基于MODIS数据的浙江省土地覆盖分类研究

论文摘要

作为最先进的对地观测手段之一,遥感具有连续覆盖的空间和持续成像的时相。使用遥感的手段来进行土地覆盖分类制图已经成为一种重要的土地覆盖类型获取方式。遥感手段在建立不同尺度的土地覆盖数据集方面发挥了重要的作用。本文利用MODIS陆地数据产品,选用2008年全年的500m表面反射率8天合成数据。对数据进行了预处理,包括生成掩膜数据、数据叠合、植被指数数据集生成及基于Savitzky-Golay滤波的Ⅵ时序数据平滑重构,得到的EVI时序数据更能反映植被的季节性变化规律。遥感影像分类算法的设计核心就是解决关于遥感影像“数据—信息（遥感数据—地物信息）”提取、转换的过程。文中在传统分类模型的基础上,分别用两种分类模型：一种基于MODIS-VI时序数列的决策树算法和一种基于SVM的土地覆盖分类方法,并最终实现了分类,进行了精度验证和结果分析。结果表明：1.利用MODIS-EVI数据,通过设定EVI阈值的方式进行决策树分类的方法是可行的。2.与传统分类方式相比,决策树算法减少了计算复杂度,大大提高了分类精度。3.SVM方法相比决策树分类法,精度相当,方法简单,更易于实现,同时,分类时间相对较长。

论文目录

• 摘要
• ABSTRACT
• 目录
• 1 引言
• 1.1 研究的目的、意义
• 1.2 国内外研究现状及发展趋势
• 1.2.1 国外研究状况
• 1.2.2 国内研究状况
• 1.2.3 发展趋势
• 1.3 研究内容及技术路线
• 1.3.1 研究内容
• 1.3.2 技术路线
• 1.3.3 研究方法
• 1.4 论文的组织与结构
• 2 研究区概况
• 2.1 研究区位置和范围
• 2.2 研究区地理自然情况
• 2.2.1 气候条件
• 2.2.2 地形地貌
• 2.3 研究区自然资源状况
• 3 数据源及数据预处理
• 3.1 数据源
• 3.1.1 MODIS主要特征及数据产品概述
• 3.1.2 ODIS数据集获取
• 3.1.3 土地利用现状数据
• 3.2 数据预处理
• 3.2.1 ODIS数据处理
• 3.2.2 生成掩膜数据
• 3.2.3 数据叠合
• 3.3 植被指数数据集生成
• 3.3.1 归一化植被指数或称标准差异植被指数（Normalized Difference VegetationIndex,NDVI）
• 3.3.2 增强型植被指数（Enhanced Vegetation Index,EVI）
• 3.3.3 基于MODIS的时序Ⅵ的应用
• 3.4 基于Savitzky-Golay滤波的Ⅵ时序数据平滑重构
• 3.4.1 平滑重构时序植被指数的方法
• 3.4.2 Savitzky-Golay平滑重构
• 3.4.3 执行S-G平滑重构
• 3.5 样本的选择
• 4 分类系统和分类算法
• 4.1 分类系统
• 4.1.1 土地覆盖分类系统简介
• 4.1.2 国内外现有的分类系统
• 4.1.3 土地覆盖分类系统的确立
• 4.2 分类算法
• 4.2.1 分类概述
• 4.2.2 传统的计算机分类算法
• 4.2.3 计算机分类算法新方向
• 5 分类模型的构建及结果分析
• 5.1 基于MODIS-Ⅵ的非监督分类方法
• 5.2 一种基于MODIS-Ⅵ时序数列的改进决策树算法
• 5.2.1 决策树基本算法
• 5.2.2 构建决策树分类器实现分类
• 5.3. 种基于SVM的土地覆盖分类方法
• 5.3.1 支持向量机（SVM）基本算法
• 5.3.2 构建SVM分类器实现分类
• 5.4 分类精度验证和结果分析
• 5.4.1 分类后处理
• 5.4.2 分类精度验证
• 5.4.3 分类结果比较和分析
• 6 结论与展望
• 6.1 结论
• 6.2 本文新颖之处、不足及展望
• 6.2.1 创新新颖之处
• 6.2.2 不足及展望
• 参考文献
• 致谢
• 附录1 决策树代码
• 附录2 个人简介
• 附录3 第一导师介绍
• 附录4 第二导师介绍