论文部分内容阅读
通过具有全球观测能力的卫星遥感技术,人们能够收集大量有关陆地、海洋和大气环境的观测数据。这些数据是对整个地球系统不同侧面的真实反映,是生态环境变化与环境问题研究中强有力的、无可替代的重要数据源。尤其是经过长时间积累所形成的遥感卫星观测时序数据,是对地表历史与现状最真实可靠的记录资料,依靠时序遥感数据,人们可以探寻关于生态环境变化的事实与成因。尽管已经出现了一些以时序遥感数据为基础的应用研究,但完整地具有实践指导意义的系统性分析研究仍较稀缺。因此,有必要展开面向时序遥感数据的信息挖掘方法研究,充分发掘时序遥感数据内部隐含的各种有用的规律信息或模式,这对于发挥时序遥感数据在生态环境变化研究中的应用潜力具有重要意义。 论文以武汉城市群土地覆被序列数据,MODIS地表温度和NDVI时序数据为数据源,应用数据挖掘的技术手段与研究方法,探讨时序遥感数据信息挖掘方法,并揭示武汉城市群土地覆被、地表温度和NDVI的时空变化规律。论文的主要研究结果包括: 1.将序列模式挖掘和时空模式挖掘方法引入遥感数据的信息挖掘,探讨了这两种方法针对不同类型遥感时序数据挖掘的可行性和适用性,是对现有时序遥感数据处理分析方法的有益补充与完善。 在序列模式挖掘方法方面,首先,借鉴数据挖掘中频繁字符串项集的挖掘技术,利用CARMA算法进行频繁序列模式挖掘,获取了土地覆被序列数据中稳定的覆被类型分布;其次,将数据序列表示为前缀树的形式,并使用并查集算法进行伴随序列模式挖掘,用于获取土地覆被序列数据中空间连续的变化类型分布;最后,在频繁序列模式挖掘算法中加入点矩阵约束,形成聚集序列模式挖掘方法,实现了土地覆被序列数据中先后发生的变化类型的信息获取。 在时空模式挖掘方法方面,作为传统T型主成分分析方法的补充,延伸扩展了S型主成分分析方法,并进一步与趋势分析方法相结合,应用于研究区地表温度和NDVI时序数据,获取时序数据内部的年际趋势,季节趋势和时空模式,形成面向时间域和空间域的完整的时序遥感数据信息挖掘的思路和方法。 2.应用序列模式挖掘方法对武汉城市群1980年到2010年的土地覆被序列数据进行分析,主要结论如下: 频繁序列模式挖掘结果显示,湿地和农田是省直管市(仙桃、潜江、天门)最为稳定的土地覆被类型,林地,湿地和农田是其余各市最为稳定的土地覆被类型。 伴随序列模式挖掘结果显示,在城市群各市,发生的变化都集中出现于1990-2005年间,与此同时,城镇类型变化最为活跃,主要表现为农田向城镇的转变。 聚集序列模式挖掘结果显示,湿地向农田的转变是农田面积增加的最主要方式。 3.应用时序遥感数据的趋势分析及时空模式挖掘方法,对武汉城市群2003年1月至2010年12月MODIS的地表温度时序数据进行分析,主要结论为: 针对年际趋势,实验表明对于短期(小于30年)且包含一定噪声影响的数据,使用中值趋势法分析年际趋势更适宜。 在季节趋势方面,分析显示,2003年到2010年,江汉平原地区其地表温度峰值(卫星过境时)有延后趋势。 在时空模式方面,实验表明,时空模式规律性的改变能够反映天气气候异常状况的发生。 4.通过对武汉城市群2003年1月至2010年12月MODIS的NDVI时序数据的趋势分析及时空模式挖掘,取得以下结论: 年际趋势方面,实验说明,2003年到2010年间武汉城市群植被覆盖相对稳定。 季节趋势方面,实验发现,2003年到2010年间武汉城市群中部地区的NDVI峰值有延后趋势。 在时空模式方面,实验说明,T型PCA分析的对象是整幅图像,寻找的是覆盖整个研究区域的空间模式,而S型PCA倾向于发现那些贯穿整个时间范围,重复出现于小区域内的时间模式。对于NDVI来说,很难寻找到覆盖整个区域的通用的空间模式,但是可以在小区域内寻找其时间模式,体现了两种不同类型PCA分析的重要区别。因此在应用该时空模式挖掘方法过程中,必须针对不同的研究目标和研究对象选择适用的PCA分析方法,从而获得可靠的结论。