论文部分内容阅读
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。