本文關鍵詞：基于FY-3A MERSI資料的中國區(qū)域土地覆蓋分類研究

  更多相關文章： FY-3A 中分辨率光譜成像儀(MERSI) 土地覆蓋分類 支持向量機

【摘要】：土地覆蓋數(shù)據(jù)是地球科學眾多領域研究的基礎數(shù)據(jù),在地理學、大氣科學、農學、林學等領域具有重要應用。土地覆蓋分類是土地覆蓋研究中的基礎性工作,利用遙感技術獲取土地覆蓋數(shù)據(jù)已成為大尺度土地覆蓋研究中的熱點。我國自主研制的新一代極軌氣象衛(wèi)星FY-3A發(fā)射成功,其裝載的中分辨率光譜成像儀(MERSI)具有可見光、近紅外、熱紅外等多個通道,為大尺度的土地覆蓋分類提供了重要數(shù)據(jù)源。 本文基于MERSI反射率、植被指數(shù)、亮溫和DEM數(shù)據(jù),選用最大似然法、BP神經網絡法和支持向量機法作為分類方法,在吉林省、江蘇省、湖北省、青海省和廣東省5個試驗區(qū),開展土地覆蓋分類預試驗。分析分類結果,確定分類精度最高的分類方法,并用于整個中國區(qū)域土地覆蓋分類。 本文得到以下主要結論： (1)根據(jù)MERSI數(shù)據(jù)特點,前5波段具有250米空間分辨率,將1-5波段的反射率、植被指數(shù)、亮溫、DEM數(shù)據(jù)作為分類特征,能有效地選取樣本,從而更快更好的對研究區(qū)進行土地覆蓋分類。 (2)分類方法的選擇能有效地提高分類精度。本文基于MERSI L1數(shù)據(jù),利用最大似然法、BP神經網絡法和支持向量機法對不同季節(jié)不同時間點的吉林省、江蘇省、湖北省、青海省和廣東省5個試驗區(qū)進行土地覆蓋分類,從得到的混淆矩陣表可以看出,支持向量機的分類精度最高,故在整個中國區(qū)域的土地覆蓋分類中選用支持向量機法作為分類方法。 (3)基于2012年2月、2012年4月、2012年8月、2012年11月MERSI植被指數(shù)月產品,采用支持向量機法進行土地覆蓋分類研究,最終得到4個不同季節(jié)的分類結果,并利用比較分析法和農作物地面實測點對分類結果進行精度驗證。從面積一致性分析來看,4個月的分類結果與對應時段的VIRR土地覆蓋日產品總體上保持一致,4個月的相關系數(shù)都很高,最高的為4月份,R2為0.9294；從混淆矩陣分析來看,4個月的總體精度都保持在80%,其中2月份的總體精度最高,達到了82.6268%,Kappa系數(shù)為0.7962；從農用地與中國農作物生長發(fā)育和農田土壤濕度旬數(shù)據(jù)集農作物地面采樣點的一致性來看,4個月的農用地與農作物地面采樣點很好的吻合,保持在90%左右。精度驗證結果表明,MERSI資料及支持向量機方法能應用在大尺度宏觀土地覆蓋分類中。
【關鍵詞】：FY-3A 中分辨率光譜成像儀(MERSI) 土地覆蓋分類 支持向量機
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：P237;P407
【目錄】：

• 摘要6-7
• Abstract7-9
• 第一章 緒論9-15
• 1.1 研究目的及意義9-10
• 1.2 國內外研究進展10-12
• 1.2.1 國外研究進展10-11
• 1.2.2 國內研究進展11-12
• 1.3 本文主要研究工作12-15
• 1.3.1 本文研究內容及論文組織12-13
• 1.3.2 本文的技術路線圖13-15
• 第二章 研究區(qū)及數(shù)據(jù)15-26
• 2.1 研究區(qū)分布15
• 2.2 研究區(qū)概況15-20
• 2.2.1 吉林省試驗區(qū)15-16
• 2.2.2 江蘇省試驗區(qū)16
• 2.2.3 湖北省試驗區(qū)16
• 2.2.4 青海省試驗區(qū)16-17
• 2.2.5 廣東省試驗區(qū)17
• 2.2.6 整個中國研究區(qū)17-20
• 2.2.6.1 地理位置17
• 2.2.6.2 地形地貌17-19
• 2.2.6.3 氣候19-20
• 2.2.6.4 植被分布情況20
• 2.3 遙感數(shù)據(jù)介紹20-25
• 2.3.1 風云三號氣象衛(wèi)星及MERSI資料介紹20-24
• 2.3.2 MERSI數(shù)據(jù)時相選擇24-25
• 2.3.3 輔助數(shù)據(jù)25
• 2.4 本章小結25-26
• 第三章 FY-3A MERSI資料預處理26-31
• 3.1 衛(wèi)星觀測值輻射定標26-28
• 3.1.1 可見光、近紅外定標方法26-27
• 3.1.2 熱紅外定標方法27-28
• 3.2 大氣校正28
• 3.3 幾何校正28-29
• 3.4 地圖投影及圖像拼接、裁剪29-30
• 3.5 本章小結30-31
• 第四章 分類方法的選擇和比較31-50
• 4.1 分類方法及原理31-35
• 4.1.1 最大似然法31
• 4.1.2 BP神經網絡法31-32
• 4.1.3 支持向量機法32-35
• 4.1.3.1 最優(yōu)分類超平面32-34
• 4.1.3.2 核函數(shù)34-35
• 4.2 分類試驗35-43
• 4.2.1 分類系統(tǒng)的確定35-36
• 4.2.2 樣本選取36-37
• 4.2.3 分類特征選擇及處理37-42
• 4.2.3.1 地表反射率及亮溫37-39
• 4.2.3.2 植被指數(shù)39-42
• 4.2.4 分類方案42-43
• 4.3 分類試驗結果及分析43-49
• 4.3.1 基于吉林省試驗區(qū)的土地覆蓋分類44-45
• 4.3.2 基于江蘇省試驗區(qū)的土地覆蓋分類45-46
• 4.3.3 基于湖北省試驗區(qū)的土地覆蓋分類46
• 4.3.4 基于青海省試驗區(qū)的土地覆蓋分類46-47
• 4.3.5 基于廣東省試驗區(qū)的土地覆蓋分類47-48
• 4.3.6 精度評價48-49
• 4.4 本章小結49-50
• 第五章 基于支持向量機方法的中國區(qū)域土地覆蓋分類50-60
• 5.1 分類實驗50-52
• 5.2 分類結果與精度評價52-59
• 5.2.1 精度評價標準52-53
• 5.2.1.1 類型面積相關分析52
• 5.2.1.2 混淆矩陣分析52-53
• 5.2.1.3 地面采樣點精度分析53
• 5.2.2 精度評價53-59
• 5.2.2.1 面積一致性分析54-55
• 5.2.2.2 空間混淆分析55-57
• 5.2.2.3 地面采樣點精度分析57-59
• 5.3 本章小結59-60
• 第六章 結論與展望60-62
• 6.1 主要結論60-61
• 6.2 創(chuàng)新點61
• 6.3 存在的問題及下一步工作61-62
• 參考文獻62-67
• 致謝67-68
• 作者簡介68

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王馨凝;李國春;;基于MERSI和MODIS數(shù)據(jù)的2種監(jiān)督分類方法比較研究[J];現(xiàn)代農業(yè)科技;2009年07期

2 冉有華;李新;盧玲;;四種常用的全球1km土地覆蓋數(shù)據(jù)中國區(qū)域的精度評價[J];冰川凍土;2009年03期

3 陳佑啟,PeterH.Verburg;中國土地利用/土地覆蓋的多尺度空間分布特征分析[J];地理科學;2000年03期

4 郭煥成;土地利用調查與制圖方法的初步研究[J];地理學報;1984年03期

5 董超華;楊軍;盧乃錳;楊忠東;施進明;張鵬;劉玉潔;蔡斌;;風云三號A星(FY-3A)的主要性能與應用[J];地球信息科學學報;2010年04期

6 潘耀忠,李曉兵,何春陽;中國土地覆蓋綜合分類研究──基于NOAA/AVHRR和Holdridge PE[J];第四紀研究;2000年03期

7 李爽,張二勛;基于決策樹的遙感影像分類方法研究[J];地域研究與開發(fā);2003年01期

8 王崇倡;武文波;張建平;;基于BP神經網絡的遙感影像分類方法[J];遼寧工程技術大學學報(自然科學版);2009年01期

9 徐曉桃;韓濤;頡耀文;;基于單時相MODIS數(shù)據(jù)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

10 柳海鷹,高吉喜,李政海;土地覆蓋及土地利用遙感研究進展[J];國土資源遙感;2001年04期

，

本文編號：531249