论文部分内容阅读
城市是一个具有庞大规模、复杂结构和不断发展的动态体系,城市化的水平在一定意义上反映了一个国家的发达水平.在城市化过程中,伴随着农村人口向城镇的大量转移和城镇向外围的扩展,土地非农化与农地竞用的问题会变得越来越突出,来自于农地保护的压力也会越来越大。城市扩展的监测和研究是国土资源监测的重要任务之一。遥感技术具有宏观、综合、动态、快速等特点,应用遥感技术手段进行城市扩展研究,对揭示城市扩展规律发挥了重要的作用。
本文是在多年对北京市进行土地利用/覆盖变化监测的基础上,分析研究时间序列中存在的精度分析和空间尺度问题。传统的遥感监测精度分析方法多用于单一时相和两个时相,对于时间序列上遥感监测精度分析研究还属于探索阶段。多尺度对遥感监测城市扩展研究的影响主要来源于两个方面:(1)由于分类的尺度效应导致的面积测量的不一致性;(2)用于分析城市扩展模式的景观指数具有很强的尺度依赖性。文中遥感监测年份包括1984年,1988年,1991年,1994年,1997年,2001年,2004年和2007年,监测数据源包括Landsat TM和SPOT-5卫星影像。论文的主要工作和成果包含以下几个方面:
(1)基于规则的时间序列遥感监测精度分析研究
在时间序列遥感监测结果中,前人通过提取出样本点的变化轨迹特征,建立合理性规则,分析得到时间序列监测结果的总体精度。前人提出的合理性规则是基于其他土地覆盖类型向居民地土地覆盖类型是不可逆的假设前提。文中针对这种情况提出了保留区规则,进一步完善了基于规则的时间序列遥感监测精度分析方法;然后将多时相监测结果划分为不同时间序列的遥感监测数据集,进一步分析规则的有效性;最后,按照误差传播理论,计算不同时间序列的遥感监测数据集的传播误差。
(2)基于人工神经网络的面积测量方法研究
分类的尺度效应导致了多尺度的面积测量的不一致性。有别于采用混合像元分解方法对多尺度影像进行面积测量,本文的数据源是多尺度的遥感分类结果数据,研究对象是位于混合像元区域内的多尺度面积测量。采用的方法是二步校正模型:(1)线性模型,以多尺度土地类型的隶属度作为系数,建立不同尺度之间的面积测量线性模型;(2)基于人工神经网络的景观指数与隶属度的计算模型,以景观指数作为输入集,隶属度作为输出集,获得基于人工神经网络的计算模型。将该方法与景观指数的线性回归方法和面积回归方法进行比较分析。
(3)基于总量控制的向上尺度转换方法研究
通过可获得面积测量结果,在这个已知条件下,针对SPOT和TM数据,在居民地图斑周围建立10米,20米和30米的缓冲区,与混合像元区域进行叠加,在混合像元区域内按照缓冲区半径从小到大的顺序,逐次进行土地类型变更,同时进行面积累加,当累加面积超过已知面积总量时,就对缓冲区内部按照3×3斑块内居民地所占的百分比,从大到小进行3×3斑块的土地类型变更,以达到最接近已知居民地面积。
研究结果初步表明:(1)基于规则的时间序列遥感监测精度分析方法可以有效的分析不同时间序列的监测结果的总体精度;(2)基于人工神经网络的面积测量方法得到的结果好于其他两处方法得到的结果;(3)基于总量控制的尺度转换方法获得的结果好于常用的面积占优法和随机规则法得到的结果。