基于遥感时序数据的中国陆地植被覆盖变化分析研究

基于遥感时序数据的中国陆地植被覆盖变化分析研究

论文摘要

陆地地表植被覆盖变化是遥感、环境学、气象学等诸多学科所关注的一个重要领域,不仅是遥感应用中需要解决的一个重要环节,也是气候变化分析和地表碳循环等诸多领域研究的基础。已有的地表植被覆盖变化分析多集中在固定实验区域,采用同步遥感数据或一些选定的技术方法,从而得到相应的分析结果。而对地表植被覆盖变化时空尺度变化、数据源差异及多种方法结合的综合、系统的研究尚不多见。论文对近20余年来涉及地表植被覆盖变化方法这一主题相关研究作了回顾,总结了其存在的问题,分析了地表植被覆盖变化研究的一些研究方向,基于遥感时序影像数据在不同空间尺度及时间尺度前提下进行了相关主题的研究。 论文的主要内容和创新点包括: (1) 比较分析了低植被盖度典型遥感因子的性能。以新疆艾比湖地区和陕西安塞地区为实验区,通过与两种植被指数的比较及实地采样数据对比分析,研究了不同植被覆盖信息提取方法对信息提取的精度影响,最终确定了以植被指数作为地表覆盖遥感分析主要指标;通过对地表生物量野外同步采样,得到基于MODIS EVI植被指数的生物量计算公式,计算结果与实地数据相关系数达到0.87。 (2) 对西北灌溉地区的ASTER及SPOT遥感影像融合分类进行了研究,结果表明该方法将有效提高地表覆被分类精度。借助影像融合,实验区覆被监督分类精度从81.67%提高到89.67%,Kappa系数从0.7800提高到0.8760。 (3) 在不同时空尺度下进行了植被指数时序数据时空变化、覆盖分类等多方法综合研究,分析了不同方法各自特点及在研究空间尺度扩大条件下的适用性。结果表明,空间尺度变化是影响应用方法的重要原因,随着试验区空间尺度变化,一些小区域的研究方法受数据源及特定数据处理方法限制,在应用中受到很大限制。由此,选择合适的数据源和分析方法是大区域尺度地表覆被动态变化研究中的首要工作,受空间尺度变化影响较小的分析方法如时间序列模型分析等方法具有普遍的应用优势。 (4) 进一步研究了基于遥感时序数据的数学建模方法,首次引入自回归滑动时间序列模型对NDVI时序数据进行了数学建模分析。通过与常用拟合方法比较发现,基于自回归滑动时间模型拟合精度明显提高,以1990-1994年5年间60期月平均NDVI真值检验得知,对有效值域为0-1.0的NDVI数据,拟合误差集中分布在±0.15之间。 (5) 在中小区域空间尺度研究基础上,论文从地表覆盖、生物量、气候影响作

论文目录

  • 第一章 基于遥感的植被覆盖变化研究综述
  • 第一节 土地利用/覆被变化与全球变化
  • 第二节 国内外研究进展
  • 1. 国外研究进展
  • 2. 国内研究进展
  • 第三节 国内外研究回顾及论文组织框架
  • 1. 国内外研究回顾
  • 2. 论文组织框架
  • 本章小结
  • 第二章 气象/NDVI时序数据集建立
  • 第一节 实验区
  • 1. 实验区分布
  • 2. 实验区概述
  • 第二节 数据集建立
  • 1. 遥感影像初期处理
  • 2. 气象/NDVI时序数据集建立
  • 本章小结
  • 第三章 植被覆盖信息的遥感提取与分析
  • 第一节 植被光谱特征
  • 1. 植被叶片构造
  • 2. 植被光谱
  • 第二节 植被覆盖信息遥感提取概述
  • 1. 基于光谱信息计算
  • 2. 基于覆被分类分析
  • 第三节 植被覆盖信息遥感提取
  • 1. 实验区选取
  • 2. 植被指数选取
  • 3. 基于覆被分类分析方法选取
  • 4. 实验结果分析与比较
  • 5. 遥感数据融合
  • 第四节 传感器差异对植被指数影响分析
  • 1. 数据处理
  • 2. 结果分析
  • 本章小结
  • 第四章 基于NDVI时序数据集的植被变化检测研究
  • 第一节 基于 NDVI时序数据集的变化信息提取
  • 1. NDVI时序数据集特征分析
  • 2. 时序 NDVI特征参数提取方法
  • 3. 自回归滑动时间序列模型
  • 第二节 基于NDVI时序数据的植被变化检测
  • 1. 实验区
  • 2. 数据源
  • 3. 数据处理
  • 4. 植被变化研究
  • 5. 降水/气温对 NDVI月际动态变化影响
  • 第三节 基于NDVI数据集自回归滑动时间序列模型分析
  • 1. 预处理
  • 2. NDVI时间序列建模
  • 本章小结
  • 第五章 中国陆地植被覆盖变化分析
  • 第一节 概述
  • 第二节 中国陆地植被覆盖变化分析
  • 本章小结
  • 第六章 结论与展望
  • 攻读博士期间公开发表或已接受的论文
  • 致谢
  • 相关论文文献

    • [1].储油罐液位时序数据模式发现[J]. 重庆大学学报 2020(03)
    • [2].时序数据库发展研究[J]. 广东通信技术 2020(03)
    • [3].基于时序数据库的工业大数据应用研究[J]. 重型机械 2020(04)
    • [4].工业互联网中时序数据处理面临的新挑战[J]. 信息通信技术与政策 2019(05)
    • [5].基于自相关函数的非平稳时序数据的辨识改进[J]. 微型机与应用 2016(13)
    • [6].基于时序数据库的监控数据存储方法研究[J]. 电子元器件与信息技术 2020(01)
    • [7].时序数据并行压缩速率改进技术研究[J]. 电子设计工程 2018(20)
    • [8].基于时序数据的辽宁省环境库兹涅茨曲线实证分析[J]. 统计与咨询 2013(04)
    • [9].基于统计特征的时序数据符号化算法[J]. 计算机学报 2008(10)
    • [10].基于相关性分析的工业时序数据异常检测[J]. 软件学报 2020(03)
    • [11].基于微局部特征的时序数据二分类算法[J]. 计算机系统应用 2019(11)
    • [12].基于动态时间规整的时序数据相似连接[J]. 计算机学报 2018(08)
    • [13].《时序数据挖掘与过程神经元网络》[J]. 全国新书目 2013(12)
    • [14].多周期时序数据的傅氏级数拟合算法[J]. 计算机系统应用 2015(07)
    • [15].时序数据曲线排齐的相关性分析方法[J]. 软件学报 2014(09)
    • [16].非平稳NDVI时序数据人工神经网络建模方法[J]. 遥感信息 2019(06)
    • [17].路灯监控系统中时序数据流的异常值检测研究[J]. 微处理机 2018(06)
    • [18].时序数据的动态有界符号化方法[J]. 控制与决策 2008(10)
    • [19].基于GARCH模型下金融时序数据的影响点识别[J]. 统计与管理 2016(11)
    • [20].小样本跳变水质时序数据预测方法[J]. 计算机应用 2010(02)
    • [21].集思特思发布新一代时序数据产品TSM7[J]. 中国水利 2009(04)
    • [22].一种平稳时序数据的高效辨识改进算法[J]. 微处理机 2019(01)
    • [23].成品油零售价格变动对销售量影响研究——基于成品油价格时序数据挖掘分析[J]. 价格理论与实践 2019(10)
    • [24].面向大规模网络安全态势分析的时序数据挖掘关键技术研究[J]. 信息化建设 2016(05)
    • [25].一种新型时序数据库在大型配电网自动化系统数据中心中的应用[J]. 中国电业(技术版) 2014(07)
    • [26].时序数据的矢量化符号方法[J]. 小型微型计算机系统 2008(12)
    • [27].基于时序数据库的转移规则挖掘算法研究[J]. 计算机仿真 2008(06)
    • [28].海量时间序列数据的相关探索[J]. 通信电源技术 2020(10)
    • [29].基于时序数据库的分布式网络波动监控系统[J]. 中国传媒科技 2018(03)
    • [30].基于自动分发多级分解TCN-BiLSTM-LightGBM家庭PV发电量预测[J]. 电子制作 2020(19)

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  

    基于遥感时序数据的中国陆地植被覆盖变化分析研究
    下载Doc文档

    猜你喜欢