基于RS的高山峡谷区土地利用/覆盖分类研究——以大雪山西缘为例

摘要

本文选择我国西部甘孜州道孚县境内的高山峡谷地貌作为研究区域，应用3S技术与野外实地调查相结合的方法，采用目视判读、非监督分类、监督分类及综合阈值等不同类型的分类方法，对研究区内全景ASTER卫星影像进行地物分类。得到如下结论： (1)运用ERDAS软件，完成对图像数据的格式转换、几何纠正、图像融合及图像增强的步骤。在目视判读过程中，引入BP人工神经网络对混淆地物进行精确预判。结果表明，该网络整体呈收敛状态，对每类地物的模拟估算都能达到初始设定误差。除耕地外(25.00％)，各地类的分类正确率都在70％以上，分别为林地(95.83％)、裸岩(93.33％)、积雪(90.00％)、居民地(87.50％)、河流(84.00％)、草地(79.17％)。 (2)在对不同分类方法下的分类精度比较中，采用了点、面结合的误差统计方法，对三种方法所产生的分类结果进行比较分析。 点误差统计中：①分类总体精度方面，非监督分类法最低，为36.56％，监督分类法次之，为60.85％，综合阈值法效果最佳，达71.70％；②地类识别效果方面，非监督分类结果中，林地识别效果最好，耕地、居民地和河流的识别效果最差；监督分类结果中，积雪和河流分类效果最佳，耕地、居民地效果最差；综合阈值法分类结果中，积雪识别效果最好，耕地、居民地最差。 面误差统计中：①分类精度方面，非监督法最差、监督分类法次之、综合阈值法最佳；②地类识别效果方面，非监督分类法中，林地和积雪识别较好，绝对误差为78.50km2和-3.12km2，相对误差为12.26％和2.04％。耕地和居民地效果最差，绝对误差达153.71km2和47.28km2，相对误差高达6445.15％和3528.00％；监督分类法中，裸岩识别效果最好，绝对误差分别为27.89km2，相对误差为15.85％，其它地类识别效果最差，绝对误差和相对误差分别为-160.82km2和-77.75％；综合阈值法中，效果最好和最差的地类分别为林地和其它地类，绝对误差和相对误差分别是7.30km2、-147.79km2和1.15％、-71.45％。(3)在所分地类中，耕地和居民地识别效果最差，河流和积雪识别效果最好。并随着分类方法由定性型向定最知识型规则型的转变，其分类的准确度和分类结果可信度得到大幅提高。采用综合阈值法对高山峡谷地区地物进行识别分类，比非监督分类和监督分类更具优势，适合该地区的土地覆盖调查。

目录

文摘

英文文摘

声明

1绪论

1.1立题依据和选题意义

1.2研究现状综述

1.2.1遥感分类研究

1.2.2分类因子研究

1.3研究目标、研究内容和技术路线

1.3.1研究目标

1.3.2研究内容

1.3.3技术路线

2土地利用/覆盖分类方法

2.1目视判读

2.2非监督分类

2.2.1 K平均分类

2.2.2 ISODATA分类方法

2.3监督分类

2.3.1最小距离算法

2.3.2最大似然分类算法

2.4人工神经网络分类法

2.4.1 BP算法的原理

2.4.2 BP算法的执行步骤

2.5综合阈值分类法

3土地利用/覆盖遥感数据预处理

3.1研究区域概况

3.2数据预处理

3.2.1数据源及软件

3.2.2数据预处理

4土地利用/覆盖遥感分类试验

4.1目视判读法

4.1.1模型构造

4.1.2数据归一化

4.1.3数据编码

4.1.4网络学习

4.1.5分类结果

4.2非监督分类

4.3监督分类

4.4综合阈值分类法

4.4.1典型样区选取

4.4.2叠合光谱图

4.4.3辅助图像

4.4.4土地利用/覆盖分类

4.4.5图像融合及输出

4.5本章小结

5土地利用/覆盖分类精度评价

5.1点误差评价

5.1.1简单随机采样

5.1.2分层随机采样

5.2面误差评价

6结论与展望

6.1主要结论

6.2展望

参考文献

致谢

作者简历