论文部分内容阅读
基于中低分辨率数据的大范围土地覆盖制图是当前地理学、生态学以及全球变化研究等领域的热点与难点。与SPOT/VGT、NOAA/AVHRR相比,MODIS数据在光谱、空间和时间分辨率上均有较大的优势,已成为宏观土地覆盖研究中的主要数据源。同时,植被指数是反映全球植被环境条件监测和显示土地覆盖和土地覆盖变化的重要指标。因此,本文以MODIS NDVI时间序列数据作为主要数据源进行宏观尺度土地覆被分类研究,取得如下进展：1、MODIS NDVI时间序列重建方法。提出了基于加权样条曲线的SG滤波处理与时间序列谐波分析法(HANTS)、非对称性高斯函数拟合法(AG)、双Logistic函数拟合法(DL)、SG滤波进行对比分析,结果说明本章提出的基于加权样条曲线的SG滤波方法优于其他4种方法,能够较为准确的反映土地覆被地物类型信息,为后续研究工作提供准确的数据。2、物候特征提取及重要性分析：NDVI时间序列反演的物候特征,从定性和定量的角度对物候特征以及特征集的重要性进行评价。加入物候特征后分类总体精度提高了2.6%,旱地和建筑用地的精度分别提高了6.7%和11.9%。且物候特征比NDVI统计特征提供的信息量丰富并具有实际的物理意义。3、评价样本数量对分类精度的影响。从样本的选取方法到样本的选取数量都对分类结果有所影响,本研究从定量的角度对其进行了分析。当样本量达到每类80以上时,分类结果曲线渐趋于水平状态,样本已具备代表性,基本满足分类要求。4、实验随机森林分类方法在宏观尺度土地覆盖的分类效果,并对其参数的适用性进行评价与分析。5、对本文建立的宏观尺度土地覆盖分类方法模式进行精度评价及对比分析。分类结果的分类精度为84.3%,kappa系数为0.79,比MOD12Q1产品的总体精度和kappa系数分别提高了26.98%和0.37。在MODIS高维特征空间中,随机森林比CART决策树的分类精度提高了17.9%。