论文题目: 基于高分辨率卫星影像的城市植被信息提取与分析研究
论文类型: 硕士论文
论文专业: 摄影测量与遥感
作者: 黄浩
导师: 张友静
关键词: 高分辨率遥感,城市植被,阴影校正,核主成分分析,分类,绿量遥感估测模型,生态景观分析
文献来源: 河海大学
发表年度: 2005
论文摘要: 城市植被是城市生态系统的重要组成部分，是自然和人文多种因素影响的结果。城市绿化水平被视为维系城市可持续发展的重要因素，为了实现可持续发展这一目标，应综合多个学科的理论，努力探索有限的城市空间应有的绿地总量的合理规模、植被类型的结构、布置形式以及绿化与城市功能、形态布局的耦合等问题。 近年来，随着遥感技术的发展，高分辨率卫星影像得到了广泛重视。开展高分辨率卫星遥感城市应用研究具有显著的先进性、可行性、优越性、实用性，是城市决策与管理信息化、现代化、科学化的有力支持，也是城市可持续发展的重要技术支撑。应用高分辨率卫星影像信息提取方法，掌握城市植被类型、分布及其结构，可以为城市绿地系统规划、优化植物群落结构、改善城市环境质量提供依据，对于未来城市的建设与发展具有十分重要的意义。 本文以南京市玄武区为例，应用高分辨率IKONOS影像，构建了基于KPCA(核主成分分析)的SAM(光谱角度制图)城市植被分类模型进行城市植被遥感分类，并初步建立了基于高分辨率卫星影像的城市绿量遥感估测模型，旨在提高城市植被分类的精度，探索城市“绿量”研究的新思路，为更准确地对城市植被进行评价与分析、估算城市植被的生态效益、进行城市绿地规划提供科学的依据，为南京市“生态园林城市”的创建提供参考。本文主要研究内容与研究成果如下： 1．高分辨率卫星影像阴影的提取与校正是一个难题，本文根据实际需要，采取不同的方法对建筑物阴影和山体阴影分别进行提取，并采用不同的校正方法进行校正。对城区建筑物阴影，本文采用基于影像融合的IKONOS影像阴影自动提取方法对阴影进行提取后，采用郎伯模型进行校正；对山体阴影，直接采用监督分类的方法对山体阴影进行提取后，采用灰度线性匹配的方法进行校正。实验表明，分开提取与校正的策略能取得较为理想的效果。 2．在探讨城市植被的遥感自动分类算法上，本文把基于KPCA的SAM分类方法用于高分辨率遥感影像城市植被分类中，探讨了KPCA变换中核函数、核函数参数的选取以及不同的训练样本数目对城市植被分类精度的影响，建立了基于KPCA的SAM城市植被分类模型，并进行了分类实验，分类总精度达到了80.6％，分类效果良好。考察一级土地利用类型，林地分类精度达到了95.2％，分类总精度达91.7％，分类结果理想。结果表明，该方法可以获得更准确的各类城市植被数据，为城市绿地生态评价分析与绿地系统建设提供更好的基础性数据。 3．利用遥感技术对城市绿地进行全面监测不仅包括平面上的城市植被覆盖信息的提取，还包括空间上的城市“绿量”的计算、监测与预报。本文在植被指数分析的基础上，引入空间纹理因子，采用逐步回归和神经网络两种方法，初步建立了基于高分辨率卫星影像的城市绿量遥感估测模型，这为城市绿量信息提取探索了新的思路，具有一定的借鉴意义。实验结果表明，以遥感信息作为植被绿量估算的基础，方法是有效的。从精度上来看，神经网络模型的估测精度比逐步回归模型高，效果更好。4.在遥感和GIS支持下，运用景观生态学原理，结合多种绿地评价指标对玄武区植 被进行生态评价和景观分析，为分析玄武区绿化现状、探讨玄武区生态园林城区建 设提出合理化建议。关键词:高分辨率遥感;城市植被;阴影校正;核主成分分析;SAM分类;绿量遥感估测模型;生态景观分析
论文目录:
摘要
Abstrast
目录
第一章 绪论
1．1 研究现状
1．1．1 城市植被的遥感调查现状
1．1．2 城市植被的遥感分类算法研究现状
1．1．3 城市植被生态效应评价的发展
1．2 研究目的与研究内容
1．3 研究方法与技术路线
1．3．1 “3S”技术
1．3．2 地面调查
1．3．3 神经网络分析
1．3．4 景观生态分析
1．3．5 研究技术路线
1．4 研究数据与研究区概况
1．4．1 研究数据
1．4．2 研究区概况
第二章 IKONOS影像的预处理
2．1 几何校正
2．2 辐射校正
2．2．1 建筑物阴影校正
2．2．2 山体阴影校正
2．3 本章小结
第三章 城市植被信息遥感提取与分析
3．1 KPCA算法与SAM算法
3．1．1 核函数方法概述
3．1．2 Mercer核函数
3．1．3 核主成分分析(KPCA)方法
3．1．4 光谱角度制图(SAM)分类方法
3．2 基于KPCA的SAM城市植被分类模型构建
3．2．1 模型构建及具体分类步骤
3．2．2 核函数、核函数参数与训练样本数选择分析
3．3 城市植被覆盖遥感分类
3．3．1 植被覆盖分类体系
3．3．2 玄武区植被覆盖分类
3．3．3 分类精度评价
3．3．4 分类结果分析与探讨
3．4 园林绿地类型划分
3．4．1 园林绿地分类体系
3．4．2 玄武区园林绿地分类
3．5 本章小结
第四章 城市绿量信息遥感提取与分析
4．1 研究方法
4．1．1 抽样与样本点绿量计算
4．1．2 自变量的选择
4．1．3 自变量与绿量间的相关性分析
4．2 绿量逐步回归估算模型的建立
4．2．1 多元回归与逐步回归分析方法
4．2．2 拟合优度与回归方程的显著性检验
4．2．3 玄武区绿量逐步回归估算模型的建立
4．3 绿量神经网络估算模型的建立
4．3．1 人工神经网络原理
4．3．2 B-P神经网络
4．3．3 玄武区绿量神经网络估算模型的建立
4．4 绿量遥感估算结果与分析
4．4．1 绿量遥感估算结果
4．4．2 方法对比分析
4．4．3 绿量遥感估算精度讨论
4．5 本章小结
第五章 玄武区植被生态评价与景观分析
5．1 玄武区绿地生态评价
5．1．1 绿地生态评价主要指标
5．1．2 玄武区绿地生态评价
5．1．3 结果和建议
5．2 玄武区植被景观分析
5．2．1 景观生态学与城市植被景观
5．2．2 玄武区植被景观分析
5．2．3 结果和建议
5．3 本章小结
第六章 结论与展望
6．1 结论
6．2 展望
参考文献
附图
附表
致谢
发布时间: 2005-04-25
相关论文
- [1].基于高分辨率卫星影像的城市绿地景观分析[D]. 王丽荣.上海交通大学2007
- [2].基于遥感影像的城市绿地信息提取及分析[D]. 黎薇.华东师范大学2007
- [3].植被覆盖信息的提取方法研究[D]. 吴根梅.北京林业大学2007
- [4].基于高分辨率遥感影像的城市环境结构信息提取研究[D]. 张春鹏.华东师范大学2007
- [5].面向对象的高分辨率遥感影像分类方法研究[D]. 游丽平.福建师范大学2007
- [6].基于遥感影像的城市绿地信息提取方法研究[D]. 朱瑞芳.辽宁工程技术大学2005
- [7].基于TM影像的水系信息提取及变化制图研究[D]. 李栋梁.河海大学2006
- [8].基于面向对象方法的城市植被提取与绿量估算研究[D]. 樊恒通.河海大学2006
- [9].IKONOS影像在城市绿地信息提取中的应用[D]. 李红.吉林大学2006
- [10].中高分辨率遥感影像分割与信息提取研究[D]. 莫登奎.中南林业科技大学2006
标签：高分辨率遥感论文; 城市植被论文; 阴影校正论文; 核主成分分析论文; 分类论文; 绿量遥感估测模型论文; 生态景观分析论文;