此方法综合了遥感技术、神经网络和模糊聚类各方面的优点,实现了对大区域数据处理能力和对不确定性因素分析的能力,从而实现了对研究区域城市绿地生态服务价值的自动划分,划分结果基本符合已有数据信息的定性分析结果。