本文關鍵詞：基于MODIS數據的云南省土地覆蓋分類研究，由筆耕文化傳播整理發(fā)布。

【摘要】：應用遙感技術對土地覆蓋進行分類是遙感應用領域的一項基礎性研究工作,且精確而動態(tài)地獲取大尺度區(qū)域土地覆蓋數據是目前全球變化監(jiān)測研究中所面臨的任務。MODIS數據具有成像面積較大、易于獲取同步信息、成本低等特點,較AVHRR數據具有的多光譜、多時相和較高分辨率等優(yōu)勢,是土地覆蓋分類比較常見的數據源,因此探討基于MODIS數據開展土地覆蓋遙感分類方法研究是十分必要的。以滇西北香格里拉為實驗區(qū),以2013年1月、4月、7月和10月四個時相的MODIS影像為數據源,提取和選擇相關的分類特征指數信息,通過實驗從分類精度和性能評價最大似然、BP神經網絡、決策樹分類和支持向量機四種分類器,確定最優(yōu)方法,進而利用該最優(yōu)方法進行云南省土地覆蓋分類,主要結論如下:1、MODIS數據具有多個波段,從MODIS數據中提取分類特征,實驗研究發(fā)現,最優(yōu)分類特征參與分類實驗時,精度由組合I的79.86%提高到組合II的84.90%,提高了近5個百分點;同時將四個時相的地表反射率數據與最優(yōu)特征信息組合后進行分類實驗,分類精度明顯得到提高,精度由組合I的79.86%提高到組合IV的88.98%,提高了近9個百分點,這說明分類特征和時相信息都能對分類結果產生影響。2、不同的分類特征對分類精度的影響各不相同,有些分類特征的加入不一定能提高某些類別的精度,如白天地表溫度Tday的加入,建設用地的精度反而由74.36%降到69.79%,因此說明了最優(yōu)分類特征的選擇和提取對分類的重要性。3、以香格里拉為實驗研究區(qū),分別通過最大似然、BP神經網絡、決策樹分類和支持向量機四種方法進行分類實驗,指數特征與時相信息的加入都對分類精度產生的影響,同時還從性能來分析評價四種分類器,從不同組合后的分類精度可知:最大似然法、BP神經網絡、決策樹分類和支持向量機的分類精度分別為82.74%、83.38%、85.57%和88.98%,因此,宜選用精度最高的支持向量機分類器對云南省進行土地覆蓋分類,以得到較高的分類精度。4、利用全年四個時相的地表反射率數據,并加入最優(yōu)的分類特征指數EVI、NDWI、Tday和NDBI,采用支持向量機分類器對云南省全省土地覆蓋進行分類,并利用二調數據、全省地理國情普查的野外樣本數據、野外實地調查數據進行精度驗證,混淆矩陣的總體分類精度和kappa系數分別為70.78%和0.6264,對分類質量而言,屬于好的一列,認為選擇支持向量機對云南省進行分類是適宜的。5、分別統(tǒng)計全省的滇東南區(qū)、滇東北區(qū)、滇西南區(qū)、滇西北區(qū)、滇中區(qū)、滇西區(qū)六個區(qū)域的土地覆蓋類型分布情況,為更新調查及實時動態(tài)監(jiān)測云南省的土地利用數據、土地資源規(guī)劃與管理以及MODIS數據的推廣應用提供技術方法和區(qū)域案例。
【關鍵詞】：MODIS 最大似然法 BP神經網絡 決策樹法 支持向量機 土地覆蓋分類
【學位授予單位】：云南師范大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：P237
【目錄】：

• 摘要4-6
• Abstract6-15
• 第1章 緒論15-24
• 1.1 土地覆蓋的概念15-16
• 1.2 土地覆蓋的研究背景及意義16-17
• 1.2.1 土地覆蓋的研究背景16
• 1.2.2 研究意義與目的16-17
• 1.3 國內外研究綜述17-21
• 1.3.1 國外研究現狀17-18
• 1.3.2 國內研究現狀18-20
• 1.3.3 研究的不足之處20-21
• 1.4 研究內容與技術路線21-24
• 1.4.1 主要研究內容21
• 1.4.2 技術路線21-24
• 第2章 研究區(qū)概況與數據源24-32
• 2.1 研究區(qū)概況24-27
• 2.1.1 地理位置24-25
• 2.1.2 自然地理環(huán)境25-26
• 2.1.3 社會經濟概況26-27
• 2.2 數據源的選擇及預處理27-31
• 2.2.1 MODIS數據探測器與數據產品27-28
• 2.2.2 輔助數據28-29
• 2.2.3 數據的選擇及預處理29-31
• 2.3 小結31-32
• 第3章 MODIS土地覆蓋分類的特征提取與選擇32-44
• 3.1 分類系統(tǒng)的確定32-35
• 3.1.1 實驗區(qū)概況32-33
• 3.1.2 分類系統(tǒng)33-34
• 3.1.3 樣本點的選擇34-35
• 3.2 分類特征的選擇和提取35-43
• 3.2.1 分類特征提取方法35-36
• 3.2.2 類別可分性判別原則36-38
• 3.2.3 分類特征提取和最優(yōu)分類特征的選擇38-43
• 3.3 小結43-44
• 第4章 四種分類方法分類實驗與性能比較44-69
• 4.1 分類方法及原理44-49
• 4.1.1 最大似然法44-45
• 4.1.2 BP神經網絡法45-47
• 4.1.3 決策樹分類47
• 4.1.4 支持向量機47-49
• 4.2 組合不同分類特征的分類實驗49-60
• 4.2.1 組合I50-52
• 4.2.2 組合II52-55
• 4.2.3 組合III55-57
• 4.2.4 組合IV57-59
• 4.2.5 實驗結論59-60
• 4.3 分類方法性能比較60-62
• 4.3.1 分類性能的衡量指標60-61
• 4.3.2 模型復雜度與訓練樣本61-62
• 4.3.3 訓練精度與估計精度62
• 4.3.4 特征維數與訓練樣本數62
• 4.4 對比實驗62-67
• 4.4.1 訓練速度與測試精度的對比62-64
• 4.4.2 分類器的分類精度與訓練樣本的關系64-65
• 4.4.3 分類器的分類精度與數據維數的關系65-67
• 4.5 小結67-69
• 第5章云南省的土地覆蓋分類69-84
• 5.1 土地覆蓋分類系統(tǒng)選擇69-70
• 5.2 訓練樣本數據的選擇70-71
• 5.3 基于最優(yōu)方法的基于2013年云南省土地覆蓋分類71-72
• 5.4 精度驗證與評價72-76
• 5.4.1 分類精度的概念和意義72-73
• 5.4.2 誤差來源及其特征73-74
• 5.4.3 精度評價方法74-75
• 5.4.4 分類結果精度與Kappa系數75-76
• 5.5 土地覆蓋分類結果分析76-82
• 5.5.1 不同區(qū)域土地覆蓋類型分布分析76-78
• 5.5.2 不同海拔下土地覆蓋分布情況78-81
• 5.5.3 不同坡度下土地覆蓋分布情況81-82
• 5.6 小結82-84
• 第6章 結論與展望84-86
• 6.1 結論84-85
• 6.2 不足與展望85-86
• 參考文獻86-91
• 攻讀學位期間發(fā)表的論文和研究成果91-92
• 致謝92

【參考文獻】

中國期刊全文數據庫 前10條

1 駱劍承,梁怡,周成虎;基于尺度空間的分層聚類方法及其在遙感影像分類中的應用[J];測繪學報;1999年04期

2 張景;姚鳳梅;徐永明;張佳華;;基于MODIS的土地覆蓋遙感分類特征的評價與比較[J];地理科學;2010年02期

3 李秀彬;全球環(huán)境變化研究的核心領域──土地利用／土地覆被變化的國際研究動向[J];地理學報;1996年06期

4 駱成鳳,王長耀,劉永洪,牛錚;利用BP算法進行新疆MODIS數據土地利用分類研究[J];干旱區(qū)地理;2005年02期

5 徐曉桃;韓濤;頡耀文;;基于單時相MODIS數據的土地覆蓋三種分類方法對比研究[J];干旱地區(qū)農業(yè)研究;2008年03期

6 赫英明;王漢杰;張洪峰;;遙感數據的土地覆蓋分類[J];解放軍理工大學學報(自然科學版);2011年03期

7 逄超;陳圣波;王亞楠;陶玉龍;張恭正;;基于MODIS數據的朝鮮半島土地利用變化信息提取[J];世界地質;2010年01期

8 修麗娜,劉湘南;人工神經網絡遙感分類方法研究現狀及發(fā)展趨勢探析[J];遙感技術與應用;2003年05期

9 賈明明;劉殿偉;宋開山;王宗明;姜廣甲;杜嘉;曾麗紅;;基于MODIS時序數據的澳大利亞土地利用/覆被分類與驗證[J];遙感技術與應用;2010年03期

10 盧玲,李新,董慶罕,Else Swinnen,Frank Veroustraete,王建華,王一謀;SPOT4-VEGETATION中國西北地區(qū)土地覆蓋制圖與驗證[J];遙感學報;2003年03期

中國博士學位論文全文數據庫 前1條

1 延昊;中國土地覆蓋變化與環(huán)境影響遙感研究[D];中國科學院研究生院（遙感應用研究所）;2002年

中國碩士學位論文全文數據庫 前4條

1 黎林根;云南省礦產資源現狀與立法及對策初探[D];昆明理工大學;2004年

2 劉惠英;基于MODIS遙感數據的干旱區(qū)土地覆被分類和湖泊監(jiān)測的研究[D];福建農林大學;2004年

3 吳學軍;城市TM遙感圖像分類方法研究[D];廣西師范大學;2007年

4 魏強;基于MODIS和TM數據的京津冀地區(qū)土地覆被分類方法研究[D];河北師范大學;2010年

  本文關鍵詞：基于MODIS數據的云南省土地覆蓋分類研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：367125