基于RS的高山峡谷区土地利用/覆盖分类研究 ——以大雪山西缘为例

论文摘要

本文选择我国西部甘孜州道孚县境内的高山峡谷地貌作为研究区域,应用3S技术与野外实地调查相结合的方法,采用目视判读、非监督分类、监督分类及综合阈值等不同类型的分类方法,对研究区内全景ASTER卫星影像进行地物分类。得到如下结论:（1）运用ERDAS软件,完成对图像数据的格式转换、几何纠正、图像融合及图像增强的步骤。在目视判读过程中,引入BP人工神经网络对混淆地物进行精确预判。结果表明,该网络整体呈收敛状态,对每类地物的模拟估算都能达到初始设定误差。除耕地外（25.00%）,各地类的分类正确率都在70%以上,分别为林地（95.83%）、裸岩（93.33%）、积雪（90.00%）、居民地（87.50%）、河流（84.00%）、草地（79.17%）。（2）在对不同分类方法下的分类精度比较中,采用了点、面结合的误差统计方法,对三种方法所产生的分类结果进行比较分析。点误差统计中:①分类总体精度方面,非监督分类法最低,为36.56%,监督分类法次之,为60.85%,综合阈值法效果最佳,达71.70%;②地类识别效果方面,非监督分类结果中,林地识别效果最好,耕地、居民地和河流的识别效果最差;监督分类结果中,积雪和河流分类效果最佳,耕地、居民地效果最差;综合阈值法分类结果中,积雪识别效果最好,耕地、居民地最差。面误差统计中:①分类精度方面,非监督法最差、监督分类法次之、综合阈值法最佳;②地类识别效果方面,非监督分类法中,林地和积雪识别较好,绝对误差为78.50 km2和-3.12 km2,相对误差为12.26%和2.04%。耕地和居民地效果最差,绝对误差达153.71 km2和47.28 km2,相对误差高达6445.15%和3528.00%;监督分类法中,裸岩识别效果最好,绝对误差分别为27.89km2,相对误差为15.85%,其它地类识别效果最差,绝对误差和相对误差分别为-160.82 km2和-77.75%;综合阈值法中,效果最好和最差的地类分别为林地和其它地类,绝对误差和相对误差分别是7.30 km2、-147.79 km2和1.15%、-71.45%。（3）在所分地类中,耕地和居民地识别效果最差,河流和积雪识别效果最好。并随着分类方法由定性型向定量知识型规则型的转变,其分类的准确度和分类结果可信度得到大幅提高。采用综合阈值法对高山峡谷地区地物进行识别分类,比非监督分类和监督分类更具优势,适合该地区的土地覆盖调查。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 立题依据和选题意义
• 1.2 研究现状综述
• 1.2.1 遥感分类研究
• 1.2.2 分类因子研究
• 1.3 研究目标、研究内容和技术路线
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.3.3 技术路线
• 2 土地利用/覆盖分类方法
• 2.1 目视判读
• 2.2 非监督分类
• 2.2.1 K平均分类
• 2.2.2 ISODATA分类方法
• 2.3 监督分类
• 2.3.1 最小距离算法
• 2.3.2 最大似然分类算法
• 2.4 人工神经网络分类法
• 2.4.1 BP算法的原理
• 2.4.2 BP算法的执行步骤
• 2.5 综合阈值分类法
• 3 土地利用/覆盖遥感数据预处理
• 3.1 研究区域概况
• 3.2 数据预处理
• 3.2.1 数据源及软件
• 3.2.2 数据预处理
• 4 土地利用/覆盖遥感分类试验
• 4.1 目视判读法
• 4.1.1 模型构造
• 4.1.2 数据归一化
• 4.1.3 数据编码
• 4.1.4 网络学习
• 4.1.5 分类结果
• 4.2 非监督分类
• 4.3 监督分类
• 4.4 综合阈值分类法
• 4.4.1 典型样区选取
• 4.4.2 叠合光谱图
• 4.4.3 辅助图像
• 4.4.4 土地利用/覆盖分类
• 4.4.5 图像融合及输出
• 4.5 本章小结
• 5 土地利用/覆盖分类精度评价
• 5.1 点误差评价
• 5.1.1 简单随机采样
• 5.1.2 分层随机采样
• 5.2 面误差评价
• 6 结论与展望
• 6.1 主要结论
• 6.2 展望
• 参考文献
• 致谢
• 作者简历