基于MODIS數(shù)據(jù)的華東地區(qū)土地利用與土地覆被分類研究.pdf

1、準確實時獲取區(qū)域及其全球范圍內(nèi)的土地利用/土地覆被類別已成為當前全球變化研究中的熱點。本文充分利用MODIS在大尺度土地利用/土地覆被分類中的優(yōu)勢，結(jié)合統(tǒng)計方法、數(shù)據(jù)挖掘技術(shù)、機器學習等技術(shù)手段，采用多種土地利用/土地覆被分類方法，獲取高精度的華東地區(qū)土地利用/土地覆被圖。
　　對2009年中國華東區(qū)域（山東、安徽、江蘇、江西、浙江、福建、上海）的土地利用/土地覆被分類進行研究。最大似然法、決策樹法在大尺度土地利用/土地覆被分類應

2、用較為廣泛，而馬氏距離法、支持向量機大尺度土地利用/土地覆被分類中很少涉及。本文主要圍繞著如何提高分類精度方面進行展開。
　　1、特征數(shù)據(jù)的選擇:從近年來土地利用/土地覆被的研究中，我們知道單單依靠遙感影像的波段反射率產(chǎn)品，并不能達到很好的分類效果。所以在特征數(shù)據(jù)的選擇上，加入高程信息(DEM)、植被指數(shù)(NDVI、EVI)、水體指數(shù)(NDWI)，濕度指數(shù)(NDWI)、土壤亮度指數(shù)(NDMI)。其中植被指數(shù)、高程信息的加入在很大程

3、度上提高了分類精度，應用比較廣泛，而水體指數(shù)，濕度指數(shù)、土壤亮度指數(shù)在土地利用/土地覆被分類應用還比較少。本文將綜合研究它們在MODIS在大尺度土地利用/土地覆被分類中的作用。
　　2、分類方案的確定:對影像特征進行分類特征組合，確定分類方案。
　　3、訓練樣本的選擇:訓練樣區(qū)是分類器進行分類的基礎(chǔ)數(shù)據(jù)，它質(zhì)量的好壞直接影響分類器的表達。在訓練樣本選擇時要考慮到各分類器對訓練樣本的要求。通過對訓練樣本的定量分析計算各類別的J

4、-M距離，不斷進行試驗調(diào)整選擇符合要求的訓練樣本。
　　4、分類器的選擇:在土地利用/土地覆被研究中，從傳統(tǒng)的監(jiān)督分類、非監(jiān)督分類到?jīng)Q策樹分類、神經(jīng)網(wǎng)絡、支持向量機、面向?qū)ο蠓诸惙?、專家系統(tǒng)分類、多分類器分類等多種方法。每種分類方法都不是萬能的，都有其優(yōu)勢和缺點。本文選擇了最大似然法、馬氏距離法、CART決策樹法、支持向量機，其中支持向量機又包括Linear線性核、Poly多項式、RBF核、Sigmoid核四種核函數(shù)。結(jié)果顯示支持