城市綠地作為調(diào)節(jié)城市生態(tài)環(huán)境、景觀格局、溫度等的重要組成部分,研究其在城市中分布情況具有重要意義,同時隨著遙感技術(shù)的發(fā)展,使用遙感數(shù)據(jù)與雷達多源數(shù)據(jù)提取地物具有很大優(yōu)勢,國內(nèi)外有學(xué)者結(jié)合Sentinel-1A與Sentinel-2A進行土地覆被等研究,但未針對城市綠地進行研究,故本文旨在研究新型Sentinel-1A和Sentinel-2A影像數(shù)據(jù)在城市綠地提取上的應(yīng)用。本文以金華市二環(huán)內(nèi)城區(qū)為研究區(qū),以Sentinel-1A和Sentinel-2A為數(shù)據(jù)源,采用面向?qū)ο蠓诸惙椒?進行土地分類并重點提取綠地,通過六種數(shù)據(jù)方案,探索S2紅邊波段、S1雷達數(shù)據(jù)及紋理特征等在綠地提取上相比單一數(shù)據(jù)的優(yōu)勢。同時,對比所有特征參與的面向?qū)ο蠓诸�、隨機森林特征優(yōu)選后分類、結(jié)合類層次構(gòu)建與特征優(yōu)選分類三種方法,選出最優(yōu)分類方案,分析金華市二環(huán)內(nèi)市中心區(qū)域綠地空間分布及季節(jié)變化分析。主要研究結(jié)果為:（1）多源數(shù)據(jù)較單一光學(xué)數(shù)據(jù)在城市綠地提取中有明顯優(yōu)勢,S2A紅邊波段及S1A雷達數(shù)據(jù)對城市用地提取均有利,紅邊波段尤其對綠地的提取有利,雷達數(shù)據(jù)對城市人工建設(shè)用地提取有利。結(jié)合Sentinel-1A和Se... 

【文章來源】：浙江師范大學(xué)浙江省

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【部分圖文】：

eCognition隸屬度函數(shù)設(shè)置Fig1.2eCognitionmembershipfunctionsettings

1緒論11圖1.3隨機森林算法原理圖Fig1.3TheschematicdiagramofRandomforestalgorithm隨機森林算法是應(yīng)用很多的一種算法，它有很多優(yōu)勢，如準(zhǔn)確率高，能處理高維的信息不需要降維，高效運行大數(shù)據(jù)，且可以忽略數(shù)據(jù)值間的差異，不用進行歸一化，同時，能夠評估各個特征在分類問題上的重要性，該優(yōu)勢也是本文選擇其作為分類算法的原因，通過特征的重要性可以分析各類數(shù)據(jù)對分類的貢獻，從而剔除不必要容易造成冗余的特征，選擇出最優(yōu)特征集組合。eCognition軟件中嵌入了隨機森林算法，在面向?qū)ο蠓诸怌lassfier模塊中，在基于規(guī)則的分類過程中，可以選用隨機森林算法進行，eCognitionDeveloper軟件中包含很多特征獲取，用于構(gòu)建分類規(guī)則，但單純依據(jù)實驗獲取區(qū)分地物的規(guī)則，往往需要一遍遍地在eCognition中進行試驗，需要較多時間，且主觀性很強，可能并不是最優(yōu)的特征提取閾值，而且在計算紋理特征時，速度較慢，復(fù)雜地類很難直接找到提取規(guī)則，故可結(jié)合隨機森林算法進行分類。對于特征較多時，并不是所有特征對分類都有貢獻，隨機森林算法可對各特征的重要性進行評分，根據(jù)評分選擇貢獻較大的特征有利于提高分類速度，改善分類結(jié)果，本文的方案五則先使用SalfordPredictiveModeler（簡稱SPM）軟件，對隨機森林的特征重要性得分進行計算，優(yōu)選分類特征，再進行分類。

2研究區(qū)概況與預(yù)處理13圖2.1研究區(qū)域圖及對應(yīng)S2A影像Fig2.1StudyareamapandS2Aimage2.2數(shù)據(jù)來源與預(yù)處理2.2.1遙感數(shù)據(jù)獲取Sentinel-1和2號衛(wèi)星數(shù)據(jù)為歐洲國家空間局分別于2014年和2015年，發(fā)射的兩顆衛(wèi)星。哨兵1號是C波段合成孔徑雷達數(shù)據(jù)，包含單極化及雙極化模式，歐空局網(wǎng)站（https://scihub.esa.int）支持免費下載，可下載Level-0和Level-1級數(shù)據(jù)，數(shù)據(jù)產(chǎn)品類型有兩種，斜距單視產(chǎn)品（SLC產(chǎn)品）和地距多視產(chǎn)品（GRD產(chǎn)品），提供三種成像模式：干涉寬幅模式（IW，分辨率5m*20m）、超幅寬模式（EW，20m*40m）、條帶成像模式（EW，5m*5m），本文選擇IWGRD（干涉寬幅模式的地距多視產(chǎn)品數(shù)據(jù)），極化方式選擇VV+VH模式。哨兵-2號衛(wèi)星攜帶一枚多光譜成像儀(MSI)，高度為786km，可覆蓋13個光譜波段，地面分辨率有10m、20m和60m三種，一顆衛(wèi)星的重訪周期為10天，兩顆互補，重訪周期為5天，表2.1為Sentine-2數(shù)據(jù)波段信息介紹。表2.1S2A和S2B數(shù)據(jù)波段詳細信息Tab2.1S2AandS2Bdatabanddetails波段Sentinel-2ASentine-2B分辨率中心波長/nm波段寬度/nm/m中心波長/nm波段寬度/nmB1-海岸波段443.927442.34560B2-藍波段496.698492.19810

【參考文獻】：
期刊論文
[1]基于隨機森林和Sentinel-2影像數(shù)據(jù)的低山丘陵區(qū)土地利用分類——以重慶市江津區(qū)李市鎮(zhèn)為例[J]. 張衛(wèi)春,劉洪斌,武偉.  長江流域資源與環(huán)境. 2019(06)
[2]Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取[J]. 張磊,宮兆寧,王啟為,金點點,汪星.  遙感學(xué)報. 2019(02)
[3]基于Sentinel-1A與Sentinel-2A融合的土地利用/覆蓋分類研究——以昆明市呈貢區(qū)為例[J]. 關(guān)韻桐,李金平.  測繪與空間地理信息. 2018(07)
[4]哨兵衛(wèi)星Sentinel-2A數(shù)據(jù)特性及應(yīng)用潛力分析[J]. 陳旭,郝震寰.  科技視界. 2018(16)
[5]集成學(xué)習(xí)之隨機森林算法綜述[J]. 王奕森,夏樹濤.  信息通信技術(shù). 2018(01)
[6]基于Sentinel-1A極化SAR數(shù)據(jù)與面向?qū)ο蠓椒ǖ纳絽^(qū)地表覆被分類[J]. 向海燕,羅紅霞,劉光鵬,楊任飛,雷茜,程玉絲,陳婧祎.  自然資源學(xué)報. 2017(12)
[7]基于Sentinel-2A時序數(shù)據(jù)和面向?qū)ο鬀Q策樹方法的植被識別[J]. 畢愷藝,牛錚,黃妮,康峻,裴杰.  地理與地理信息科學(xué). 2017(05)
[8]基于WorldView-2影像數(shù)據(jù)對杭州西湖區(qū)綠地信息提取研究[J]. 錢軍朝,徐麗華,邱布布,陸張維,龐恩奇,鄭建華.  西南林業(yè)大學(xué)學(xué)報(自然科學(xué)). 2017(04)
[9]哨兵衛(wèi)星Sentinel-1A數(shù)據(jù)特性及應(yīng)用潛力分析[J]. 歐陽倫曦,李新情,惠鳳鳴,張寶鋼,程曉.  極地研究. 2017(02)
[10]顧及極化特征的SAR與光學(xué)影像融合與分類[J]. 萬劍華,臧金霞,劉善偉.  光學(xué)學(xué)報. 2017(06)

博士論文
[1]激光雷達和高光譜數(shù)據(jù)融合的城市土地利用分類方法研究[D]. 滿其霞.華東師范大學(xué) 2015

碩士論文
[1]基于多時相遙感影像的南京市新增建設(shè)用地提取與分析[D]. 梁昊.南京大學(xué) 2019
[2]高分辨率SAR衛(wèi)星影像洪水區(qū)域提取應(yīng)用研究[D]. 陳志國.武漢大學(xué) 2017
[3]基于Sentinel-1和Landsat 8數(shù)據(jù)的潮間帶鹽沼濕地分類研究[D]. 胥為.華東師范大學(xué) 2017
[4]基于易康軟件平臺下的北京城區(qū)林木樹冠覆蓋解譯與檢驗[D]. 宋宜昊.中國林業(yè)科學(xué)研究院 2016
[5]基于ZY-3影像的北京市六環(huán)以內(nèi)城市用地信息提取及特征分析[D]. 王彩艷.山東農(nóng)業(yè)大學(xué) 2015
[6]基于高分辨率遙感影像提取城市綠地信息的方法研究[D]. 張金營.中國石油大學(xué)（華東） 2012



本文編號：3065478