论文部分内容阅读
准确实时获取区域及其全球范围内的土地利用/土地覆被类别已成为当前全球变化研究中的热点。本文充分利用MODIS在大尺度土地利用/土地覆被分类中的优势，结合统计方法、数据挖掘技术、机器学习等技术手段，采用多种土地利用/土地覆被分类方法，获取高精度的华东地区土地利用/土地覆被图。 对2009年中国华东区域（山东、安徽、江苏、江西、浙江、福建、上海）的土地利用/土地覆被分类进行研究。最大似然法、决策树法在大尺度土地利用/土地覆被分类应用较为广泛，而马氏距离法、支持向量机大尺度土地利用/土地覆被分类中很少涉及。本文主要围绕着如何提高分类精度方面进行展开。 1、特征数据的选择:从近年来土地利用/土地覆被的研究中，我们知道单单依靠遥感影像的波段反射率产品，并不能达到很好的分类效果。所以在特征数据的选择上，加入高程信息(DEM)、植被指数(NDVI、EVI)、水体指数(NDWI)，湿度指数(NDWI)、土壤亮度指数(NDMI)。其中植被指数、高程信息的加入在很大程度上提高了分类精度，应用比较广泛，而水体指数，湿度指数、土壤亮度指数在土地利用/土地覆被分类应用还比较少。本文将综合研究它们在MODIS在大尺度土地利用/土地覆被分类中的作用。 2、分类方案的确定:对影像特征进行分类特征组合，确定分类方案。 3、训练样本的选择:训练样区是分类器进行分类的基础数据，它质量的好坏直接影响分类器的表达。在训练样本选择时要考虑到各分类器对训练样本的要求。通过对训练样本的定量分析计算各类别的J-M距离，不断进行试验调整选择符合要求的训练样本。 4、分类器的选择:在土地利用/土地覆被研究中，从传统的监督分类、非监督分类到决策树分类、神经网络、支持向量机、面向对象分类法、专家系统分类、多分类器分类等多种方法。每种分类方法都不是万能的，都有其优势和缺点。本文选择了最大似然法、马氏距离法、CART决策树法、支持向量机，其中支持向量机又包括Linear线性核、Poly多项式、RBF核、Sigmoid核四种核函数。结果显示支持向量机的总精度最高，CART决策树法次之，马氏距离法最低。